Nature.com saytiga tashrif buyurganingiz uchun tashakkur.Siz cheklangan CSS-ni qo'llab-quvvatlaydigan brauzer versiyasidan foydalanmoqdasiz.Eng yaxshi tajriba uchun yangilangan brauzerdan foydalanishni tavsiya qilamiz (yoki Internet Explorer-da Moslik rejimini o'chirib qo'ying).Bundan tashqari, doimiy qo'llab-quvvatlashni ta'minlash uchun biz saytni uslublar va JavaScriptsiz ko'rsatamiz.
Har bir slaydda uchta maqolani ko'rsatadigan slayderlar.Slaydlar boʻylab harakatlanish uchun “Orqaga” va “Keyingi” tugmalaridan yoki har bir slayd boʻylab harakatlanish uchun oxiridagi slaydni boshqarish tugmalaridan foydalaning.
Optik kogerent tomografik angiografiya (OCTA) retinal tomirlarni invaziv bo'lmagan vizualizatsiya qilishning yangi usuli hisoblanadi.OCTA ko'plab istiqbolli klinik ilovalarga ega bo'lsa-da, tasvir sifatini aniqlash qiyin bo'lib qolmoqda.Biz 134 bemorning 347 ta skaneridan yuzaki kapillyar pleksus tasvirlarini tasniflash uchun ImageNet bilan oldindan tayyorlangan ResNet152 neyron tarmoq tasniflagichidan foydalangan holda chuqur o'rganishga asoslangan tizimni ishlab chiqdik.Tasvirlar, shuningdek, nazorat ostidagi o'rganish modeli uchun ikkita mustaqil baholovchi tomonidan haqiqiy haqiqat sifatida qo'lda baholandi.Tasvir sifatiga qo'yiladigan talablar klinik yoki tadqiqot sozlamalariga qarab farq qilishi mumkinligi sababli ikkita model o'qitildi, biri yuqori sifatli tasvirni aniqlash uchun, ikkinchisi esa past sifatli tasvirni aniqlash uchun.Bizning neyron tarmog'imiz modelimiz egri chiziq ostidagi ajoyib maydonni (AUC) ko'rsatadi, 95% CI 0,96-0,99, \(\kappa\) = 0,81), bu mashina tomonidan bildirilgan signal darajasidan (AUC = 0,82, 95) ancha yaxshi. % CI).0,77-0,86, \(\kappa\) = 0,52 va AUC = 0,78, 95% CI 0,73-0,83, \(\kappa\) = 0,27).Bizning tadqiqotimiz shuni ko'rsatadiki, mashinani o'rganish usullari OCTA tasvirlari uchun moslashuvchan va mustahkam sifat nazorati usullarini ishlab chiqish uchun ishlatilishi mumkin.
Optik kogerent tomografik angiografiya (OCTA) optik kogerent tomografiyaga (OCT) asoslangan nisbatan yangi usul bo'lib, u retinaning mikrovaskulaturasini noinvaziv vizualizatsiya qilish uchun ishlatilishi mumkin.OCTA retinaning bir xil sohasidagi takroriy yorug'lik impulslaridan aks ettirish naqshlaridagi farqni o'lchaydi va keyin rekonstruksiyalarni bo'yoqlar yoki boshqa kontrast moddalarni invaziv ishlatmasdan qon tomirlarini aniqlash uchun hisoblash mumkin.OCTA, shuningdek, chuqur aniqlikdagi tomirlarni tasvirlash imkonini beradi, bu klinisyenlarga qon tomirlarining yuzaki va chuqur qatlamlarini alohida tekshirishga imkon beradi va xorioretinal kasalliklarni farqlashga yordam beradi.
Ushbu uslub istiqbolli bo'lsa-da, tasvir sifatining o'zgarishi ishonchli tasvirni tahlil qilish uchun asosiy muammo bo'lib qolmoqda, bu tasvirni talqin qilishni qiyinlashtiradi va keng tarqalgan klinik qabul qilinishining oldini oladi.OCTA bir nechta ketma-ket OKT skanerlashdan foydalanganligi sababli, u standart OKTga qaraganda tasvir artefaktlariga nisbatan sezgirroqdir.Aksariyat tijorat OCTA platformalari Signal Strength (SS) yoki ba'zan Signal Strength Index (SSI) deb nomlangan o'zlarining tasvir sifati ko'rsatkichlarini taqdim etadilar.Biroq, yuqori SS yoki SSI qiymatiga ega bo'lgan tasvirlar tasvir artefaktlarining yo'qligini kafolatlamaydi, bu har qanday keyingi tasvir tahliliga ta'sir qilishi va noto'g'ri klinik qarorlarga olib kelishi mumkin.OCTA tasvirlashda paydo bo'lishi mumkin bo'lgan umumiy tasvir artefaktlari orasida harakat artefaktlari, segmentatsiya artefaktlari, media shaffoflik artefaktlari va proyeksiya artefaktlari kiradi1,2,3.
