Matur nuwun kanggo ngunjungi Nature.com.Sampeyan nggunakake versi browser kanthi dhukungan CSS winates.Kanggo pengalaman paling apik, disaranake sampeyan nggunakake browser sing dianyari (utawa mateni Mode Kompatibilitas ing Internet Explorer).Kajaba iku, kanggo mesthekake dhukungan terus, kita nuduhake situs tanpa gaya lan JavaScript.
Slider nuduhake telung artikel saben slide.Gunakake tombol mburi lan sabanjuré kanggo mindhah liwat minger, utawa tombol controller geser ing mburi kanggo mindhah liwat saben geser.
Optical coherence tomographic angiography (OCTA) minangka cara anyar kanggo visualisasi non-invasif saka pembuluh retina.Senajan OCTA nduweni akeh aplikasi klinis sing njanjeni, nemtokake kualitas gambar tetep dadi tantangan.Kita ngembangake sistem basis sinau jero nggunakake klasifikasi jaringan saraf ResNet152 sing wis dilatih karo ImageNet kanggo nglasifikasi gambar plexus kapiler entheng saka 347 scan saka 134 pasien.Gambar kasebut uga ditaksir kanthi manual minangka bebener sing bener dening rong penilai independen kanggo model pembelajaran sing diawasi.Amarga syarat kualitas gambar bisa beda-beda gumantung saka setelan klinis utawa riset, rong model dilatih, siji kanggo pangenalan gambar kualitas dhuwur lan liyane kanggo pangenalan gambar kualitas rendah.Model jaringan saraf kita nuduhake area sing apik banget ing sangisore kurva (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), sing luwih apik tinimbang tingkat sinyal sing dilapurake dening mesin (AUC = 0.82, 95). % CI).0,77-0,86, \ (\ kappa \) = 0,52 lan AUC = 0,78, 95% CI 0,73-0,83, \ (\ kappa \) = 0,27, mungguh).Panaliten kita nuduhake manawa metode pembelajaran mesin bisa digunakake kanggo ngembangake metode kontrol kualitas sing fleksibel lan kuat kanggo gambar OCTA.
Angiografi tomografi koherensi optik (OCTA) minangka teknik sing relatif anyar adhedhasar tomografi koherensi optik (OCT) sing bisa digunakake kanggo visualisasi non-invasif mikrovaskular retina.OCTA ngukur prabédan ing pola refleksi saka pulsa cahya sing bola-bali ing area retina sing padha, lan rekonstruksi banjur bisa diitung kanggo mbukak pembuluh getih tanpa nggunakake pewarna utawa agen kontras liyane.OCTA uga mbisakake pencitraan pembuluh darah kanthi resolusi ambane, ngidini para dokter bisa mriksa kanthi kapisah lapisan prau sing dangkal lan jero, mbantu mbedakake antarane penyakit chorioretinal.
Nalika teknik iki njanjeni, variasi kualitas gambar tetep dadi tantangan utama kanggo analisis gambar sing dipercaya, nggawe interpretasi gambar angel lan nyegah adopsi klinis sing nyebar.Amarga OCTA nggunakake macem-macem scan OCT consecutive, iku luwih sensitif kanggo artefak gambar saka OCT standar.Umume platform OCTA komersial nyedhiyakake metrik kualitas gambar dhewe sing diarani Signal Strength (SS) utawa kadhangkala Signal Strength Index (SSI).Nanging, gambar kanthi nilai SS utawa SSI sing dhuwur ora njamin ora ana artefak gambar, sing bisa nyebabake analisis gambar sabanjure lan nyebabake keputusan klinis sing salah.Artefak gambar umum sing bisa kedadeyan ing pencitraan OCTA kalebu artefak gerak, artefak segmentasi, artefak opacity media, lan artefak proyeksi1,2,3.
