Nature.com saytına daxil olduğunuz üçün təşəkkür edirik.Siz məhdud CSS dəstəyi ilə brauzer versiyasından istifadə edirsiniz.Ən yaxşı təcrübə üçün sizə yenilənmiş brauzerdən istifadə etməyi tövsiyə edirik (və ya Internet Explorer-də Uyğunluq rejimini söndürün).Bundan əlavə, davamlı dəstəyi təmin etmək üçün biz saytı üslub və JavaScript olmadan göstəririk.
Hər slaydda üç məqalə göstərən slayderlər.Slaydlar arasında hərəkət etmək üçün geri və sonrakı düymələrdən və ya hər slaydda hərəkət etmək üçün sonundakı slayd nəzarətçi düymələrindən istifadə edin.
Optik koherens tomoqrafiya angioqrafiyası (OCTA) retinal damarların qeyri-invaziv vizuallaşdırılması üçün yeni bir üsuldur.OCTA bir çox perspektivli klinik tətbiqlərə malik olsa da, görüntü keyfiyyətinin müəyyən edilməsi problem olaraq qalır.134 xəstənin 347 skanından səthi kapilyar pleksus şəkillərini təsnif etmək üçün ImageNet ilə əvvəlcədən hazırlanmış ResNet152 neyron şəbəkə təsnifatçısından istifadə edərək dərin öyrənmə əsaslı sistem hazırladıq.Şəkillər həmçinin nəzarət edilən öyrənmə modeli üçün iki müstəqil qiymətləndirici tərəfindən əl ilə həqiqi həqiqət kimi qiymətləndirilib.Şəkil keyfiyyəti tələbləri klinik və ya tədqiqat parametrlərindən asılı olaraq dəyişə biləcəyi üçün biri yüksək keyfiyyətli təsvirin tanınması, digəri isə aşağı keyfiyyətli təsvirin tanınması üçün iki model öyrədildi.Bizim neyron şəbəkə modelimiz əyri altında əla sahə (AUC) göstərir, 95% CI 0,96-0,99, \(\kappa\) = 0,81), bu, maşın tərəfindən bildirilən siqnal səviyyəsindən (AUC = 0,82, 95) əhəmiyyətli dərəcədə yaxşıdır. % CI).0,77-0,86, \(\kappa\) = 0,52 və AUC = 0,78, 95% CI 0,73-0,83, \(\kappa\) = 0,27).Tədqiqatımız göstərir ki, maşın öyrənmə metodlarından OCTA şəkilləri üçün çevik və möhkəm keyfiyyətə nəzarət üsulları hazırlamaq üçün istifadə edilə bilər.
Optik koherens tomoqrafiya angioqrafiyası (OCTA) optik koherens tomoqrafiyaya (OKT) əsaslanan nisbətən yeni texnikadır və retinal mikrodamarların qeyri-invaziv vizuallaşdırılması üçün istifadə edilə bilər.OCTA retinanın eyni nahiyəsində təkrarlanan işıq impulslarından əks olunma nümunələrindəki fərqi ölçür və rekonstruksiyalar daha sonra boyaların və ya digər kontrast maddələrin invaziv istifadəsi olmadan qan damarlarını aşkar etmək üçün hesablana bilər.OCTA həmçinin dərin rezolyusiyaya malik vaskulyar görüntüləmə imkanı verir, klinisyenlərə səthi və dərin damar təbəqələrini ayrı-ayrılıqda müayinə etməyə imkan verir və xorioretinal xəstəlik arasında fərq qoymağa kömək edir.
Bu texnikanın perspektivli olmasına baxmayaraq, görüntü keyfiyyətinin dəyişməsi etibarlı görüntü təhlili üçün əsas problem olaraq qalır, təsvirin şərhini çətinləşdirir və geniş kliniki qəbulun qarşısını alır.OCTA çoxlu ardıcıl OKT taramalarından istifadə etdiyi üçün standart OCT-dən daha çox görüntü artefaktlarına həssasdır.Əksər kommersiya OCTA platformaları Signal Strength (SS) və ya bəzən Signal Strength Index (SSI) adlı öz görüntü keyfiyyəti göstəricilərini təqdim edir.Bununla belə, yüksək SS və ya SSI dəyərinə malik şəkillər görüntü artefaktlarının olmamasına zəmanət vermir və bu, hər hansı sonrakı təsvirin təhlilinə təsir edə bilər və yanlış klinik qərarlara səbəb ola bilər.OCTA təsvirində baş verə biləcək ümumi təsvir artefaktlarına hərəkət artefaktları, seqmentasiya artefaktları, media qeyri-şəffaflıq artefaktları və proyeksiya artefaktları daxildir1,2,3.