OCTA dan olingan qon tomir zichligi kabi o'lchovlar tarjima tadqiqotlari, klinik sinovlar va klinik amaliyotda tobora ko'proq foydalanilayotganligi sababli, tasvir artefaktlarini yo'q qilish uchun mustahkam va ishonchli tasvir sifatini nazorat qilish jarayonlarini ishlab chiqish zarurati tug'iladi4.O'tkazib yuborilgan ulanishlar, shuningdek, qoldiq ulanishlar sifatida ham tanilgan, neyron tarmoq arxitekturasidagi proektsiyalar bo'lib, ular ma'lumotni turli masshtablarda yoki ruxsatlarda saqlashda konvolyutsion qatlamlarni chetlab o'tishga imkon beradi5.Tasvir artefaktlari kichik va umumiy keng miqyosdagi tasvir unumdorligiga ta'sir qilishi mumkinligi sababli, o'tish-ulanish neyron tarmoqlari ushbu sifat nazorati vazifasini avtomatlashtirish uchun juda mos keladi5.Yaqinda nashr etilgan ishlar inson baholovchilarining yuqori sifatli ma'lumotlaridan foydalangan holda o'qitilgan chuqur konvolyutsion neyron tarmoqlar uchun ba'zi va'dalarni ko'rsatdi6.
Ushbu tadqiqotda biz OCTA tasvirlarining sifatini avtomatik aniqlash uchun ulanishni o'tkazib yuboradigan konvolyutsion neyron tarmog'ini o'rgatamiz.Yuqori sifatli tasvirlar va past sifatli tasvirlarni aniqlash uchun alohida modellarni ishlab chiqish orqali oldingi ishlarga asoslanamiz, chunki tasvir sifatiga talablar muayyan klinik yoki tadqiqot stsenariylari uchun farq qilishi mumkin.Chuqur o'rganish doirasida bir nechta granularlik darajalarida xususiyatlarni qo'shish qiymatini baholash uchun biz ushbu tarmoqlarning natijalarini ulanishlarsiz konvolyutsion neyron tarmoqlar bilan taqqoslaymiz.Keyin biz natijalarimizni ishlab chiqaruvchilar tomonidan taqdim etilgan tasvir sifatining umumiy qabul qilingan o'lchovi bo'lgan signal kuchi bilan taqqosladik.
Tadqiqotimizga 2017-yil 11-avgustdan 2019-yil 11-aprelgacha Yel ko‘z markaziga tashrif buyurgan qandli diabet bilan og‘rigan bemorlar kiritildi. Diabetik bo‘lmagan xorioretinal kasalligi bo‘lgan bemorlar chiqarib tashlandi.Yoshi, jinsi, irqi, tasvir sifati yoki boshqa omillarga asoslangan kiritish yoki istisno qilish mezonlari yo'q edi.
OCTA tasvirlari AngioPlex platformasi yordamida Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) 8\(\times\)8 mm va 6\(\times\)6 mm tasvirlash protokollari ostida olingan.Tadqiqotda ishtirok etish uchun har bir tadqiqot ishtirokchisidan xabardor qilingan rozilik olindi va Yel universiteti institutsional ko'rib chiqish kengashi (IRB) ushbu bemorlarning barchasi uchun global fotosuratlar bilan ma'lumotli rozilikdan foydalanishni ma'qulladi.Xelsinki deklaratsiyasi tamoyillariga amal qilish.Tadqiqot Yel universiteti IRB tomonidan tasdiqlangan.
Yuzaki plastinka tasvirlari ilgari tasvirlangan Harakat artefakt balli (MAS), ilgari tasvirlangan Segmentatsiya artefakt reytingi (SAS), foveal markaz, media xiralik mavjudligi va tasvirni baholovchi tomonidan aniqlangan kichik kapillyarlarning yaxshi vizualizatsiyasi asosida baholandi.Tasvirlar ikkita mustaqil baholovchi (RD va JW) tomonidan tahlil qilindi.Agar quyidagi mezonlarning barchasi bajarilsa, rasm 2 ballga baholanadi (qobiliyatli): tasvir chuqurchada joylashgan (tasvir markazidan 100 pikseldan kam), MAS 1 yoki 2, SAS 1 va media shaffofligi 1 dan kam. / 16 o'lchamdagi rasmlarda mavjud va 15/16 dan kattaroq tasvirlarda kichik kapillyarlar ko'rinadi.Quyidagi mezonlardan birortasi bajarilsa, rasm 0 (baholanmagan) deb baholanadi: tasvir markazdan tashqarida, MAS 4 bo‘lsa, SAS 2 bo‘lsa yoki o‘rtacha shaffoflik tasvirning 1/4 qismidan kattaroq bo‘lsa va kichik kapillyarlarni farqlash uchun 1 dan ortiq rasm /4 sozlanishi mumkin emas.0 yoki 2 ball mezonlariga javob bermaydigan barcha boshqa rasmlar 1 ball bilan baholanadi (qirqish).
