Nature.com сайтына киргениңиз үчүн рахмат.Сиз чектелген CSS колдоосу менен серепчи версиясын колдонуп жатасыз.Мыкты тажрыйба үчүн жаңыртылган браузерди колдонууну сунуштайбыз (же Internet Explorerдеги Шайкештик режимин өчүрүү).Мындан тышкары, үзгүлтүксүз колдоону камсыз кылуу үчүн биз сайтты стилсиз жана JavaScriptсиз көрсөтөбүз.
Ар бир слайдда үч макала көрсөтүлгөн слайдерлер.Слайддар аркылуу өтүү үчүн артка жана кийинки баскычтарды же ар бир слайд аркылуу жылуу үчүн аягындагы слайд контроллер баскычтарын колдонуңуз.
Оптикалык когеренттүү томографиялык ангиография (OCTA) – торчонун тамырларын инвазивдүү эмес визуалдаштыруунун жаңы ыкмасы.OCTA көптөгөн келечектүү клиникалык колдонмолорго ээ болсо да, сүрөттүн сапатын аныктоо кыйынчылык бойдон калууда.ImageNet менен алдын ала даярдалган ResNet152 нейрондук тармак классификаторун колдонуп, терең үйрөнүүгө негизделген системаны 134 пациенттин 347 сканеринен үстүртөн капиллярдык плексус сүрөттөрүн классификациялоо үчүн иштеп чыктык.Сүрөттөр ошондой эле көзөмөлдөнгөн окутуу модели үчүн эки көз карандысыз баалоочу тарабынан чыныгы чындык катары кол менен бааланган.Сүрөттүн сапатына талаптар клиникалык же изилдөө жөндөөлөрүнө жараша өзгөрүшү мүмкүн болгондуктан, эки моделдин бири жогорку сапаттагы сүрөттү таануу үчүн, экинчиси сүрөттү төмөн сапатта таануу үчүн даярдалган.Биздин нейрон тармагы моделибиз ийри сызыктын астындагы эң сонун аймакты көрсөтөт (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), бул машина билдирген сигнал деңгээлинен (AUC = 0,82, 95) кыйла жакшыраак. % CI).0,77–0,86, \(\kappa\) = 0,52 жана AUC = 0,78, 95% CI 0,73-0,83, \(\kappa\) = 0,27).Биздин изилдөө машина үйрөнүү ыкмалары OCTA сүрөттөрү үчүн ийкемдүү жана бекем сапатты башкаруу ыкмаларын иштеп чыгуу үчүн колдонулушу мүмкүн экенин көрсөтүп турат.
Оптикалык когеренттүү томографиялык ангиография (OCTA) – бул оптикалык когеренттүү томографияга (OCT) негизделген салыштырмалуу жаңы ыкма, ал торчонун микроваскулатурасын инвазивдүү эмес визуалдаштыруу үчүн колдонулушу мүмкүн.OCTA торчонун ошол эле аймагындагы кайталанган жарык импульстарынан чагылуунун үлгүлөрүндөгү айырманы өлчөйт жана реконструкцияларды боёкторду же башка контраст агенттерин инвазивдүү колдонбостон кан тамырларын ачуу үчүн эсептөөгө болот.OCTA ошондой эле терең резолюциядагы тамырларды сүрөттөө мүмкүнчүлүгүн берет, бул клиниктерге тамырлардын үстүнкү жана терең катмарларын өзүнчө изилдөөгө мүмкүндүк берип, хориоретиндик ооруну айырмалоого жардам берет.
