Automated Optic Disc Tilt Classification in Fundus Photography: Segmentation and Elliptical Ratio Across External Clinical Validation (Preprint)
Notice bibliographique
Résumé
<sec> <title>BACKGROUND</title> Optic disc tilt is a morphological change in myopic eyes that complicates clinical interpretation and artificial intelligence (AI)-based analysis of fundus images. Accurate detection of optic disc tilt is necessary to avoid misinterpretation of disc morphology and enhance diagnostic reliability across different disease types. </sec> <sec> <title>OBJECTIVE</title> This study developed and externally validated an end-to-end AI-based pipeline for optic disc segmentation and quantitative tilt classification in color fundus photographs (CFPs), offering an objective alternative to manual segmentation and subjective clinical assessments. </sec> <sec> <title>METHODS</title> We trained a nnU-Net-based optic disc segmentation model on the Standardized Multi-Channel Dataset for Glaucoma (SMDG; 3,103 CFPs) and externally validated it on the Samsung Medical Center dataset (2,448 CFPs; 1,958 patients). Tilt was classified using the ratio of the long-distance diameter to short-distance diameter, with a ratio ≥ 1.3 indicating tilt. Segmentation performance was evaluated using the dice similarity coefficient (DSC), intersection over union (IoU), and pixel accuracy on the SMDG and the clinical acceptance rate via expert review. </sec> <sec> <title>RESULTS</title> Using the SMDG, nnU-Net achieved outstanding performance (mean ± SD: DSC, 0.961 ± 0.055; IoU, 0.927 ± 0.057) across eight datasets. With the SMC dataset, expert review showed a mean clinical acceptance rate of 98.61% across disease types, ranging from 86.40% (edema) to 99.59% (pallor). Tilt was detected in 7.5% (186/2,448) of images, with rates of 9.7% (normal), 3.9% (glaucoma), 7.8% (pallor), and 14.2% (edema). Segmentation errors occurred in 1.4% (34/2,448) of cases, mainly due to edema-related swelling, peripapillary atrophy, and vessel confusion. </sec> <sec> <title>CONCLUSIONS</title> Our pipeline provides objective and reproducible detection of optic disc tilt on CFPs, with strong generalization to clinical images. Replacing manual segmentation and subjective assessments, the pipeline supports tilt-aware AI diagnostics and scalable screening for myopia-related conditions, with future refinements needed for edema-related challenges. </sec>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».