Shaklda.1-rasmda har bir o'lchovli hisob-kitoblar va tasvir artefaktlari uchun namuna tasvirlari ko'rsatilgan.Individual ballarning baholovchilararo ishonchliligi Koenning kappa vazni bilan baholandi8.Har bir baholovchining individual ballari har bir rasm uchun 0 dan 4 gacha bo'lgan umumiy ball olish uchun jamlanadi. Umumiy balli 4 bo'lgan rasmlar yaxshi deb hisoblanadi.Umumiy balli 0 yoki 1 boʻlgan rasmlar past sifat deb hisoblanadi.
ImageNet ma'lumotlar bazasidagi tasvirlar bo'yicha oldindan o'rgatilgan ResNet152 arxitekturasining konvolyutsion neyron tarmog'i (3A.i-rasm) fast.ai va PyTorch framework5, 9, 10, 11 yordamida yaratilgan. Konvolyutsion neyron tarmog'i o'rganilganidan foydalanadigan tarmoqdir. fazoviy va mahalliy xususiyatlarni o'rganish uchun tasvir qismlarini skanerlash uchun filtrlar.Bizning o'qitilgan ResNet - bu bo'shliqlar yoki "qoldiq ulanishlar" bilan tavsiflangan 152 qatlamli neyron tarmoq bo'lib, ular bir vaqtning o'zida bir nechta ruxsatlar bilan ma'lumotlarni uzatadi.Tarmoq orqali turli ruxsatlarda ma'lumotni loyihalash orqali platforma past sifatli tasvirlarning xususiyatlarini bir nechta tafsilotlar darajasida o'rganishi mumkin.ResNet modelimizga qo'shimcha ravishda biz yaxshi o'rganilgan neyron tarmoq arxitekturasi AlexNetni taqqoslash uchun ulanishlarni yo'qotmasdan o'rgatganmiz (3A.ii-rasm)12.Yo'qolgan ulanishlarsiz ushbu tarmoq yuqori aniqlikdagi xususiyatlarni qo'lga kirita olmaydi.
Asl 8\(\times\)8mm OCTA13 tasvirlar toʻplami gorizontal va vertikal aks ettirish texnikasi yordamida yaxshilandi.Keyin to'liq ma'lumotlar to'plami tasodifiy ravishda tasvir darajasida scikit-learn asboblar qutisi python14 yordamida trening (51,2%), test (12,8%), giperparametrlarni sozlash (16%) va tekshirish (20%) ma'lumotlar to'plamlariga bo'lingan.Ikkita holat ko'rib chiqildi, biri faqat eng yuqori sifatli tasvirlarni aniqlashga asoslangan (umumiy ball 4), ikkinchisi esa faqat eng past sifatli tasvirlarni aniqlashga asoslangan (umumiy ball 0 yoki 1).Har bir yuqori sifatli va past sifatli foydalanish holati uchun neyron tarmoq bizning tasvir ma'lumotlarimiz bo'yicha bir marta qayta o'rganiladi.Har bir foydalanish holatida neyron tarmoq 10 davr uchun o'qitildi, eng yuqori qatlam og'irliklaridan tashqari barchasi muzlatildi va barcha ichki parametrlarning og'irliklari o'zaro entropiyani yo'qotish funktsiyasi 15, diskriminativ o'rganish tezligi usuli yordamida 40 davr uchun o'rganildi. 16..O'zaro entropiyani yo'qotish funktsiyasi prognoz qilingan tarmoq belgilari va haqiqiy ma'lumotlar o'rtasidagi tafovutning logarifmik shkalasi o'lchovidir.Trening davomida yo'qotishlarni minimallashtirish uchun neyron tarmoqning ichki parametrlari bo'yicha gradient tushishi amalga oshiriladi.O'rganish tezligi, tashlab ketish darajasi va vaznni kamaytirish giperparametrlari 2 tasodifiy boshlang'ich nuqta va 10 takrorlash bilan Bayesian optimallashtirish yordamida sozlangan va ma'lumotlar to'plamidagi AUC 17 maqsad sifatida giperparametrlar yordamida sozlangan.
Yuzaki kapillyar pleksuslarning 8 × 8 mm OCTA tasvirlarining vakillik namunalari 2 (A, B), 1 (C, D) va 0 (E, F) ball oldi.Ko'rsatilgan tasvir artefaktlari orasida miltillovchi chiziqlar (strelkalar), segmentatsiya artefaktlari (yulduzchalar) va media shaffofligi (strelkalar) mavjud.Rasm (E) ham markazdan tashqarida.
Keyin barcha neyron tarmoq modellari uchun qabul qiluvchining ishlash ko'rsatkichlari (ROC) egri chiziqlari yaratiladi va har bir past sifatli va yuqori sifatli foydalanish holati uchun vosita signali kuchi hisobotlari yaratiladi.Egri chiziq ostidagi maydon (AUC) pROC R paketi yordamida hisoblab chiqilgan va 95% ishonch oralig'i va p-qiymatlari DeLong usuli yordamida hisoblangan18,19.Inson baholovchilarining jamlangan ballari barcha ROC hisob-kitoblari uchun asos sifatida ishlatiladi.Mashina tomonidan bildirilgan signal kuchi uchun AUC ikki marta hisoblab chiqilgan: bir marta yuqori sifatli Scalability Score chegarasi uchun va bir marta past sifatli Scalability Score chegarasi uchun.Neyron tarmoq o'zining o'qitish va baholash shartlarini aks ettiruvchi AUC signal kuchi bilan taqqoslanadi.