Tərcümə tədqiqatlarında, klinik sınaqlarda və klinik təcrübədə damar sıxlığı kimi OCTA-dan əldə edilən ölçülər getdikcə daha çox istifadə olunduğundan, təsvir artefaktlarını aradan qaldırmaq üçün möhkəm və etibarlı görüntü keyfiyyətinə nəzarət proseslərinin hazırlanmasına təcili ehtiyac var4.Skip əlaqələri, həmçinin qalıq bağlantılar kimi tanınan neyron şəbəkəsi arxitekturasında məlumatın müxtəlif miqyaslarda və ya qətnamələrdə saxlanması zamanı konvolyusiya qatlarını yan keçməyə imkan verən proqnozlardır5.Şəkil artefaktları kiçik miqyaslı və ümumi geniş miqyaslı təsvirin performansına təsir göstərə bildiyinə görə keçid-bağlantılı neyron şəbəkələri bu keyfiyyətə nəzarət tapşırığını avtomatlaşdırmaq üçün çox uyğundur5.Bu yaxınlarda dərc edilmiş iş, insan qiymətləndiricilərindən yüksək keyfiyyətli məlumatlardan istifadə edərək təlim keçmiş dərin konvolyusiya neyron şəbəkələri üçün bəzi vədlər göstərdi6.
Bu işdə biz OCTA şəkillərinin keyfiyyətini avtomatik müəyyən etmək üçün keçid atlamalı konvolyusiya neyron şəbəkəsini öyrədirik.Biz yüksək keyfiyyətli şəkilləri və aşağı keyfiyyətli şəkilləri müəyyən etmək üçün ayrıca modellər hazırlamaqla əvvəlki işlərə əsaslanırıq, çünki təsvirin keyfiyyətinə tələblər xüsusi klinik və ya tədqiqat ssenariləri üçün fərqli ola bilər.Dərin öyrənmə çərçivəsində çoxlu qranulyarlıq səviyyələrində xüsusiyyətlərin daxil edilməsinin dəyərini qiymətləndirmək üçün bu şəbəkələrin nəticələrini əlaqələri əskik olmayan konvolyusiya neyron şəbəkələri ilə müqayisə edirik.Daha sonra nəticələrimizi istehsalçılar tərəfindən təqdim olunan görüntü keyfiyyətinin ümumi qəbul edilmiş ölçüsü olan siqnal gücü ilə müqayisə etdik.
Tədqiqatımız 11 avqust 2017-ci il və 11 aprel 2019-cu il tarixləri arasında Yale Göz Mərkəzinə qatılan diabetli xəstələri əhatə etdi. Diabetik olmayan hər hansı xorioretinal xəstəliyi olan xəstələr istisna edildi.Yaş, cins, irq, görüntü keyfiyyəti və ya hər hansı digər faktora əsaslanan heç bir daxiletmə və ya istisna meyarları yox idi.
OCTA şəkilləri 8\(\ dəfə\)8 mm və 6\(\ dəfə\)6 mm təsvir protokolları altında Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) üzərində AngioPlex platformasından istifadə edilməklə əldə edilmişdir.Tədqiqatda iştirak etmək üçün məlumatlı razılıq hər bir tədqiqat iştirakçısından alındı ​​və Yale Universiteti İnstitusional Nəzarət Şurası (IRB) bütün bu xəstələr üçün qlobal fotoqrafiya ilə məlumatlı razılığın istifadəsini təsdiqlədi.Helsinki Bəyannaməsinin prinsiplərinə riayət etməklə.Tədqiqat Yale Universitetinin IRB tərəfindən təsdiqlənib.
Səth lövhəsi şəkilləri əvvəllər təsvir edilmiş Hərəkət Artefakt Hesabına (MAS), əvvəllər təsvir edilmiş Seqmentasiya Artefakt Hesabına (SAS), foveal mərkəzə, medianın qeyri-şəffaflığının mövcudluğuna və şəkil qiymətləndiricisi tərəfindən müəyyən edilən kiçik kapilyarların yaxşı vizuallaşdırılmasına əsasən qiymətləndirilib.Şəkillər iki müstəqil qiymətləndirici (RD və JW) tərəfindən təhlil edilib.Aşağıdakı meyarların hamısı yerinə yetirilərsə, şəkil 2 (uyğun) qiymətləndirilmiş balı alır: şəkil foveada mərkəzləşmişdir (şəklin mərkəzindən 100 pikseldən az), MAS 1 və ya 2, SAS 1 və media qeyri-şəffaflığı 1-dən azdır. / 16 ölçülü şəkillərdə təqdim olunur və 15/16-dan böyük şəkillərdə kiçik kapilyarlar görünür.Aşağıdakı meyarlardan hər hansı biri yerinə yetirilərsə, şəkil 0 (reytinqsiz) qiymətləndirilir: şəkil mərkəzdən kənardırsa, MAS 4-dürsə, SAS 2-dirsə və ya orta qeyri-şəffaflıq şəklin 1/4-dən böyükdürsə və kiçik kapilyarları ayırd etmək üçün 1 şəkil /4-dən çox tənzimlənə bilməz.0 və ya 2 qiymətləndirmə meyarlarına uyğun gəlməyən bütün digər şəkillər 1 (kırpma) kimi qiymətləndirilir.
Əncirdə.1 miqyaslı təxminlərin və təsvir artefaktlarının hər biri üçün nümunə şəkilləri göstərir.Fərdi balların qiymətləndiricilər arası etibarlılığı Cohenin kappa çəkisi ilə qiymətləndirildi8.0-dan 4-ə qədər hər bir şəkil üçün ümumi xal əldə etmək üçün hər bir qiymətləndiricinin fərdi xalları cəmlənir. Ümumi xal 4 olan şəkillər yaxşı hesab olunur.Ümumi balı 0 və ya 1 olan şəkillər aşağı keyfiyyətli hesab olunur.