Amarga langkah-langkah sing asale saka OCTA kayata kepadatan vaskular tambah akeh digunakake ing riset translasi, uji klinis lan praktik klinis, ana kabutuhan mendesak kanggo ngembangake proses kontrol kualitas gambar sing kuat lan dipercaya kanggo ngilangi artefak gambar4.Sambungan skip, uga dikenal minangka sambungan residual, minangka proyeksi ing arsitektur jaringan saraf sing ngidini informasi ngliwati lapisan convolutional nalika nyimpen informasi ing skala utawa resolusi sing beda5.Amarga artefak gambar bisa mengaruhi kinerja gambar skala cilik lan umum, jaringan saraf sambungan skip cocok kanggo ngotomatisasi tugas kontrol kualitas iki5.Karya sing bubar diterbitake nuduhake sawetara janji kanggo jaringan saraf konvolusional sing dilatih nggunakake data kualitas dhuwur saka estimator manungsa6.
Ing panliten iki, kita nglatih jaringan syaraf konvolusional sambungan-skipping kanggo nemtokake kualitas gambar OCTA kanthi otomatis.Kita mbangun karya sadurunge kanthi ngembangake model sing kapisah kanggo ngenali gambar kualitas dhuwur lan gambar kualitas rendah, amarga syarat kualitas gambar bisa beda-beda kanggo skenario klinis utawa riset tartamtu.Kita mbandhingake asil jaringan kasebut karo jaringan saraf convolutional tanpa sambungan sing ilang kanggo ngevaluasi nilai kalebu fitur ing pirang-pirang tingkat granularitas sajrone sinau jero.Kita banjur mbandhingake asil kita karo kekuatan sinyal, ukuran kualitas gambar sing umum ditampa dening manufaktur.
Panaliten kita kalebu pasien diabetes sing mlebu Yale Eye Center antara 11 Agustus 2017 lan 11 April 2019. Pasien sing nandhang penyakit chorioretinal non-diabetes ora kalebu.Ora ana kritéria inklusi utawa pengecualian adhedhasar umur, jender, ras, kualitas gambar, utawa faktor liyane.
Gambar OCTA dipikolehi nggunakake platform AngioPlex ing Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) ing 8 \ (\ kaping \) 8 mm lan 6 \ (\ kaping \) 6 protokol imaging mm.Informed consent kanggo partisipasi ing sinau iki dijupuk saka saben peserta sinau, lan Yale University Institutional Review Board (IRB) nyetujoni nggunakake informed idin karo photography global kanggo kabeh patients iki.Miturut prinsip Pranyatan Helsinki.Panaliten kasebut disetujoni dening Universitas Yale IRB.
Gambar piring lumahing dievaluasi adhedhasar Motion Artefact Score (MAS) sing wis diterangake sadurunge, Segmentation Artefact Score (SAS), pusat foveal, anane opacity media, lan visualisasi apik saka kapiler cilik sing ditemtokake dening evaluator gambar.Gambar kasebut dianalisis dening rong evaluator independen (RD lan JW).Gambar nduweni skor biji 2 (layak) yen kabeh kritéria ing ngisor iki kapenuhi: gambar dipusatake ing fovea (kurang saka 100 piksel saka tengah gambar), MAS yaiku 1 utawa 2, SAS yaiku 1, lan opacity media kurang saka 1. Saiki ing gambar ukuran / 16, lan kapiler cilik katon ing gambar luwih gedhe tinimbang 15/16.Gambar dirating 0 (ora ana rating) yen ana kritéria ing ngisor iki: gambar ora ana ing tengah, yen MAS 4, yen SAS 2, utawa opacity rata-rata luwih saka 1/4 saka gambar, lan kapiler cilik ora bisa diatur luwih saka 1 gambar / 4 kanggo mbedakake.Kabeh gambar liyane sing ora cocog karo kritéria skor 0 utawa 2 diwenehi skor 1 (clipping).
Ing anjir.1 nuduhake gambar sampel kanggo saben taksiran skala lan artefak gambar.Reliabilitas antar-penilai skor individu ditaksir kanthi bobot kappa Cohen8.Skor individu saben rater dijumlah kanggo entuk skor sakabèhé kanggo saben gambar, wiwit saka 0 nganti 4. Gambar kanthi skor total 4 dianggep apik.Gambar kanthi skor total 0 utawa 1 dianggep kurang kualitas.