O'rganilgan chuqur o'rganish modelini alohida ma'lumotlar to'plamida sinovdan o'tkazish uchun yuqori sifatli va past sifatli modellar Yel universitetidan to'plangan 32 ta to'liq yuzli 6\(\times\) 6 mm sirt plitasi tasvirlarining ishlashini baholashda bevosita qo'llanildi.Ko'z massasi tasvir bilan bir vaqtning o'zida markazlashtiriladi 8 \(\ marta \) 8 mm.6\(\×\) 6 mm tasvirlar bir xil baholovchilar (RD va JW) tomonidan 8\(\×\) 8 mm tasvirlar bilan bir xil tarzda qo‘lda baholandi, AUC, shuningdek, aniqlik va Koenning kappasi hisoblab chiqildi. .teng.
Sinf nomutanosibligi nisbati past sifatli model uchun 158:189 (\(\rho = 1,19\)) va yuqori sifatli model uchun 80:267 (\(\rho = 3,3\)) ni tashkil qiladi.Sinf nomutanosibligi nisbati 1:4 dan kam bo'lganligi sababli, sinf nomutanosibligini tuzatish uchun maxsus me'moriy o'zgarishlar kiritilmagan20,21.
O'quv jarayonini yaxshiroq tasavvur qilish uchun barcha to'rtta o'qitilgan chuqur o'rganish modellari uchun sinfni faollashtirish xaritalari yaratildi: yuqori sifatli ResNet152 modeli, past sifatli ResNet152 modeli, yuqori sifatli AlexNet modeli va past sifatli AlexNet modeli.Sinfni faollashtirish xaritalari ushbu to'rtta modelning kirish konvolyutsion qatlamlaridan yaratiladi va issiqlik xaritalari faollashtirish xaritalarini 8 × 8 mm va 6 × 6 mm tasdiqlash to'plamlaridan manba tasvirlari bilan qoplash orqali yaratiladi22, 23.
R versiyasi 4.0.3 barcha statistik hisob-kitoblar uchun ishlatilgan va vizualizatsiya ggplot2 grafik asboblar kutubxonasi yordamida yaratilgan.
Biz 134 kishidan 8 \(\ marta \)8 mm o'lchamdagi yuzaki kapillyar pleksusning 347 frontal tasvirini to'pladik.Mashina barcha tasvirlar uchun 0 dan 10 gacha bo'lgan shkalada signal kuchini xabar qildi (o'rtacha = 6,99 ± 2,29).Olingan 347 ta rasmning o'rtacha yoshi 58,7 ± 14,6 yilni tashkil etdi va 39,2 foizi erkaklardan edi.Barcha tasvirlarning 30,8 foizi kavkazliklar, 32,6 foizi qora tanlilar, 30,8 foizi ispanlar, 4 foizi osiyoliklar va 1,7 foizi boshqa irqlardan (1-jadval).).OCTA bo'lgan bemorlarning yosh taqsimoti tasvir sifatiga qarab sezilarli darajada farq qildi (p <0,001).18-45 yoshdagi yosh bemorlarda yuqori sifatli tasvirlarning ulushi past sifatli tasvirlarning 12,2% ga nisbatan 33,8% ni tashkil etdi (1-jadval).Diabetik retinopatiya holatining taqsimlanishi tasvir sifati bo'yicha ham sezilarli darajada farq qiladi (p <0,017).Barcha yuqori sifatli tasvirlar orasida PDR bilan og'rigan bemorlarning ulushi barcha past sifatli tasvirlarning 38,8% ga nisbatan 18,8% ni tashkil etdi (1-jadval).
Barcha rasmlarning individual reytinglari tasvirlarni o'qiyotgan odamlar o'rtasida o'rtacha va kuchli reytinglararo ishonchlilikni ko'rsatdi (Koenning vaznli kappa = 0,79, 95% CI: 0,76-0,82) va baholovchilar 1 dan ortiq farq qiladigan tasvir nuqtalari yo'q (1-rasm). 2A)..Signalning intensivligi qo'lda baholash bilan sezilarli darajada bog'liq edi (Pearson mahsulot momenti korrelyatsiyasi = 0,58, 95% CI 0,51-0,65, p<0,001), lekin ko'plab tasvirlar yuqori signal intensivligiga ega, ammo qo'lda baholash pastligi aniqlandi (Fig. .2B).
ResNet152 va AlexNet arxitekturalarini o'qitish jarayonida tekshirish va o'qitishda o'zaro entropiya yo'qolishi 50 dan ortiq davrga to'g'ri keladi (3B, C-rasm).Yakuniy o'quv davrida tekshirishning aniqligi yuqori sifatli va past sifatli foydalanish holatlari uchun 90% dan ortiq.