Бул ыкма келечектүү болгону менен, сүрөттүн сапатынын вариациясы ишенимдүү сүрөт талдоо үчүн негизги көйгөй бойдон калууда, бул сүрөттү чечмелөөнү кыйындатат жана кеңири клиникалык кабыл алуунун алдын алат.OCTA бир нече ырааттуу OCT сканерлерин колдонгондуктан, ал стандарттык OCTге караганда сүрөт артефакттарына көбүрөөк сезгич келет.Көпчүлүк коммерциялык OCTA платформалары Сигнал Күчү (SS) же кээде Сигнал Күчүнүн Индекси (SSI) деп аталган сүрөттүн сапатынын көрсөткүчтөрүн берет.Бирок, жогорку SS же SSI мааниси бар сүрөттөр сүрөт артефакттарынын жок экендигине кепилдик бербейт, бул ар кандай кийинки сүрөт талдоосуна таасир этип, туура эмес клиникалык чечимдерге алып келиши мүмкүн.OCTA сүрөттөөдө пайда болушу мүмкүн болгон жалпы сүрөт артефакттарына кыймыл артефакттары, сегментация артефактылары, медиа тунуктук артефакттар жана проекциялык артефакттар кирет1,2,3.
Кан тамыр тыгыздыгы сыяктуу OCTAдан алынган чаралар котормо изилдөөлөрүндө, клиникалык сыноолордо жана клиникалык практикада көбүрөөк колдонулуп жаткандыктан, сүрөттөрдүн артефакттарын жок кылуу үчүн күчтүү жана ишенимдүү сүрөттүн сапатын көзөмөлдөө процесстерин иштеп чыгуу зарыл.Өткөрүп жиберүү байланыштары, ошондой эле калдык байланыштар деп аталат, бул нейрондук тармак архитектурасындагы проекциялар, алар маалыматты ар кандай масштабда же резолюцияда сактоодо конволюциялык катмарларды айланып өтүүгө мүмкүндүк берет5.Сүрөт артефакттары кичинекей жана жалпы масштабдуу сүрөттүн иштешине таасир этиши мүмкүн болгондуктан, өтүү-байланыштуу нейрон тармактары бул сапатты көзөмөлдөө тапшырмасын автоматташтыруу үчүн абдан ылайыктуу.Жакында жарыяланган иш адам баалоочуларынын жогорку сапаттагы маалыматтарын колдонуу менен үйрөтүлгөн терең конволюциялык нейрон тармактары үчүн кандайдыр бир убадаларды көрсөттү6.
Бул изилдөөдө биз OCTA сүрөттөрүнүн сапатын автоматтык түрдө аныктоо үчүн байланышты өткөрүп жиберүүчү конволюциялык нейрон тармагын үйрөтөбүз.Биз жогорку сапаттагы сүрөттөрдү жана төмөн сапаттагы сүрөттөрдү аныктоо үчүн өзүнчө моделдерди иштеп чыгуу менен мурунку иштердин негизинде түзөбүз, анткени сүрөттүн сапатына талаптар конкреттүү клиникалык же изилдөө сценарийлери үчүн ар кандай болушу мүмкүн.Терең окутуунун алкагында бир нече деңгээлдеги гранулярдык функцияларды кошуунун маанисин баалоо үчүн биз бул тармактардын натыйжаларын конволюциялык нейрон тармактары менен байланыштары жок салыштырып жатабыз.Андан кийин биз натыйжаларыбызды өндүрүүчүлөр тарабынан берилген сүрөттүн сапатынын жалпы кабыл алынган көрсөткүчү болгон сигналдын күчү менен салыштырдык.
Биздин изилдөөбүзгө 2017-жылдын 11-августунан 2019-жылдын 11-апрелине чейинки аралыкта Йелдин Көз борборуна келген кант диабети менен ооруган бейтаптар камтылган. Диабеттик эмес хориоретиндик оорусу бар бейтаптар киргизилген.Жашына, жынысына, расасына, сүрөттүн сапатына же башка факторго негизделген эч кандай киргизүү же чыгарып салуу критерийлери болгон эмес.