Jaringan saraf konvolusional arsitektur ResNet152 (Gambar 3A.i) sing wis dilatih ing gambar saka database ImageNet digawe nggunakake fast.ai lan kerangka PyTorch5, 9, 10, 11. Jaringan saraf konvolusional minangka jaringan sing nggunakake sinau saringan kanggo mindhai fragmen gambar kanggo sinau fitur spasial lan lokal.ResNet sing dilatih yaiku jaringan saraf 152 lapisan sing ditondoi kanthi kesenjangan utawa "sambungan sisa" sing bebarengan ngirim informasi kanthi pirang-pirang resolusi.Kanthi nggambarake informasi kanthi resolusi sing beda-beda liwat jaringan, platform kasebut bisa sinau fitur gambar sing berkualitas rendah ing pirang-pirang tingkat detail.Saliyane model ResNet, kita uga nglatih AlexNet, arsitektur jaringan saraf sing wis ditliti kanthi apik, tanpa sambungan sing ilang kanggo mbandhingake (Gambar 3A.ii)12.Tanpa sambungan sing ilang, jaringan iki ora bakal bisa njupuk fitur ing granularity sing luwih dhuwur.
Set gambar 8\(\times\)8mm OCTA13 asli wis ditingkatake nggunakake teknik refleksi horisontal lan vertikal.Dataset lengkap banjur dipérang kanthi acak ing tingkat gambar dadi latihan (51,2%), testing (12,8%), hyperparameter tuning (16%), lan validasi (20%) dataset nggunakake scikit-Learn toolbox python14.Loro kasus dianggep, siji adhedhasar ndeteksi mung gambar kualitas paling dhuwur (sakabèhé skor 4) lan liyane adhedhasar ndeteksi mung kualitas gambar paling (sakabèhé skor 0 utawa 1).Kanggo saben kasus panggunaan sing bermutu lan berkualitas rendah, jaringan saraf dilatih maneh ing data gambar kita.Ing saben kasus panggunaan, jaringan syaraf dilatih kanggo 10 jaman, kabeh nanging bobot lapisan sing paling dhuwur dibekukan, lan bobot kabeh parameter internal dipelajari kanggo 40 jaman nggunakake metode tingkat sinau diskriminatif kanthi fungsi mundhut salib-entropi 15, 16..Fungsi mundhut entropi silang minangka ukuran ukuran logaritma saka bedo antarane label jaringan sing diprediksi lan data nyata.Sajrone latihan, keturunan gradien ditindakake ing paramèter internal jaringan saraf kanggo nyuda kerugian.Tingkat sinau, tingkat putus sekolah, lan hiperparameter pengurangan bobot disetel nggunakake optimasi Bayesian kanthi 2 titik wiwitan acak lan 10 iterasi, lan AUC ing dataset disetel nggunakake hyperparameter minangka target 17.
Conto perwakilan saka gambar OCTA 8 × 8 mm saka pleksus kapiler superfisial skor 2 (A, B), 1 (C, D), lan 0 (E, F).Artefak gambar sing ditampilake kalebu garis kerlip (panah), artefak segmentasi (tanda bintang), lan opacity media (panah).Gambar (E) uga ora ana ing tengah.
Kurva karakteristik operasi panrima (ROC) banjur digawe kanggo kabeh model jaringan syaraf, lan laporan kekuatan sinyal engine digawe kanggo saben kasus panggunaan kualitas rendah lan kualitas dhuwur.Area ing kurva (AUC) diwilang nggunakake paket pROC R, lan interval kapercayan 95% lan nilai-p diwilang nggunakake metode DeLong18,19.Skor kumulatif saka penilai manungsa digunakake minangka garis dasar kanggo kabeh petungan ROC.Kanggo kekuatan sinyal sing dilapurake dening mesin, AUC diwilang kaping pindho: sapisan kanggo cutoff Scalability Score kualitas dhuwur lan sapisan kanggo cutoff Scalability Score kualitas rendah.Jaringan saraf dibandhingake karo kekuatan sinyal AUC sing nggambarake kahanan latihan lan evaluasi dhewe.