Qabul qiluvchining ishlash egri chiziqlari shuni ko'rsatadiki, ResNet152 modeli past va yuqori sifatli foydalanish holatlarida mashina tomonidan bildirilgan signal quvvatidan sezilarli darajada oshadi (p <0,001).ResNet152 modeli ham AlexNet arxitekturasidan sezilarli darajada ustundir (past sifatli va yuqori sifatli holatlar uchun p = 0,005 va p = 0,014).Ushbu vazifalarning har biri uchun olingan modellar mos ravishda 0,99 va 0,97 AUC qiymatlariga erisha oldi, bu mashina signali kuchi indeksi uchun 0,82 va 0,78 yoki AlexNet uchun 0,97 va 0,94 mos keladigan AUC qiymatlaridan sezilarli darajada yaxshi. ..(3-rasm).ResNet va AUC o'rtasidagi signal kuchidagi farq yuqori sifatli tasvirlarni tanib olishda yuqoriroq bo'lib, bu vazifa uchun ResNet-dan foydalanishning qo'shimcha afzalliklarini ko'rsatadi.
Grafiklar har bir mustaqil baholovchining ball to'plash va mashina tomonidan bildirilgan signal kuchi bilan solishtirish qobiliyatini ko'rsatadi.(A) Baholash kerak bo'lgan ballar yig'indisi baholanadigan ballarning umumiy sonini yaratish uchun ishlatiladi.Umumiy miqyoslash imkoniyati 4 ball bo‘lgan tasvirlar yuqori sifat bilan belgilanadi, 1 yoki undan kam umumiy miqyoslash balli bo‘lgan tasvirlar esa past sifat bilan belgilanadi.(B) Signal intensivligi qo'lda hisob-kitoblarga mos keladi, lekin signal intensivligi yuqori bo'lgan tasvirlar sifatsizroq bo'lishi mumkin.Qizil nuqtali chiziq signal kuchi (signal kuchi \(\ge\)6) asosida ishlab chiqaruvchi tomonidan tavsiya etilgan sifat chegarasini bildiradi.
ResNet uzatishni o'rganish mashina tomonidan bildirilgan signal darajalariga nisbatan past sifatli va yuqori sifatli foydalanish holatlarida tasvir sifatini aniqlashda sezilarli yaxshilanishni ta'minlaydi.(A) Oldindan o'qitilgan (i) ResNet152 va (ii) AlexNet arxitekturalarining soddalashtirilgan arxitektura diagrammalari.(B) Mashina xabar qilingan signal kuchi va AlexNet past sifat mezonlari bilan solishtirganda ResNet152 uchun trening tarixi va qabul qiluvchining ishlash egri chiziqlari.(C) ResNet152 qabul qiluvchisini o'qitish tarixi va ishlash egri mashinalar tomonidan bildirilgan signal kuchi va AlexNet yuqori sifat mezonlariga nisbatan.
Qaror chegarasi chegarasini moslashtirgandan so'ng, ResNet152 modelining maksimal bashorat qilish aniqligi past sifatli ish uchun 95,3% va yuqori sifatli holat uchun 93,5% ni tashkil qiladi (2-jadval).AlexNet modelining maksimal bashorat aniqligi past sifatli ish uchun 91,0% va yuqori sifatli ish uchun 90,1% ni tashkil qiladi (2-jadval).Signal kuchini bashorat qilishning maksimal aniqligi past sifatli foydalanish holati uchun 76,1% va yuqori sifatli foydalanish holati uchun 77,8% ni tashkil qiladi.Koenning kappa (\(\kappa)) ga ko'ra, ResNet152 modeli va baholovchilar o'rtasidagi kelishuv past sifatli korpus uchun 0,90 va yuqori sifatli korpus uchun 0,81 ni tashkil qiladi.Koenning AlexNet kappasi past sifatli va yuqori sifatli foydalanish holatlari uchun mos ravishda 0,82 va 0,71 ni tashkil qiladi.Koenning signal kuchi kappa past va yuqori sifatli foydalanish holatlari uchun mos ravishda 0,52 va 0,27 ni tashkil qiladi.
6 mm yassi plastinkaning 6\(\x\) tasvirlarida yuqori va past sifatli tanib olish modellarini tekshirish o'qitilgan modelning tasvir sifatini turli tasvirlash parametrlari bo'yicha aniqlash qobiliyatini ko'rsatadi.Tasvir sifati uchun 6\(\x\) 6 mm sayoz plitalardan foydalanilganda, past sifatli modelda AUC 0,83 (95% CI: 0,69-0,98) va yuqori sifatli modelda AUC 0,85 edi.(95% CI: 0,55-1,00) (2-jadval).
Kirish qatlami sinfini faollashtirish xaritalarini vizual tekshirish shuni ko'rsatdiki, barcha o'qitilgan neyron tarmoqlar tasvirni tasniflash paytida tasvir xususiyatlaridan foydalangan (4A, B-rasm).8 \(\ marta \) 8 mm va 6 \(\ marta \) 6 mm tasvirlar uchun ResNet faollashtirish tasvirlari retinal tomirlarni yaqindan kuzatib boradi.AlexNet faollashtirish xaritalari ham retinal tomirlarni kuzatib boradi, ammo qo'polroq piksellar soniga ega.