ImageNet verilənlər bazasından şəkillər üzərində əvvəlcədən öyrədilmiş ResNet152 arxitekturası konvolyusiya neyron şəbəkəsi (Şəkil 3A.i) fast.ai və PyTorch çərçivəsi5, 9, 10, 11 istifadə edərək yaradılıb. Konvolyusiya neyron şəbəkəsi öyrənilən məlumatlardan istifadə edən şəbəkədir. məkan və yerli xüsusiyyətləri öyrənmək üçün təsvir fraqmentlərini skan etmək üçün filtrlər.Bizim təlim keçmiş ResNet 152 qatlı neyron şəbəkəsidir və boşluqlar və ya “qalıq əlaqələr” ilə xarakterizə olunur və eyni vaxtda çoxlu qətnamə ilə məlumat ötürür.Şəbəkə üzərindən müxtəlif rezolyusiyalarda məlumatların proyeksiyası ilə platforma aşağı keyfiyyətli şəkillərin xüsusiyyətlərini müxtəlif səviyyəli detallarda öyrənə bilər.ResNet modelimizə əlavə olaraq, biz yaxşı öyrənilmiş neyron şəbəkəsi arxitekturası olan AlexNet-i müqayisə üçün əlaqəni itirmədən öyrətdik (Şəkil 3A.ii)12.Çatışmayan bağlantılar olmadan bu şəbəkə funksiyaları daha yüksək qranularlıqla tuta bilməyəcək.
Orijinal 8\(\times\)8mm OCTA13 təsvir dəsti üfüqi və şaquli əks etdirmə üsullarından istifadə etməklə təkmilləşdirilmişdir.Daha sonra tam verilənlər bazası python14 scikit-learn alətlər qutusundan istifadə edərək görüntü səviyyəsində təsadüfi olaraq təlim (51,2%), sınaq (12,8%), hiperparametrlərin tənzimlənməsi (16%) və doğrulama (20%) verilənlər dəstlərinə bölündü.İki hal nəzərdən keçirildi, biri yalnız ən yüksək keyfiyyətli şəkillərin aşkarlanmasına əsaslanır (ümumi xal 4), digəri isə yalnız ən aşağı keyfiyyətli şəkillərin aşkarlanmasına əsaslanır (ümumi xal 0 və ya 1).Hər bir yüksək keyfiyyətli və aşağı keyfiyyətli istifadə halı üçün neyron şəbəkə bir dəfə bizim şəkil məlumatlarımızda yenidən hazırlanır.Hər bir istifadə vəziyyətində neyron şəbəkəsi 10 dövr üçün öyrədildi, ən yüksək təbəqə çəkiləri istisna olmaqla, hamısı donduruldu və bütün daxili parametrlərin çəkiləri çarpaz entropiya itkisi funksiyası 15 olan diskriminativ öyrənmə dərəcəsi metodundan istifadə edərək 40 dövr üçün öyrənildi. 16..Çarpaz entropiya itkisi funksiyası proqnozlaşdırılan şəbəkə etiketləri ilə real məlumatlar arasındakı uyğunsuzluğun loqarifmik miqyasının ölçüsüdür.Təlim zamanı itkiləri minimuma endirmək üçün neyron şəbəkənin daxili parametrləri üzrə gradient eniş aparılır.Öyrənmə sürəti, buraxılma dərəcəsi və çəki azaltma hiperparametrləri 2 təsadüfi başlanğıc nöqtəsi və 10 iterasiya ilə Bayesian optimallaşdırmasından istifadə edərək tənzimləndi və məlumat dəstindəki AUC 17 hədəf olaraq hiperparametrlərdən istifadə edərək tənzimləndi.
Səthi kapilyar pleksusların 8 × 8 mm OCTA şəkillərinin nümayəndəsi nümunələri 2 (A, B), 1 (C, D) və 0 (E, F) qazandı.Göstərilən şəkil artefaktlarına titrəyən xətlər (oxlar), seqmentasiya artefaktları (ulduz işarələri) və media qeyri-şəffaflığı (oxlar) daxildir.Şəkil (E) də mərkəzdən kənardır.
Daha sonra bütün neyron şəbəkə modelləri üçün qəbuledici əməliyyat xüsusiyyətləri (ROC) əyriləri yaradılır və hər bir aşağı keyfiyyətli və yüksək keyfiyyətli istifadə halı üçün mühərrik siqnalının gücü hesabatları yaradılır.Əyri altındakı sahə (AUC) pROC R paketindən istifadə edərək hesablanmış və 95% etibarlılıq intervalları və p-dəyərləri DeLong metodu ilə hesablanmışdır18,19.İnsan qiymətləndiricilərinin məcmu balları bütün ROC hesablamaları üçün əsas kimi istifadə olunur.Maşın tərəfindən bildirilən siqnal gücü üçün AUC iki dəfə hesablanmışdır: bir dəfə yüksək keyfiyyətli Ölçeklenebilirlik Skorunun kəsilməsi üçün və bir dəfə aşağı keyfiyyətli Ölçəklənmə Xalının kəsilməsi üçün.Neyron şəbəkəsi öz təlim və qiymətləndirmə şərtlərini əks etdirən AUC siqnal gücü ilə müqayisə edilir.