Kanggo luwih nguji model pembelajaran jero sing dilatih ing set data sing kapisah, model kualitas dhuwur lan kualitas kurang langsung ditrapake kanggo evaluasi kinerja 32 gambar slab permukaan 6 \ (\ kaping \) 6mm sing diklumpukake saka Universitas Yale.Massa mripat dipusatake bebarengan karo gambar 8 \(\ kaping \) 8 mm.Gambar 6\(\×\) 6 mm ditaksir kanthi manual dening penilai sing padha (RD lan JW) kanthi cara sing padha karo gambar 8\(\×\) 8 mm, AUC diitung uga akurasi lan kappa Cohen. .padha-padha.
Rasio ketidakseimbangan kelas yaiku 158:189 (\(\ rho = 1,19 \)) kanggo model kualitas rendah lan 80:267 (\(\ rho = 3,3 \)) kanggo model kualitas dhuwur.Amarga rasio ketidakseimbangan kelas kurang saka 1: 4, ora ana owah-owahan arsitektur tartamtu kanggo mbenerake ketidakseimbangan kelas20,21.
Kanggo luwih nggambarake proses sinau, peta aktivasi kelas digawe kanggo kabeh papat model pembelajaran jero sing dilatih: model ResNet152 kualitas dhuwur, model ResNet152 kualitas rendah, model AlexNet kualitas dhuwur, lan model AlexNet kualitas rendah.Peta aktivasi kelas digawe saka lapisan convolutional input saka papat model kasebut, lan peta panas digawe kanthi overlay peta aktivasi kanthi gambar sumber saka set validasi 8 × 8 mm lan 6 × 6 mm22, 23.
R versi 4.0.3 digunakake kanggo kabeh petungan statistik, lan visualizations digawe nggunakake perpustakaan alat grafis ggplot2.
Kita nglumpukake 347 gambar ngarep saka plexus kapiler superfisial ukuran 8 \(\ kaping \) 8 mm saka 134 wong.Mesin nglaporake kekuatan sinyal ing skala 0 nganti 10 kanggo kabeh gambar (tegese = 6,99 ± 2,29).Saka 347 gambar sing dipikolehi, umur rata-rata ing pemeriksaan yaiku 58,7 ± 14,6 taun, lan 39,2% saka pasien lanang.Saka kabeh gambar, 30,8% saka Kaukasia, 32,6% saka Blacks, 30,8% saka Hispanik, 4% saka Asia, lan 1,7% saka balapan liyane (Tabel 1).).Distribusi umur pasien OCTA beda-beda gumantung saka kualitas gambar (p <0.001).Persentase gambar berkualitas tinggi ing pasien sing luwih enom umur 18-45 taun yaiku 33,8% dibandhingake karo 12,2% gambar kualitas rendah (Tabel 1).Distribusi status retinopati diabetik uga beda-beda sacara signifikan ing kualitas gambar (p <0,017).Antarane kabeh gambar kualitas dhuwur, persentase pasien karo PDR yaiku 18,8% dibandhingake karo 38,8% kabeh gambar sing kurang kualitas (Tabel 1).
Rating individu saka kabeh gambar nuduhake keandalan inter-rating sing moderat nganti kuat ing antarane wong sing maca gambar kasebut (Kappa bobot Cohen = 0.79, 95% CI: 0.76-0.82), lan ora ana titik gambar ing ngendi penilai beda-beda luwih saka 1 (Gbr. 2A)..Intensitas sinyal sesambungan kanthi signifikan karo pemarkahan manual (korelasi momen produk Pearson = 0.58, 95% CI 0.51-0.65, p <0.001), nanging akeh gambar sing diidentifikasi nduweni intensitas sinyal sing dhuwur nanging skor manual sing kurang (Fig. 2B).
Sajrone latihan arsitektur ResNet152 lan AlexNet, mundhut salib-entropi ing validasi lan latihan tumiba liwat 50 epochs (Gambar 3B, C).Akurasi validasi ing jaman latihan pungkasan luwih saka 90% kanggo kasus panggunaan kualitas lan kualitas rendah.
