A Pyramid-Based Feature Fusion Framework for Keratoconus Detection Using LightGBM
Notice bibliographique
Résumé
Keratoconus is a degenerative eye disorder that affects the cornea.It is a progressive eye disorder that leads to irregular astigmatism and decrease in visual acuity as the cornea deforms and protrudes outward assuming a cone shape.The early diagnosis can be challenging as the disease can be asymptomatic.This study proposes a machine learning pipeline for the classification of the keratoconus using multi-scale feature extraction from Pentacam derived corneal topographic maps.A labeled dataset comprising 2961 images, categorized into Keratoconus, Normal and Suspect classes, is used in this study.Multi scale image representations are generated using Gaussian and Laplacian pyramids, alongside a patch-based pyramid.Gradient-based features are extracted from multi-scaled images using Histogram of Oriented Gradients (HOG) and L1-regularised Logistic Regression is used for feature selection.An optimized Light Gradient Boosting Machine (LightGBM) classifier is employed for classification.Experimental results show that Gaussian pyramid based multiscale HOG features consistently outperformed Laplacian and patch-based approaches with an overall accuracy of 85.62%, F1-score of 0.85 and AUC score of 0.95, confirming the effectiveness of multi-scale analysis in corneal disease classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».