Təlim edilmiş dərin öyrənmə modelini ayrıca verilənlər bazasında daha da sınaqdan keçirmək üçün Yale Universitetindən toplanmış 32 tam üz 6\(\ dəfə\) 6mm səth plitə şəklinin performansının qiymətləndirilməsinə yüksək keyfiyyətli və aşağı keyfiyyətli modellər birbaşa tətbiq edilmişdir.Göz Kütləsi şəkil 8 \(\ dəfə \) 8 mm ilə eyni vaxtda mərkəzləşdirilmişdir.6\(\×\) 6 mm təsvirlər 8\(\×\) 8 mm şəkillərlə eyni şəkildə eyni qiymətləndiricilər (RD və JW) tərəfindən əl ilə qiymətləndirilib, AUC, həmçinin dəqiqlik və Cohen kappa hesablanıb. .bərabər.
Sinif disbalans nisbəti aşağı keyfiyyətli model üçün 158:189 (\(\rho = 1.19\)) və yüksək keyfiyyətli model üçün 80:267 (\(\rho = 3.3\)) təşkil edir.Sinif balanssızlığının nisbəti 1:4-dən az olduğundan, sinif balanssızlığını düzəltmək üçün heç bir xüsusi memarlıq dəyişikliyi edilməmişdir20,21.
Təlim prosesini daha yaxşı vizuallaşdırmaq üçün bütün dörd təlim keçmiş dərin öyrənmə modeli üçün sinif aktivləşdirmə xəritələri yaradılmışdır: yüksək keyfiyyətli ResNet152 modeli, aşağı keyfiyyətli ResNet152 modeli, yüksək keyfiyyətli AlexNet modeli və aşağı keyfiyyətli AlexNet modeli.Sinif aktivləşdirmə xəritələri bu dörd modelin giriş konvolyusiya qatlarından yaradılır və istilik xəritələri 8 × 8 mm və 6 × 6 mm doğrulama dəstlərindən qaynaq şəkilləri ilə aktivləşdirmə xəritələrinin üst-üstə düşməsi ilə yaradılır22, 23.
Bütün statistik hesablamalar üçün R versiyası 4.0.3 istifadə edilmişdir və vizuallaşdırmalar ggplot2 qrafik alətlər kitabxanasından istifadə etməklə yaradılmışdır.
134 nəfərdən 8 \(\ dəfə \)8 mm ölçülü səthi kapilyar pleksusun 347 frontal görüntüsünü topladıq.Maşın bütün şəkillər üçün 0-dan 10-a qədər miqyasda siqnal gücünü bildirdi (ortalama = 6.99 ± 2.29).Əldə edilmiş 347 təsvirdən müayinə zamanı orta yaş 58,7 ± 14,6 il olub və 39,2%-i kişi xəstələrdən olub.Bütün şəkillərin 30,8%-i qafqazlılardan, 32,6%-i qaradərililərdən, 30,8%-i ispanlardan, 4%-i asiyalılardan, 1,7%-i isə digər irqlərdən olub (Cədvəl 1).).OCTA olan xəstələrin yaş bölgüsü şəklin keyfiyyətindən asılı olaraq əhəmiyyətli dərəcədə fərqlənmişdir (p <0.001).18-45 yaşlı gənc xəstələrdə yüksək keyfiyyətli şəkillərin faizi aşağı keyfiyyətli şəkillərin 12,2%-i ilə müqayisədə 33,8% təşkil etmişdir (Cədvəl 1).Diabetik retinopatiya statusunun paylanması da görüntü keyfiyyətində əhəmiyyətli dərəcədə dəyişdi (p <0.017).Bütün yüksək keyfiyyətli şəkillər arasında PDR olan xəstələrin faizi bütün aşağı keyfiyyətli şəkillərin 38,8%-i ilə müqayisədə 18,8% təşkil etmişdir (Cədvəl 1).
Bütün şəkillərin fərdi reytinqləri şəkilləri oxuyan insanlar arasında orta və güclü reytinqlərarası etibarlılıq göstərdi (Cohen'in ölçülmüş kappa = 0,79, 95% CI: 0,76-0,82) və qiymətləndiricilərin 1-dən çox fərqləndiyi heç bir görüntü nöqtəsi yox idi (Şəkil 1). 2A)..Siqnal intensivliyi əl ilə qiymətləndirmə ilə əhəmiyyətli dərəcədə korrelyasiya edildi (Pearson məhsul anı korrelyasiyası = 0.58, 95% CI 0.51-0.65, p<0.001), lakin bir çox şəkillər yüksək siqnal intensivliyi, lakin aşağı əl ilə qiymətləndirmə kimi müəyyən edildi (Şəkil .2B).
ResNet152 və AlexNet arxitekturalarının təlimi zamanı doğrulama və təlim zamanı çarpaz entropiya itkisi 50 dövrə düşür (Şəkil 3B,C).Son təlim dövründə doğrulama dəqiqliyi həm yüksək keyfiyyətli, həm də aşağı keyfiyyətli istifadə halları üçün 90%-dən çoxdur.