Kurva kinerja panrima nuduhake yen model ResNet152 sacara signifikan ngluwihi daya sinyal sing dilapurake dening mesin ing kasus panggunaan sing kurang lan dhuwur (p <0.001).Model ResNet152 uga sacara signifikan ngluwihi arsitektur AlexNet (p = 0,005 lan p = 0,014 kanggo kasus kualitas rendah lan kualitas dhuwur).Model sing diasilake kanggo saben tugas kasebut bisa nggayuh nilai AUC 0,99 lan 0,97, sing luwih apik tinimbang nilai AUC sing cocog 0,82 lan 0,78 kanggo indeks kekuatan sinyal mesin utawa 0,97 lan 0,94 kanggo AlexNet. ..(Gambar 3).Bentenipun antarane ResNet lan AUC ing kekuatan sinyal luwih nalika ngenali gambar kualitas dhuwur, nuduhake keuntungan tambahan nggunakake ResNet kanggo tugas iki.
Grafik kasebut nuduhake kemampuan saben penilai independen kanggo ngetung lan mbandhingake karo kekuatan sinyal sing dilapurake dening mesin.(A) Jumlah poin sing bakal ditaksir digunakake kanggo nggawe jumlah total poin sing bakal ditaksir.Gambar kanthi skor skalabilitas sakabèhé 4 diwenehi kualitas dhuwur, dene gambar kanthi skor skalabilitas sakabèhé 1 utawa kurang diwenehi kualitas kurang.(B) Intensitas sinyal ana hubungane karo taksiran manual, nanging gambar kanthi intensitas sinyal sing dhuwur bisa uga kualitase kurang.Garis burik abang nuduhake batesan kualitas dianjurake pabrik adhedhasar kekuatan sinyal (kekuwatan sinyal \(\ge\)6).
Learning transfer ResNet nyedhiyakake paningkatan sing signifikan ing identifikasi kualitas gambar kanggo kasus panggunaan kualitas rendah lan kualitas dhuwur dibandhingake karo tingkat sinyal sing dilaporake mesin.(A) Diagram arsitektur sing wis dilatih (i) ResNet152 lan (ii) arsitektur AlexNet.(B) Riwayat latihan lan kurva kinerja panrima kanggo ResNet152 dibandhingake karo kekuatan sinyal sing dilaporake mesin lan kriteria kualitas rendah AlexNet.(C) Riwayat latihan panrima ResNet152 lan kurva kinerja dibandhingake karo kekuatan sinyal sing dilaporake mesin lan kriteria kualitas AlexNet.
Sawise nyetel ambang wates kaputusan, akurasi prediksi maksimum model ResNet152 yaiku 95,3% kanggo kasus kualitas rendah lan 93,5% kanggo kasus kualitas dhuwur (Tabel 2).Akurasi prediksi maksimum model AlexNet yaiku 91,0% kanggo kasus kualitas rendah lan 90,1% kanggo kasus kualitas dhuwur (Tabel 2).Akurasi prediksi kekuatan sinyal maksimal yaiku 76,1% kanggo kasus panggunaan kualitas rendah lan 77,8% kanggo kasus panggunaan kualitas dhuwur.Miturut kappa Cohen (\(\kappa\)), persetujuan antarane model ResNet152 lan estimator yaiku 0,90 kanggo kasus kualitas rendah lan 0,81 kanggo kasus kualitas dhuwur.AlexNet kappa Cohen yaiku 0,82 lan 0,71 kanggo kasus panggunaan kualitas rendah lan kualitas dhuwur.Kappa kekuatan sinyal Cohen yaiku 0,52 lan 0,27 kanggo kasus panggunaan kualitas rendah lan dhuwur.
Validasi model pangenalan kualitas dhuwur lan kurang ing 6 \ (\ x \) gambar saka piring warata 6 mm nuduhake kemampuan model sing dilatih kanggo nemtokake kualitas gambar ing macem-macem paramèter imaging.Nalika nggunakake slab cethek 6\(\x\) 6 mm kanggo kualitas gambar, model kualitas rendah duwe AUC 0,83 (95% CI: 0,69-0,98) lan model kualitas dhuwur duwe AUC 0,85.(95% CI: 0,55–1,00) (Tabel 2).
Pemriksaan visual saka peta aktivasi kelas lapisan input nuduhake yen kabeh jaringan saraf sing dilatih nggunakake fitur gambar sajrone klasifikasi gambar (Fig. 4A, B).Kanggo 8 \(\times \) 8 mm lan 6 \(\times \) 6 mm gambar, gambar aktivasi ResNet rapet ngetutake pembuluh darah retina.Peta aktivasi AlexNet uga ngetutake pembuluh retina, nanging kanthi resolusi sing luwih kasar.