ResNet152 va AlexNet modellari uchun sinf faollashtirish xaritalari tasvir sifati bilan bog'liq xususiyatlarni ta'kidlaydi.(A) 8 \(\ marta \) 8 mm va (B) 6 \(\ marta \) 6 mm tekshirish tasvirlarida yuzaki retinal tomirlardan keyin izchil faollashuvni ko'rsatadigan sinf faollashtirish xaritasi.LQ modeli past sifat mezonlari bo'yicha o'qitildi, HQ modeli yuqori sifat mezonlari bo'yicha o'qitildi.
Ilgari tasvir sifati OCTA tasvirlarining har qanday miqdoriyligiga katta ta'sir ko'rsatishi ko'rsatilgan.Bundan tashqari, retinopatiyaning mavjudligi tasvir artefaktlarining tarqalishini oshiradi7,26.Darhaqiqat, oldingi tadqiqotlarga mos keladigan ma'lumotlarimizda biz yoshning ortishi va retinal kasallikning og'irligi va tasvir sifatining yomonlashuvi o'rtasida sezilarli bog'liqlik aniqlandi (p <0,001, p = 0,017 yosh va DR holati uchun mos ravishda; 1-jadval) 27 Shuning uchun, OCTA tasvirlarining har qanday miqdoriy tahlilini amalga oshirishdan oldin tasvir sifatini baholash juda muhimdir.OCTA tasvirlarini tahlil qiluvchi ko'pgina tadqiqotlar past sifatli tasvirlarni istisno qilish uchun mashina tomonidan bildirilgan signal intensivligi chegaralaridan foydalanadi.Signalning intensivligi OCTA parametrlarini aniqlashga ta'sir qilishi ko'rsatilgan bo'lsa-da, yuqori signal intensivligi tasvir artefaktlari bo'lgan tasvirlarni istisno qilish uchun etarli bo'lmasligi mumkin2,3,28,29.Shuning uchun tasvir sifatini nazorat qilishning yanada ishonchli usulini ishlab chiqish kerak.Shu maqsadda biz nazorat ostidagi chuqur o'rganish usullarining ishlashini mashina tomonidan bildirilgan signal kuchiga nisbatan baholaymiz.
Biz tasvir sifatini baholash uchun bir nechta modellarni ishlab chiqdik, chunki turli OCTA foydalanish holatlarida tasvir sifatiga turlicha talablar qo‘yilishi mumkin.Misol uchun, tasvirlar yuqori sifatli bo'lishi kerak.Bundan tashqari, qiziqishning o'ziga xos miqdoriy parametrlari ham muhimdir.Masalan, foveal avaskulyar zonaning maydoni markaziy bo'lmagan muhitning loyqaligiga bog'liq emas, balki tomirlarning zichligiga ta'sir qiladi.Bizning tadqiqotimiz tasvir sifatiga umumiy yondashuvga e'tibor qaratishda davom etsa-da, u biron bir test talablariga bog'liq emas, balki mashina tomonidan bildirilgan signal kuchini to'g'ridan-to'g'ri almashtirishga mo'ljallangan bo'lsa-da, biz foydalanuvchilarga ko'proq nazorat qilish imkoniyatini berishga umid qilamiz. foydalanuvchini qiziqtirgan aniq ko'rsatkichni tanlashi mumkin.maqbul deb hisoblangan tasvir artefaktlarining maksimal darajasiga mos keladigan modelni tanlang.
Past sifatli va yuqori sifatli sahnalar uchun biz ulanishsiz chuqur konvolyutsion neyron tarmoqlarning mukammal ishlashini ko'rsatamiz, AUC mos ravishda 0,97 va 0,99 va past sifatli modellar.Biz, shuningdek, faqat mashinalar tomonidan bildirilgan signal darajalariga nisbatan chuqur o'rganish yondashuvimizning yuqori samaradorligini namoyish etamiz.Oʻtkazib yuborilgan ulanishlar neyron tarmoqlarga tasvirlarning nozik tomonlarini (masalan, kontrast) hamda umumiy xususiyatlarni (masalan, tasvirni markazlashtirish30,31) suratga olib, bir necha darajadagi tafsilotlardagi xususiyatlarni oʻrganish imkonini beradi.Tasvir sifatiga ta'sir qiluvchi tasvir artefaktlari, ehtimol, keng diapazonda eng yaxshi aniqlanganligi sababli, ulanishlari yo'q bo'lgan neyron tarmoq arxitekturalari tasvir sifatini aniqlash vazifalari bo'lmaganlarga qaraganda yaxshiroq ishlashi mumkin.