Qəbuledici performans əyriləri göstərir ki, ResNet152 modeli həm aşağı, həm də yüksək keyfiyyətli istifadə vəziyyətlərində maşın tərəfindən bildirilən siqnal gücünü əhəmiyyətli dərəcədə üstələyir (p <0.001).ResNet152 modeli də AlexNet arxitekturasını əhəmiyyətli dərəcədə üstələyir (aşağı keyfiyyətli və yüksək keyfiyyətli hallar üçün müvafiq olaraq p = 0,005 və p = 0,014).Bu tapşırıqların hər biri üçün ortaya çıxan modellər müvafiq olaraq 0,99 və 0,97 AUC dəyərlərinə nail ola bildi ki, bu da maşın siqnal gücü indeksi üçün müvafiq 0,82 və 0,78 və ya AlexNet üçün 0,97 və 0,94 AUC dəyərlərindən əhəmiyyətli dərəcədə yaxşıdır. ..(şək. 3).Siqnal gücündə ResNet və AUC arasındakı fərq yüksək keyfiyyətli şəkilləri tanıyarkən daha yüksəkdir, bu da bu iş üçün ResNet-dən istifadənin əlavə üstünlüklərini göstərir.
Qrafiklər hər bir müstəqil qiymətləndiricinin xal toplamaq və maşın tərəfindən bildirilən siqnal gücü ilə müqayisə etmək qabiliyyətini göstərir.(A) Qiymətləndiriləcək balların cəmindən qiymətləndiriləcək balların ümumi sayını yaratmaq üçün istifadə olunur.Ümumi miqyaslanma balı 4 olan şəkillər yüksək keyfiyyət, 1 və ya daha az ümumi miqyaslanma balı olan şəkillər isə aşağı keyfiyyət təyin edilir.(B) Siqnal intensivliyi əl təxminləri ilə əlaqələndirilir, lakin yüksək siqnal intensivliyi olan şəkillər keyfiyyətsiz ola bilər.Qırmızı nöqtəli xətt siqnal gücünə (siqnal gücü \(\ge\)6) əsaslanan istehsalçının tövsiyə etdiyi keyfiyyət həddini göstərir.
ResNet ötürmə öyrənməsi maşın tərəfindən bildirilən siqnal səviyyələri ilə müqayisədə həm aşağı keyfiyyətli, həm də yüksək keyfiyyətli istifadə halları üçün görüntü keyfiyyətinin müəyyən edilməsində əhəmiyyətli təkmilləşdirmə təmin edir.(A) Əvvəlcədən hazırlanmış (i) ResNet152 və (ii) AlexNet arxitekturalarının sadələşdirilmiş memarlıq diaqramları.(B) ResNet152 üçün məşq tarixçəsi və qəbuledici performans əyriləri maşının bildirdiyi siqnal gücü və AlexNet aşağı keyfiyyət meyarları ilə müqayisədə.(C) ResNet152 qəbuledicisinin təlim tarixi və performans əyriləri maşının bildirdiyi siqnal gücü və AlexNet yüksək keyfiyyət meyarları ilə müqayisədə.
Qərar sərhədi həddini tənzimlədikdən sonra ResNet152 modelinin maksimum proqnozlaşdırma dəqiqliyi aşağı keyfiyyətli vəziyyət üçün 95,3% və yüksək keyfiyyətli vəziyyət üçün 93,5% təşkil edir (Cədvəl 2).AlexNet modelinin maksimum proqnozlaşdırma dəqiqliyi aşağı keyfiyyətli iş üçün 91,0% və yüksək keyfiyyətli vəziyyət üçün 90,1% təşkil edir (Cədvəl 2).Siqnal gücünün proqnozlaşdırılmasının maksimum dəqiqliyi aşağı keyfiyyətli istifadə üçün 76,1%, yüksək keyfiyyətli istifadə üçün isə 77,8% təşkil edir.Cohenin kappa (\(\kappa\)) fikrinə görə, ResNet152 modeli ilə qiymətləndiricilər arasında razılaşma aşağı keyfiyyətli korpus üçün 0,90, yüksək keyfiyyətli qutu üçün isə 0,81-dir.Cohen AlexNet kappa aşağı keyfiyyətli və yüksək keyfiyyətli istifadə halları üçün müvafiq olaraq 0,82 və 0,71-dir.Cohen-in siqnal gücü kappa aşağı və yüksək keyfiyyətli istifadə halları üçün müvafiq olaraq 0,52 və 0,27-dir.
6 mm-lik düz lövhənin 6\(\x\) təsvirində yüksək və aşağı keyfiyyətli tanınma modellərinin yoxlanılması təlim keçmiş modelin müxtəlif təsvir parametrləri üzrə təsvirin keyfiyyətini müəyyən etmək qabiliyyətini nümayiş etdirir.Görüntü keyfiyyəti üçün 6\(\x\) 6 mm dayaz plitələrdən istifadə edərkən, aşağı keyfiyyətli modeldə AUC 0,83 (95% CI: 0,69-0,98) və yüksək keyfiyyətli modeldə AUC 0,85 olmuşdur.(95% CI: 0,55-1,00) (Cədvəl 2).