Peta aktivasi kelas kanggo model ResNet152 lan AlexNet nyorot fitur sing ana gandhengane karo kualitas gambar.(A) Peta aktivasi kelas nuduhake aktivasi koheren sawise vasculature retina entheng ing 8 \ (\ kaping \) 8 mm gambar validasi lan (B) ombone ing cilik 6 \ (\ kaping \) 6 mm gambar validasi.Model LQ dilatih ing kritéria kualitas kurang, model HQ dilatih ing kritéria kualitas dhuwur.
Sadurungé wis ditampilake manawa kualitas gambar bisa mengaruhi ukuran gambar OCTA.Kajaba iku, anané retinopati nambah insiden artefak gambar7,26.Nyatane, ing data kita, konsisten karo studi sadurunge, kita nemokake asosiasi sing signifikan antarane umur lan keruwetan penyakit retina lan rusak ing kualitas gambar (p <0.001, p = 0.017 kanggo umur lan status DR, mungguh; Tabel 1) 27 Mulane, penting kanggo netepake kualitas gambar sadurunge nindakake analisis kuantitatif gambar OCTA.Umume studi sing nganalisa gambar OCTA nggunakake ambang intensitas sinyal sing dilaporake mesin kanggo ngilangi gambar sing kurang kualitas.Senadyan intensitas sinyal wis ditampilake mengaruhi kuantifikasi paramèter OCTA, intensitas sinyal sing dhuwur mung ora cukup kanggo ngilangi gambar kanthi artefak gambar2,3,28,29.Mulane, perlu kanggo ngembangake metode kontrol kualitas gambar sing luwih dipercaya.Kanggo tujuan iki, kita ngevaluasi kinerja metode sinau jero sing diawasi nglawan kekuatan sinyal sing dilaporake dening mesin.
Kita wis ngembangake sawetara model kanggo ngevaluasi kualitas gambar amarga kasus panggunaan OCTA sing beda bisa uga duwe syarat kualitas gambar sing beda.Contone, gambar kudu kualitas sing luwih dhuwur.Kajaba iku, paramèter kuantitatif tartamtu saka kapentingan uga penting.Contone, area zona avaskular foveal ora gumantung saka kekeruhan medium non-tengah, nanging mengaruhi Kapadhetan kapal.Nalika riset kita terus fokus ing pendekatan umum kanggo kualitas gambar, ora disambungake kanggo syarat sembarang test tartamtu, nanging dimaksudaké kanggo langsung ngganti kekuatan sinyal kacarita dening mesin, kita ngarep-arep kanggo menehi pangguna tingkat kontrol sing luwih gedhe supaya padha. bisa milih metrik tartamtu saka kapentingan kanggo pangguna.milih model sing cocog karo derajat maksimum artefak gambar dianggep ditrima.
Kanggo pemandangan kualitas rendah lan kualitas dhuwur, kita nuduhake kinerja apik saka jaringan saraf convolutional jero sing ilang sambungan, kanthi model AUC 0.97 lan 0.99 lan model sing kurang kualitas.Kita uga nuduhake kinerja sing unggul saka pendekatan sinau jero yen dibandhingake karo tingkat sinyal sing dilaporake mung dening mesin.Sambungan skip ngidini jaringan saraf sinau fitur ing macem-macem tingkat rinci, njupuk aspek gambar sing luwih apik (contone kontras) uga fitur umum (contone, centering gambar30,31).Amarga artefak gambar sing mengaruhi kualitas gambar bisa uga diidentifikasi paling apik ing macem-macem, arsitektur jaringan saraf kanthi sambungan sing ilang bisa uga nuduhake kinerja sing luwih apik tinimbang sing tanpa tugas nemtokake kualitas gambar.