OCTA сүрөттөрү AngioPlex платформасынын жардамы менен Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) 8\(\times\)8 мм жана 6\(\times\)6 мм сүрөттөө протоколдоруна ылайык алынган.Изилдөөгө катышууга маалымдалган макулдук ар бир изилдөөнүн катышуучусунан алынды жана Йель университетинин Институттук кароо кеңеши (IRB) бул бейтаптардын бардыгы үчүн глобалдык сүрөткө тартуу менен негизделген макулдукту колдонууну жактырды.Хельсинки декларациясынын принциптерине таянып.Изилдөө Yale University IRB тарабынан бекитилген.
Беттик табличканын сүрөттөрү мурда сүрөттөлгөн Motion Artifact Score (MAS), мурда сүрөттөлгөн Segmentation Artifact Score (SAS), foveal борбор, медиа тунук эместиги жана кичинекей капиллярлардын жакшы визуализациясынын негизинде бааланган.Сүрөттөр эки көз карандысыз баалоочу (RD жана JW) тарабынан талданган.Төмөнкү критерийлердин бардыгы аткарылса, сүрөт 2 деген бааланган баллга ээ (жарактуу): сүрөт фовеада борборлоштурулган (сүрөттүн борборунан 100 пикселден азыраак), MAS 1 же 2, SAS 1 жана медиа тунуктугу 1ден аз. / 16 өлчөмүндөгү сүрөттөрдө көрсөтүлөт, ал эми 15/16дан чоңураак сүрөттөрдө кичинекей капиллярлар көрүнөт.Төмөнкү критерийлердин бири аткарылса, сүрөт 0 (баалоосуз) деп бааланат: сүрөт борбордон алыс болсо, MAS 4 болсо, SAS 2 болсо, же орточо тунуктук сүрөттүн 1/4 бөлүгүнөн чоңураак болсо, жана майда капиллярларды айырмалоо үчүн 1 сүрөт /4 ашык жөнгө салуу мүмкүн эмес.0 же 2 баллдык критерийлерге жооп бербеген бардык башка сүрөттөр 1 катары бааланат (кысылуу).
fig боюнча.1 масштабдуу баалардын жана сүрөт артефакттарынын ар бири үчүн үлгү сүрөттөрдү көрсөтөт.Жеке упайлардын баалоочулар аралык ишенимдүүлүгү Коэндин каппа салмагы менен бааланган.Ар бир баалоочунун жеке упайлары ар бир сүрөт үчүн 0дөн 4кө чейинки жалпы балл алуу үчүн бириктирилет. Жалпы баллы 4 болгон сүрөттөр жакшы деп эсептелет.Жалпы баллы 0 же 1 болгон сүрөттөр сапаты төмөн деп эсептелет.
ImageNet маалымат базасынан сүрөттөр боюнча алдын ала үйрөтүлгөн ResNet152 архитектуралык конволюциялык нейрон тармагы (3A.i-сүрөт) fast.ai жана PyTorch Framework5, 9, 10, 11 аркылуу түзүлдү. Конволюциялык нейрон тармагы - бул үйрөнгөн нерселерди колдонгон тармак. мейкиндик жана жергиликтүү өзгөчөлүктөрүн изилдөө үчүн сүрөт фрагменттерин сканерлөө үчүн чыпкалар.Биздин үйрөтүлгөн ResNet бул 152 катмарлуу нейрон тармагы, боштуктар же "калдык байланыштар" менен мүнөздөлөт, ал бир эле учурда бир нече резолюциялар менен маалыматты өткөрөт.Тармак аркылуу маалыматты ар кандай резолюцияда проектирлөө менен платформа сапатсыз сүрөттөрдүн өзгөчөлүктөрүн бир нече деңгээлде деталдаштырууга үйрөнө алат.ResNet моделибизден тышкары, биз жакшы изилденген нейрондук тармак архитектурасы AlexNetди салыштыруу үчүн байланыштарды калтырбастан үйрөттүк (3A.ii-сүрөт)12.Туташуулар жок болсо, бул тармак өзгөчөлүктөрдү жогорку детальдуулукта тарта албайт.