Giriş qatının sinif aktivləşdirmə xəritələrinin vizual təftişi göstərdi ki, bütün təlim keçmiş neyron şəbəkələri təsvirin təsnifatı zamanı təsvir xüsusiyyətlərindən istifadə edir (şək. 4A, B).8 \(\ dəfə \) 8 mm və 6 \(\ dəfə \) 6 mm şəkillər üçün ResNet aktivləşdirmə şəkilləri retinal damarları yaxından izləyir.AlexNet aktivasiya xəritələri də retinal damarları izləyir, lakin daha qaba rezolyusiyaya malikdir.
ResNet152 və AlexNet modelləri üçün sinif aktivləşdirmə xəritələri təsvirin keyfiyyəti ilə bağlı xüsusiyyətləri vurğulayır.(A) 8 \(\ dəfə \) 8 mm doğrulama şəkillərində və (B) daha kiçik 6 \(\ dəfə \) 6 mm doğrulama şəkillərində səthi retinal damarlardan sonra əlaqəli aktivasiyanı göstərən sinif aktivasiya xəritəsi.LQ modeli aşağı keyfiyyət meyarları üzrə, HQ modeli yüksək keyfiyyət meyarları üzrə təlim keçmişdir.
Əvvəllər göstərilmişdir ki, görüntü keyfiyyəti OCTA şəkillərinin hər hansı kəmiyyətinə böyük təsir göstərə bilər.Bundan əlavə, retinopatiyanın olması görüntü artefaktlarının tezliyini artırır7,26.Əslində, əvvəlki tədqiqatlara uyğun olaraq məlumatlarımızda, artan yaş və retina xəstəliyinin şiddəti ilə görüntü keyfiyyətinin pisləşməsi arasında əhəmiyyətli bir əlaqə tapdıq (p <0.001, p = 0.017, müvafiq olaraq yaş və DR statusu; Cədvəl 1) 27 Buna görə də, OCTA şəkillərinin hər hansı kəmiyyət təhlilini həyata keçirməzdən əvvəl təsvirin keyfiyyətini qiymətləndirmək vacibdir.OCTA şəkillərini təhlil edən tədqiqatların əksəriyyəti aşağı keyfiyyətli şəkilləri istisna etmək üçün maşın tərəfindən bildirilən siqnal intensivliyi hədlərindən istifadə edir.Siqnal intensivliyinin OCTA parametrlərinin kəmiyyətinə təsir göstərdiyi göstərilsə də, yalnız yüksək siqnal intensivliyi görüntü artefaktları olan şəkilləri istisna etmək üçün kifayət olmaya bilər2,3,28,29.Buna görə də təsvirin keyfiyyətinə nəzarətin daha etibarlı üsulunu hazırlamaq lazımdır.Bu məqsədlə biz nəzarət edilən dərin öyrənmə metodlarının performansını maşın tərəfindən bildirilən siqnal gücünə qarşı qiymətləndiririk.
Şəkil keyfiyyətinin qiymətləndirilməsi üçün bir neçə model işləyib hazırlamışıq, çünki fərqli OCTA istifadə hallarında fərqli görüntü keyfiyyəti tələbləri ola bilər.Məsələn, şəkillər yüksək keyfiyyətli olmalıdır.Bundan əlavə, maraqların spesifik kəmiyyət parametrləri də vacibdir.Məsələn, foveal avaskulyar zonanın sahəsi qeyri-mərkəzi mühitin bulanıqlığından asılı deyil, damarların sıxlığına təsir göstərir.Tədqiqatımız hər hansı xüsusi testin tələblərinə bağlı olmayan, lakin maşın tərəfindən bildirilən siqnal gücünü birbaşa əvəz etmək məqsədi daşıyan görüntü keyfiyyətinə ümumi yanaşmaya diqqət yetirməyə davam etsə də, biz ümid edirik ki, istifadəçilərə daha çox nəzarət imkanı verəcəyik. istifadəçini maraqlandıran xüsusi metrik seçə bilər.məqbul hesab edilən təsvir artefaktlarının maksimum dərəcəsinə uyğun olan modeli seçin.
Aşağı keyfiyyətli və yüksək keyfiyyətli səhnələr üçün müvafiq olaraq 0,97 və 0,99 AUC və aşağı keyfiyyətli modellərlə əlaqəsiz dərin konvolyusiya neyron şəbəkələrinin əla performansını göstəririk.Biz həmçinin yalnız maşınlar tərəfindən bildirilən siqnal səviyyələri ilə müqayisədə dərin öyrənmə yanaşmamızın üstün performansını nümayiş etdiririk.Keçid əlaqələri neyron şəbəkələrə şəkillərin daha incə aspektlərini (məsələn, kontrast) və həmçinin ümumi xüsusiyyətləri (məsələn, təsvirin mərkəzləşdirilməsi30,31) çəkərək, bir çox detal səviyyələrində xüsusiyyətləri öyrənməyə imkan verir.Şəklin keyfiyyətinə təsir edən təsvir artefaktları çox güman ki, ən yaxşı şəkildə geniş diapazonda müəyyən olunduğundan, çatışmayan əlaqələri olan neyron şəbəkəsi arxitekturaları görüntü keyfiyyətinin təyini tapşırıqları olmayanlardan daha yaxşı performans nümayiş etdirə bilər.