Nalika nyoba model kita ing 6 \ (\ × 6mm) gambar OCTA, kita ngeweruhi nyuda ing kinerja klasifikasi kanggo loro kualitas dhuwur lan model kualitas kurang (Fig. 2), ing kontras kanggo ukuran model dilatih kanggo klasifikasi.Dibandhingake karo model ResNet, model AlexNet nduweni falloff sing luwih gedhe.Kinerja sing luwih apik saka ResNet bisa uga amarga kemampuan sambungan residual kanggo ngirim informasi ing pirang-pirang skala, sing ndadekake model luwih kuat kanggo nggolongake gambar sing dijupuk ing skala lan / utawa pembesaran sing beda.
Sawetara prabédan antarane 8 \(\×\) gambar 8 mm lan 6 \(\×\) gambar 6 mm bisa nyebabake klasifikasi sing ora apik, kalebu proporsi gambar sing relatif dhuwur sing ngemot area avaskular foveal, owah-owahan visibilitas, arcade vaskular, lan ora syaraf optik ing gambar 6 × 6 mm.Senadyan mangkono, model ResNet sing berkualitas tinggi bisa entuk AUC 85% kanggo gambar 6 \(\x\) 6 mm, konfigurasi sing model kasebut ora dilatih, nuduhake manawa informasi kualitas gambar sing dikode ing jaringan saraf. cocok.kanggo siji ukuran gambar utawa konfigurasi mesin njaba latihan (Tabel 2).Reassuringly, ResNet- lan peta aktifitas AlexNet-kaya 8 \ (\ kaping \) 8 mm lan 6 \ (\ kaping \) 6 mm gambar bisa nyorot prau retina ing loro kasus, suggest sing model wis informasi penting.ditrapake kanggo klasifikasi loro jinis gambar OCTA (Fig. 4).
Lauerman et al.Penilaian kualitas gambar ing gambar OCTA uga ditindakake kanthi nggunakake arsitektur Inception, jaringan saraf convolutional skip-connection liyane6,32 nggunakake teknik sinau jero.Dheweke uga mbatesi sinau babagan gambar plexus kapiler sing entheng, nanging mung nggunakake gambar 3 × 3 mm sing luwih cilik saka Optovue AngioVue, sanajan pasien karo macem-macem penyakit chorioretinal uga kalebu.Pakaryan kita dibangun ing dhasare, kalebu macem-macem model kanggo ngatasi macem-macem ambang kualitas gambar lan validasi asil kanggo gambar kanthi ukuran sing beda-beda.Kita uga nglaporake metrik AUC saka model pembelajaran mesin lan nambah akurasi sing wis nyengsemake (90%)6 kanggo model kualitas rendah (96%) lan kualitas dhuwur (95.7%)6.
Latihan iki duwe sawetara watesan.Kaping pisanan, gambar kasebut dipikolehi kanthi mung siji mesin OCTA, kalebu mung gambar plexus kapiler superfisial ing 8 \ (\ kaping \) 8 mm lan 6 \ (\ kaping \) 6 mm.Alesan kanggo ora kalebu gambar saka lapisan sing luwih jero yaiku artefak proyeksi bisa nggawe evaluasi manual gambar luwih angel lan bisa uga kurang konsisten.Salajengipun, gambar mung dipikolehi ing pasien diabetes, sing OCTA muncul minangka alat diagnostik lan prognostik sing penting33,34.Sanajan kita bisa nguji model kita ing gambar kanthi ukuran sing beda-beda kanggo mesthekake yen asile kuat, kita ora bisa ngenali set data sing cocok saka pusat sing beda-beda, sing mbatesi penilaian babagan generalisasi model kasebut.Senajan gambar dijupuk saka mung siji pusat, padha dijupuk saka patients saka latar mburi etnis lan ras beda, kang kekuatan unik saka sinau kita.Kanthi nyakup keragaman ing proses latihan kita, kita ngarep-arep asil kita bakal umum ing pangertèn sing luwih jembar, lan kita bakal ngindhari bias rasial ing model sing kita latihan.
Panaliten kita nuduhake yen jaringan saraf sing bisa diluncurake sambungan bisa dilatih kanggo entuk kinerja sing dhuwur kanggo nemtokake kualitas gambar OCTA.Kita nyedhiyakake model kasebut minangka alat kanggo riset luwih lanjut.Amarga metrik sing beda bisa uga nduweni syarat kualitas gambar sing beda, model kontrol kualitas individu bisa dikembangake kanggo saben metrik nggunakake struktur sing ditetepake ing kene.