Modelimizni 6\(\×6mm) OCTA tasvirlarida sinab ko'rayotganda, biz tasniflash uchun o'qitilgan modelning o'lchamidan farqli o'laroq, yuqori sifatli va past sifatli modellar uchun tasniflash ko'rsatkichlarining pasayishini payqadik (2-rasm).ResNet modeli bilan solishtirganda, AlexNet modeli katta pasayishlarga ega.ResNet ning nisbatan yaxshiroq ishlashi qoldiq ulanishlarning bir nechta masshtablarda ma'lumot uzatish qobiliyati bilan bog'liq bo'lishi mumkin, bu esa modelni turli masshtablarda va/yoki kattalashtirishda olingan tasvirlarni tasniflash uchun yanada mustahkam qiladi.
8 \(\×\) 8 mm va 6 \(\×\) 6 mm tasvirlar o‘rtasidagi ba’zi farqlar noto‘g‘ri tasnifga olib kelishi mumkin, jumladan, foveal avaskulyar hududlarni o‘z ichiga olgan tasvirlarning nisbatan yuqori ulushi, ko‘rinishdagi o‘zgarishlar, tomir arkadalari va tasvirda optik asab yo'q 6 × 6 mm.Shunga qaramay, bizning yuqori sifatli ResNet modelimiz 6 \(\x\) 6 mm tasvirlar uchun AUC 85% ga erisha oldi, bu konfiguratsiya model o'rganilmagan, bu tasvir sifati ma'lumotlari neyron tarmoqda kodlanganligini ko'rsatadi. mos keladi.ta'limdan tashqari bitta tasvir o'lchami yoki mashina konfiguratsiyasi uchun (2-jadval).Ishonch bilan aytganda, ResNet va AlexNet-ga o'xshash 8 \(\ marta \) 8 mm va 6 \ (\ marta \) 6 mm tasvirlarning faollashtirish xaritalari ikkala holatda ham retinal tomirlarni ajratib ko'rsatishga muvaffaq bo'ldi, bu model muhim ma'lumotlarga ega ekanligini ko'rsatadi.OCTA tasvirlarining ikkala turini tasniflash uchun qo'llaniladi (4-rasm).
Lauerman va boshqalar.OCTA tasvirlaridagi tasvir sifatini baholash xuddi shunday Inception arxitekturasi yordamida amalga oshirildi, boshqa bir o'tkazib yuboriladigan konvolyutsion neyron tarmog'i6,32 chuqur o'rganish usullaridan foydalangan holda.Ular, shuningdek, tadqiqotni yuzaki kapillyar pleksusning tasvirlari bilan chekladilar, lekin faqat Optovue AngioVue-dan kichikroq 3 × 3 mm tasvirlardan foydalangan holda, turli xil xorioretinal kasalliklarga chalingan bemorlar ham kiritilgan.Bizning ishimiz ularning asoslariga asoslanadi, jumladan, turli xil tasvir sifati chegaralarini hal qilish va turli o'lchamdagi tasvirlar uchun natijalarni tasdiqlash uchun bir nechta modellar.Shuningdek, biz mashinani o'rganish modellarining AUC ko'rsatkichi haqida xabar beramiz va ularning past sifatli (96%) va yuqori sifatli (95,7%) modellari uchun allaqachon ta'sirchan aniqligini (90%)6 oshiramiz6.
Ushbu trening bir nechta cheklovlarga ega.Birinchidan, tasvirlar faqat bitta OCTA mashinasi bilan olingan, shu jumladan faqat 8\(\times\)8 mm va 6\(\times\)6 mm yuzaki kapillyar pleksus tasvirlari.Tasvirlarni chuqurroq qatlamlardan chiqarib tashlashning sababi shundaki, proyeksiya artefaktlari tasvirlarni qo'lda baholashni qiyinlashtirishi va, ehtimol, kamroq izchil bo'lishi mumkin.Bundan tashqari, tasvirlar faqat diabetik bemorlarda olingan, ular uchun OCTA muhim diagnostika va prognostika vositasi sifatida paydo bo'ladi33,34.Natijalar ishonchli bo'lishini ta'minlash uchun biz modelimizni turli o'lchamdagi rasmlarda sinab ko'rishimiz mumkin bo'lsa-da, biz turli markazlardan mos ma'lumotlar to'plamini aniqlay olmadik, bu esa modelning umumlashtirilishini baholashni cheklab qo'ydi.Rasmlar faqat bitta markazdan olingan bo'lsa-da, ular turli etnik va irqiy kelib chiqishi bo'lgan bemorlardan olingan, bu bizning tadqiqotimizning o'ziga xos kuchidir.O'quv jarayonimizga xilma-xillikni kiritish orqali biz natijalarimiz kengroq ma'noda umumlashtiriladi va biz o'qiyotgan modellarda irqiy tarafkashlikni kodlashdan qochamiz deb umid qilamiz.
Tadqiqotimiz shuni ko'rsatadiki, ulanishni o'tkazib yuboruvchi neyron tarmoqlari OCTA tasvir sifatini aniqlashda yuqori ko'rsatkichlarga erishish uchun o'qitilishi mumkin.Biz ushbu modellarni keyingi tadqiqotlar uchun vosita sifatida taqdim etamiz.Turli ko'rsatkichlar tasvir sifatiga turlicha talablarga ega bo'lishi mumkinligi sababli, bu erda o'rnatilgan tuzilma yordamida har bir ko'rsatkich uchun individual sifat nazorati modeli ishlab chiqilishi mumkin.