Modelimizi 6\(\×6mm) OCTA şəkillərində sınaqdan keçirərkən, təsnifat üçün öyrədilmiş modelin ölçüsündən fərqli olaraq, həm yüksək keyfiyyətli, həm də aşağı keyfiyyətli modellər üçün təsnifat performansında azalma müşahidə etdik (Şəkil 2).ResNet modeli ilə müqayisədə, AlexNet modeli daha böyük təsirə malikdir.ResNet-in nisbətən daha yaxşı işləməsi qalıq əlaqələrin çoxlu miqyasda məlumat ötürmə qabiliyyəti ilə bağlı ola bilər ki, bu da modeli müxtəlif miqyaslarda və/və ya böyütmələrdə çəkilmiş şəkilləri təsnif etmək üçün daha möhkəm edir.
8 \(\×\) 8 mm şəkillər və 6 \(\×\) 6 mm şəkillər arasında bəzi fərqlər zəif təsnifata səbəb ola bilər, o cümlədən foveal avaskulyar bölgələri ehtiva edən şəkillərin nisbətən yüksək nisbəti, görmə qabiliyyətinin dəyişməsi, damar arkadaları və 6×6 mm ölçüdə optik sinir yoxdur.Buna baxmayaraq, bizim yüksək keyfiyyətli ResNet modelimiz 6 \(\x\) 6 mm təsvirlər üçün 85% AUC əldə edə bildi, bu konfiqurasiya modelin öyrədilmədiyi bir konfiqurasiyadır ki, bu da görüntü keyfiyyəti məlumatının neyron şəbəkədə kodlaşdırıldığını göstərir. uyğundur.təlimdən kənar bir şəkil ölçüsü və ya maşın konfiqurasiyası üçün (Cədvəl 2).Güvən vericidir ki, ResNet və AlexNet kimi 8 \(\ dəfə \) 8 mm və 6 \ (\ dəfə \) 6 mm şəkillərdən ibarət aktivasiya xəritələri hər iki halda retinal damarları vurğulaya bildi və bu, modelin vacib məlumatlara sahib olduğunu göstərir.OCTA təsvirlərinin hər iki növünü təsnif etmək üçün tətbiq olunur (Şəkil 4).
Lauerman və başqaları.OCTA şəkillərində təsvirin keyfiyyətinin qiymətləndirilməsi analoji olaraq dərin öyrənmə üsullarından istifadə edərək digər keçid-bağlanmalı konvolyusiya neyron şəbəkəsi6,32 olan Inception arxitekturasından istifadə etməklə həyata keçirilmişdir.Onlar həmçinin tədqiqatı səthi kapilyar pleksusun şəkilləri ilə məhdudlaşdırdılar, lakin müxtəlif xorioretinal xəstəlikləri olan xəstələr də daxil olmasına baxmayaraq, yalnız Optovue AngioVue-dan daha kiçik 3 × 3 mm şəkillərdən istifadə etdilər.Bizim işimiz müxtəlif görüntü keyfiyyəti hədlərinə müraciət etmək və müxtəlif ölçülü şəkillər üçün nəticələri təsdiqləmək üçün çoxsaylı modellər daxil olmaqla, onların əsasları üzərində qurulur.Biz həmçinin maşın öyrənmə modellərinin AUC metrikası haqqında məlumat veririk və onların həm aşağı keyfiyyətli (96%), həm də yüksək keyfiyyətli (95,7%) modelləri üçün onsuz da təsir edici dəqiqliyini (90%)6 artırırıq6.
Bu təlimin bir sıra məhdudiyyətləri var.Birincisi, şəkillər yalnız 8\(\ dəfə\)8 mm və 6\(\ dəfə\)6 mm-lik səthi kapilyar pleksusun şəkilləri daxil olmaqla yalnız bir OCTA maşını ilə əldə edilmişdir.Şəkillərin daha dərin təbəqələrdən xaric edilməsinin səbəbi odur ki, proyeksiya artefaktları şəkillərin əl ilə qiymətləndirilməsini daha çətin və bəlkə də daha az ardıcıl edə bilər.Bundan əlavə, şəkillər yalnız diabetik xəstələrdə əldə edilmişdir, onlar üçün OCTA mühüm diaqnostik və proqnostik alət kimi ortaya çıxır33,34.Nəticələrin möhkəm olmasını təmin etmək üçün modelimizi müxtəlif ölçülü şəkillər üzərində sınaqdan keçirə bilsək də, fərqli mərkəzlərdən uyğun məlumat dəstlərini müəyyən edə bilmədik, bu da modelin ümumiləşdirilməsi ilə bağlı qiymətləndirməmizi məhdudlaşdırdı.Görüntülər yalnız bir mərkəzdən alınsa da, müxtəlif etnik və irqi mənşəli xəstələrdən əldə edilmişdir ki, bu da tədqiqatımızın unikal gücüdür.Təlim prosesimizə müxtəlifliyi daxil etməklə, ümid edirik ki, nəticələrimiz daha geniş mənada ümumiləşdiriləcək və təlim keçirdiyimiz modellərdə irqi qərəzliyi kodlaşdırmaqdan qaçacağıq.