Panaliten ing mangsa ngarep kudu nyakup gambar kanthi ukuran sing beda-beda saka ambane sing beda-beda lan mesin OCTA sing beda kanggo entuk proses evaluasi kualitas gambar sing jero sing bisa digeneralisasi menyang platform OCTA lan protokol pencitraan.Riset saiki uga adhedhasar pendekatan sinau jero sing diawasi sing mbutuhake evaluasi manungsa lan evaluasi gambar, sing bisa dadi intensif tenaga kerja lan akeh wektu kanggo dataset gedhe.Iku tetep kanggo ndeleng apa cara sinau jero unsupervised cukup bisa mbedakake antarane gambar kurang kualitas lan gambar kualitas dhuwur.
Nalika teknologi OCTA terus berkembang lan kacepetan mindhai mundhak, kedadeyan artefak gambar lan gambar sing ora apik bisa uga suda.Dandan ing piranti lunak, kayata fitur penghapusan artefak proyeksi sing mentas diluncurake, uga bisa nyuda watesan kasebut.Nanging, akeh masalah tetep amarga pencitraan pasien kanthi fiksasi sing ora apik utawa kekeruhan media sing signifikan nyebabake artefak gambar.Minangka OCTA dadi luwih akeh digunakake ing uji klinis, pertimbangan ati-ati dibutuhake kanggo netepake pedoman sing jelas kanggo tingkat artefak gambar sing bisa ditampa kanggo analisis gambar.Aplikasi metode sinau jero kanggo gambar OCTA nduwe janji gedhe lan riset luwih lanjut dibutuhake ing wilayah iki kanggo ngembangake pendekatan sing kuat kanggo kontrol kualitas gambar.
Kode sing digunakake ing riset saiki kasedhiya ing repositori octa-qc, https://github.com/rahuldhodapkar/octa-qc.Dataset sing diasilake lan/utawa dianalisis sajrone panliten saiki kasedhiya saka panulis masing-masing kanthi panyuwunan sing cukup.
Spaide, RF, Fujimoto, JG & Waheed, NK Artefak gambar ing angiografi koherensi optik.Retina 35, 2163–2180 (2015).
Fenner, BJ et al.Identifikasi fitur pencitraan sing nemtokake kualitas lan reproduktifitas pangukuran kerapatan plexus kapiler retina ing angiografi OCT.BR.J. Oftalmol.102, 509–514 (2018).
Lauerman, JL et al.Pengaruh teknologi pelacakan mata ing kualitas gambar angiografi OCT ing degenerasi makula sing gegandhengan karo umur.Lengkungan kuburan.klinis.Exp.oftalmologi.255, 1535–1542 (2017).
Babyuch AS et al.Pangukuran Kapadhetan perfusi kapiler OCTA digunakake kanggo ndeteksi lan ngevaluasi iskemia makula.bedah ophthalmic.Pencitraan Laser Retina 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S., lan Sun, J. Learning Residual Deep kanggo Pangenalan Gambar.Ing 2016 ing Konferensi IEEE babagan Visi Komputer lan Pangenalan Pola (2016).
Lauerman, JL et al.Assessment kualitas gambar angiografi OCT otomatis nggunakake algoritma sinau jero.Lengkungan kuburan.klinis.Exp.oftalmologi.257, 1641–1648 (2019).
Lauermann, J. et al.Prevalensi kesalahan segmentasi lan artefak gerak ing angiografi OCT gumantung saka penyakit retina.Lengkungan kuburan.klinis.Exp.oftalmologi.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Pustaka Pembelajaran Jero Imperatif, Kinerja Tinggi.Pangolahan informasi saraf lanjutan.sistem.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Database Gambar Hierarki Skala Gedhe.Konferensi IEEE 2009 babagan Visi Komputer lan Pangenalan Pola.248–255.(2009).
Krizhevsky A., Sutzkever I. lan Hinton GE Imagenet klasifikasi nggunakake jaringan saraf convolutional jero.Pangolahan informasi saraf lanjutan.sistem.25, 1 (2012).