Түпнуска 8\(\times\)8mm OCTA13 сүрөт топтому горизонталдуу жана вертикалдуу чагылдыруу ыкмаларын колдонуу менен жакшыртылды.Андан кийин толук маалымат топтому кокустук түрдө сүрөт деңгээлинде scikit-learn куралдар кутучасы python14 аркылуу окутуу (51,2%), тестирлөө (12,8%), гиперпараметрлерди тюнинг (16%) жана валидациялоо (20%) маалымат топтомдоруна бөлүнгөн.Эки учур каралды, бири эң жогорку сапаттагы сүрөттөрдү аныктоого негизделген (жалпы балл 4), экинчиси эң төмөнкү сапаттагы сүрөттөрдү аныктоого негизделген (жалпы балл 0 же 1).Ар бир жогорку сапаттагы жана төмөн сапаттагы колдонуу учуру үчүн нейрондук тармак биздин сүрөт маалыматтарыбызда бир жолу кайра даярдалат.Ар бир колдонууда, нейрон тармагы 10 доор үчүн машыктырылган, эң жогорку катмардын салмагынан башкасынын баары тоңдурулган жана бардык ички параметрлердин салмагы кайчылаш энтропия жоготуу функциясы 15 менен дискриминативдик үйрөнүү ылдамдыгы ыкмасын колдонуу менен 40 доордо үйрөнүлгөн. 16..Кайчылаш энтропия жоготуу функциясы болжолдонгон тармак энбелгилери менен реалдуу маалыматтардын ортосундагы келишпестиктин логарифмдик шкаласынын өлчөмү болуп саналат.Машыгуу учурунда жоготууларды азайтуу үчүн нейрондук тармактын ички параметрлери боюнча градиенттик түшүү жүргүзүлөт.Окуу ылдамдыгы, окууну таштап кетүү ылдамдыгы жана салмакты азайтуу гиперпараметрлери 2 кокустук башталгыч чекиттери жана 10 итерациялары бар Байезиан оптималдаштыруунун жардамы менен жөндөлдү, ал эми берилиштер топтомундагы AUC 17 максат катары гиперпараметрлер аркылуу жөндөлдү.
үстүртөн капилляр plexuses 8 × 8 мм OCTA сүрөттөрдүн өкүлү мисалдар 2 (A, B), 1 (C, D) жана 0 (E, F) упай.Көрсөтүлгөн сүрөт артефакттарына жылтылдаган сызыктар (жебелер), сегменттөө артефактылары (жылдызчалар) жана медиа тунуктук (жебелер) кирет.Сүрөт (E) да борбордон тышкары.
Кабылдагычтын иштөө мүнөздөмөлөрү (ROC) ийри сызыктары бардык нейрон тармактарынын моделдери үчүн түзүлөт, ал эми кыймылдаткыч сигналынын күчү жөнүндө отчеттор ар бир сапатсыз жана жогорку сапаттагы колдонуу учуру үчүн түзүлөт.Ийри сызыктын астындагы аянт (AUC) pROC R пакетинин жардамы менен эсептелген, ал эми 95% ишеним аралыктары жана p-маанилери DeLong методу менен эсептелген18,19.Баалоочулардын топтолгон упайлары бардык ROC эсептөөлөрү үчүн база катары колдонулат.Машина тарабынан билдирилген сигналдын күчү үчүн AUC эки жолу эсептелген: бир жолу жогорку сапаттагы Масштабтоо упайынын кесилиши үчүн жана бир жолу төмөн сапаттагы Масштабтоо упайынын кесилиши үчүн.Нейрондук тармак өзүнүн окутуу жана баалоо шарттарын чагылдырган AUC сигнал күчү менен салыштырылат.