Kelajakdagi tadqiqotlar OCTA platformalari va tasvirlash protokollariga umumlashtirilishi mumkin bo'lgan chuqur o'rganish tasvir sifatini baholash jarayonini olish uchun turli xil chuqurlikdagi turli o'lchamdagi tasvirlarni va turli xil OCTA mashinalarini o'z ichiga olishi kerak.Joriy tadqiqotlar, shuningdek, katta ma'lumotlar to'plamlari uchun mehnat talab qiladigan va ko'p vaqt talab qiladigan insonni baholash va tasvirni baholashni talab qiladigan nazorat ostida chuqur o'rganish yondashuvlariga asoslanadi.Nazorat qilinmagan chuqur o'rganish usullari past sifatli tasvirlar va yuqori sifatli tasvirlarni etarli darajada farqlay oladimi yoki yo'qligini aniqlash kerak.
OCTA texnologiyasi rivojlanishda davom etar ekan va skanerlash tezligi ortib borar ekan, tasvir artefaktlari va sifatsiz tasvirlar soni kamayishi mumkin.Yaqinda kiritilgan proyeksiya artefaktini olib tashlash funksiyasi kabi dasturiy ta'minotdagi takomillashtirish ham ushbu cheklovlarni engillashtirishi mumkin.Shu bilan birga, ko'plab muammolar saqlanib qolmoqda, chunki yomon fiksatsiyaga ega yoki sezilarli media loyqaligi bo'lgan bemorlarni tasvirlash har doim tasvir artefaktlariga olib keladi.OCTA klinik tadkikotlarda kengroq qo'llanila boshlaganligi sababli, tasvirni tahlil qilish uchun rasm artefaktining maqbul darajalari bo'yicha aniq ko'rsatmalar yaratish uchun diqqat bilan ko'rib chiqish kerak.OCTA tasvirlariga chuqur o'rganish usullarini qo'llash katta va'da beradi va tasvir sifatini nazorat qilishda ishonchli yondashuvni ishlab chiqish uchun ushbu sohada qo'shimcha tadqiqotlar talab etiladi.
Joriy tadqiqotda foydalanilgan kod octa-qc omborida mavjud, https://github.com/rahuldhodapkar/octa-qc.Joriy tadqiqot davomida yaratilgan va/yoki tahlil qilingan maʼlumotlar toʻplami tegishli mualliflardan asosli soʻrov boʻyicha mavjud.
Spaide, RF, Fujimoto, JG & Waheed, NK Optik kogerent angiografiyadagi tasvir artefaktlari.Retina 35, 2163–2180 (2015).
Fenner, BJ va boshqalar.OKT angiografiyasida retinal kapillyar pleksus zichligi o'lchovlarining sifati va takrorlanishini aniqlaydigan tasvirlash xususiyatlarini aniqlash.BR.J. Oftalmol.102, 509–514 (2018).
Lauerman, JL va boshqalar.Ko'zni kuzatish texnologiyasining yoshga bog'liq makula degeneratsiyasida OCT angiografiyasining tasvir sifatiga ta'siri.Qabr ark.klinik.Exp.oftalmologiya.255, 1535–1542 (2017).
Babyuch AS va boshqalar.OCTA kapillyar perfuziya zichligi o'lchovlari makula ishemiyasini aniqlash va baholash uchun ishlatiladi.oftalmik jarrohlik.Retinal lazer tasviri 51, S30–S36 (2020).
U, K., Chjan, X., Ren, S. va Sun, J. Tasvirni aniqlash uchun chuqur qoldiq o'rganish.2016 yilda IEEE konferentsiyasida kompyuterni ko'rish va naqshlarni aniqlash (2016).
Lauerman, JL va boshqalar.Chuqur o'rganish algoritmlari yordamida avtomatlashtirilgan OCT angiografik tasvir sifatini baholash.Qabr ark.klinik.Exp.oftalmologiya.257, 1641–1648 (2019).
Lauermann, J. va boshqalar.OKT angiografiyasida segmentatsiya xatolari va harakat artefaktlarining tarqalishi retinaning kasalligiga bog'liq.Qabr ark.klinik.Exp.oftalmologiya.256, 1807–1816 (2018).
Pask, Adam va boshqalar.Pytorch: Imperativ, yuqori samarali chuqur o'rganish kutubxonasi.Neyron ma'lumotlarini ilg'or qayta ishlash.tizimi.32, 8026–8037 (2019).
Deng, J. va boshqalar.ImageNet: Keng miqyosli ierarxik tasvirlar bazasi.2009 yil IEEE konferentsiyasi kompyuterda ko'rish va naqshlarni aniqlash bo'yicha.248–255.(2009).
Krizhevskiy A., Sutzkever I. va Hinton GE chuqur konvolyutsion neyron tarmoqlardan foydalangan holda Imagenet tasnifi.Neyron ma'lumotlarini ilg'or qayta ishlash.tizimi.25, 1 (2012).