Tədqiqatımız göstərir ki, keçid atlayan neyron şəbəkələri OCTA görüntü keyfiyyətinin müəyyən edilməsində yüksək performansa nail olmaq üçün öyrədilə bilər.Biz bu modelləri əlavə tədqiqat üçün alətlər kimi təqdim edirik.Fərqli ölçülərin fərqli görüntü keyfiyyəti tələbləri ola biləcəyi üçün burada qurulmuş strukturdan istifadə edərək hər bir metrik üçün fərdi keyfiyyətə nəzarət modeli hazırlana bilər.
Gələcək tədqiqatlar OCTA platformaları və görüntüləmə protokolları üçün ümumiləşdirilə bilən dərin öyrənmə təsvir keyfiyyətinin qiymətləndirilməsi prosesini əldə etmək üçün müxtəlif dərinliklərdən və müxtəlif OCTA maşınlarından müxtəlif ölçülü şəkilləri əhatə etməlidir.Cari tədqiqat həm də böyük məlumat dəstləri üçün əmək tələb edən və vaxt aparan insan qiymətləndirməsi və təsvirin qiymətləndirilməsini tələb edən nəzarət edilən dərin öyrənmə yanaşmalarına əsaslanır.Nəzarətsiz dərin öyrənmə metodlarının aşağı keyfiyyətli şəkillərlə yüksək keyfiyyətli şəkilləri adekvat şəkildə ayırd edə biləcəyini görmək qalır.
OCTA texnologiyası inkişaf etməyə davam etdikcə və skan sürəti artdıqca, təsvir artefaktlarının və keyfiyyətsiz şəkillərin halları azala bilər.Bu yaxınlarda təqdim edilmiş proyeksiya artefaktını silmə funksiyası kimi proqram təminatındakı təkmilləşdirmələr də bu məhdudiyyətləri yüngülləşdirə bilər.Bununla belə, zəif fiksasiyası və ya əhəmiyyətli media bulanıqlığı olan xəstələrin təsviri həmişə görüntü artefaktları ilə nəticələndiyi üçün bir çox problem qalır.OCTA klinik sınaqlarda daha geniş istifadə olunduqca, təsvirin təhlili üçün məqbul təsvir artefakt səviyyələri üçün aydın təlimatlar yaratmaq üçün diqqətlə nəzərdən keçirmək lazımdır.OCTA şəkillərinə dərin öyrənmə metodlarının tətbiqi böyük ümidlər verir və təsvirin keyfiyyətinə nəzarət üçün möhkəm yanaşmanın inkişaf etdirilməsi üçün bu sahədə əlavə tədqiqatlara ehtiyac var.
Cari tədqiqatda istifadə olunan kod octa-qc deposunda mövcuddur, https://github.com/rahuldhodapkar/octa-qc.Cari tədqiqat zamanı yaradılan və/və ya təhlil edilən məlumat dəstləri əsaslı sorğu əsasında müvafiq müəlliflərdən əldə edilə bilər.
Spaide, RF, Fujimoto, JG & Waheed, NK Optik koherens angioqrafiyasında təsvir artefaktları.Retina 35, 2163–2180 (2015).
Fenner, BJ et al.OCT angioqrafiyasında retinal kapilyar pleksus sıxlığı ölçmələrinin keyfiyyətini və təkrarlanmasını müəyyən edən görüntüləmə xüsusiyyətlərinin müəyyən edilməsi.BR.J. Oftalmol.102, 509–514 (2018).
Lauerman, JL və başqaları.Yaşla bağlı makula degenerasiyasında OCT angioqrafiyasının görüntü keyfiyyətinə göz izləmə texnologiyasının təsiri.Qəbir tağı.kliniki.Exp.oftalmologiya.255, 1535–1542 (2017).
Babyuch AS et al.OCTA kapilyar perfuziya sıxlığı ölçmələri makula işemiyasını aşkar etmək və qiymətləndirmək üçün istifadə olunur.oftalmik cərrahiyyə.Retinal Lazer Görüntü 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. və Sun, J. Təsvirin tanınması üçün dərin qalıq öyrənmə.2016-cı ildə IEEE Kompüter Görmə və Pattern Tanınma Konfransında (2016).
Lauerman, JL və başqaları.Dərin öyrənmə alqoritmlərindən istifadə edərək avtomatlaşdırılmış OCT angioqrafik görüntü keyfiyyətinin qiymətləndirilməsi.Qəbir tağı.kliniki.Exp.oftalmologiya.257, 1641–1648 (2019).
Lauermann, J. et al.OKT angioqrafiyasında seqmentasiya xətalarının və hərəkət artefaktlarının yayılması retinanın xəstəliyindən asılıdır.Qəbir tağı.kliniki.Exp.oftalmologiya.256, 1807–1816 (2018).
Pask, Adam və başqaları.Pytorch: İmperativ, Yüksək Performanslı Dərin Öyrənmə Kitabxanası.Sinir məlumatlarının qabaqcıl emalı.sistemi.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Böyük Ölçülü İerarxik Şəkil Verilənlər Bazası.2009 IEEE Kompüter Görmə və Pattern Tanınması Konfransı.248–255.(2009).
Krizhevsky A., Sutzkever I. və Hinton GE Imagenet təsnifatı dərin konvolyusiya neyron şəbəkələrindən istifadə etməklə.Sinir məlumatlarının qabaqcıl emalı.sistemi.25, 1 (2012).