Үйрөнгөн терең үйрөнүү моделин өзүнчө маалымат топтомунда андан ары сынап көрүү үчүн, Йель университетинен чогултулган 32 толук бет 6\(\times\) 6мм беттик плитанын сүрөттөрүнүн натыйжалуулугун баалоого жогорку сапаттагы жана төмөн сапаттагы моделдер түздөн-түз колдонулган.Көз массасы сүрөттөлүш менен бир убакта борборлоштурулган 8 \(\ times \) 8 мм.6\(\×\) 6 мм сүрөттөр 8\(\×\) 8 мм сүрөттөр сыяктуу эле баалоочулар (RD жана JW) тарабынан кол менен бааланган, AUC, ошондой эле тактык жана Коэндин каппасы эсептелген. .бирдей.
Класстын дисбаланс катышы 158:189 (\(\rho = 1,19\)) сапаты төмөн модель үчүн жана 80:267 (\(\rho = 3,3\)) жогорку сапаттагы модель үчүн.Класстык дисбаланстын катышы 1:4тен аз болгондуктан, класстык дисбаланс20,21 оңдоо үчүн эч кандай конкреттүү архитектуралык өзгөртүүлөр жасалган эмес.
Окуу процессин жакшыраак визуализациялоо үчүн бардык төрт үйрөтүлгөн терең окутуу модели үчүн классты активдештирүү карталары түзүлдү: жогорку сапаттагы ResNet152 модели, төмөн сапаттагы ResNet152 модели, жогорку сапаттагы AlexNet модели жана сапаты төмөн AlexNet модели.Классты активдештирүү карталары ушул төрт моделдин кириш конволюциондук катмарларынан түзүлөт, ал эми жылуулук карталары 8 × 8 мм жана 6 × 6 мм валидация топтомдорунун баштапкы сүрөттөрү менен активдештирүү карталарын каптоо аркылуу түзүлөт22, 23.
Бардык статистикалык эсептөөлөр үчүн R версиясы 4.0.3 колдонулган жана визуализациялар ggplot2 графикалык куралдар китепканасын колдонуу менен түзүлгөн.
Биз 134 адамдан 8 \(\ жолу \)8 мм өлчөмүндөгү үстүнкү капиллярдык плексустун 347 фронталдык сүрөттөрүн чогулттук.Машина сигналдын күчүн бардык сүрөттөр үчүн 0дөн 10го чейинки масштабда билдирди (орточо = 6,99 ± 2,29).Алынган 347 сүрөттүн ичинен изилдөөнүн орточо жашы 58,7 ± 14,6 жыл жана 39,2% эркек пациенттерден болгон.Бардык сүрөттөрдүн ичинен 30,8% кавказдыктар, 32,6% каралар, 30,8% испаниялыктар, 4% азиялыктар жана 1,7% башка расалар (таблица 1).).OCTA менен ооруган бейтаптардын жашы боюнча бөлүштүрүү сүрөттүн сапатына (р <0,001) жараша олуттуу айырмаланган.18-45 жаштагы жаш бейтаптардагы жогорку сапаттагы сүрөттөрдүн пайызы 33,8% ды, ал эми сапаты начар сүрөттөрдүн 12,2% ын түздү (1-таблица).Диабеттик ретинопатия статусун бөлүштүрүү, ошондой эле сүрөт сапаты боюнча (б <0.017) олуттуу айырмаланган.Бардык жогорку сапаттагы сүрөттөрдүн арасында PDR менен ооругандардын пайызы бардык төмөн сапаттагы сүрөттөрдүн 38,8% ына салыштырмалуу 18,8% түздү (1-таблица).
Бардык сүрөттөрдүн жеке рейтингдери сүрөттөрдү окуп жаткан адамдардын ортосунда орточо жана күчтүү рейтингдер аралык ишенимдүүлүктү көрсөттү (Коэндин салмактуу каппа = 0,79, 95% CI: 0,76-0,82) жана баалоочулар 1ден ашык айырмаланган сүрөт чекиттери болгон эмес (сүрөт 2). 2A)..Сигналдын интенсивдүүлүгү кол менен баалоо менен олуттуу байланышта болгон (Пирсон продуктунун моменти корреляциясы = 0.58, 95% CI 0.51-0.65, б <0.001), бирок көптөгөн сүрөттөр сигналдын интенсивдүүлүгү жогору, бирок кол менен баалоо аз деп аныкталган (сүрөт. .2B).
ResNet152 жана AlexNet архитектураларын окутуу учурунда валидация жана окутуудагы кайчылаш энтропия жоготуулары 50 доордон ашат (Figure 3B,C).Акыркы окуу доорундагы валидациянын тактыгы жогорку сапаттагы жана төмөн сапаттагы колдонуу учурлары үчүн 90% дан жогору.
Кабылдагычтын иштешинин ийри сызыктары ResNet152 модели төмөн жана жогорку сапаттагы колдонуу учурларында машина тарабынан билдирилген сигналдын кубаттуулугунан кыйла ашып турганын көрсөтүп турат (p <0.001).ResNet152 модели ошондой эле AlexNet архитектурасынан кыйла ашып кетет (п = 0,005 жана p = 0,014 төмөн сапаттагы жана жогорку сапаттагы учурлар үчүн).Бул тапшырмалардын ар бири үчүн алынган моделдер AUC маанилерине 0,99 жана 0,97 жетише алышты, бул машинанын сигнал күчүнүн индекси үчүн 0,82 жана 0,78 же AlexNet үчүн 0,97 жана 0,94 тиешелүү AUC маанилеринен кыйла жакшыраак. ..(3-сүрөт).ResNet менен AUCтин сигнал күчүндөгү айырмасы жогорку сапаттагы сүрөттөрдү таанууда жогору болуп, бул тапшырма үчүн ResNetди колдонуунун кошумча артыкчылыктарын көрсөтөт.
Графиктер ар бир көз карандысыз баалоочунун балл коюу жана машина тарабынан билдирилген сигналдын күчү менен салыштыруу жөндөмүн көрсөтөт.(A) Баалануучу баллдардын суммасы баалана турган упайлардын жалпы санын түзүү үчүн колдонулат.Жалпы масштабдалышы 4 баллга ээ болгон сүрөттөргө жогорку сапат ыйгарылат, ал эми жалпы масштабдалышы 1 же андан аз баллга ээ сүрөттөргө төмөн сапат ыйгарылат.(B) Сигналдын интенсивдүүлүгү кол менен бааланган бааларга дал келет, бирок сигналдын интенсивдүүлүгү жогору болгон сүрөттөр сапаты начарыраак болушу мүмкүн.Кызыл чекиттүү сызык сигналдын күчү (сигнал күчү \(\ge\)6) негизинде өндүрүүчү сунуштаган сапат босогосун көрсөтөт.
ResNet которууну үйрөнүү машина тарабынан билдирилген сигнал деңгээлине салыштырмалуу төмөн сапаттагы жана жогорку сапаттагы колдонуу учурлары үчүн сүрөттүн сапатын аныктоодо олуттуу жакшыртууну камсыз кылат.(A) Алдын ала даярдалган (i) ResNet152 жана (ii) AlexNet архитектурасынын жөнөкөйлөштүрүлгөн архитектуралык диаграммалары.(B) Машинанын билдирилген сигналынын күчү жана AlexNet сапаты төмөн критерийлери менен салыштырганда ResNet152 үчүн машыгуу тарыхы жана кабыл алгычтын иштөө ийри сызыктары.(C) ResNet152 кабыл алгычын окутуу тарыхы жана аткаруу ийри сызыктары машинанын сигнал күчү жана AlexNet жогорку сапат критерийлерине салыштырмалуу.
Чечимдин чек ара чегин тууралагандан кийин ResNet152 моделинин максималдуу болжолдоо тактыгы сапаты төмөн үчүн 95,3% жана жогорку сапаттагы иш үчүн 93,5% түзөт (2-таблица).AlexNet моделинин максималдуу болжолдоо тактыгы төмөн сапаттагы корпус үчүн 91,0% жана жогорку сапаттагы корпус үчүн 90,1% түзөт (2-таблица).Сигналдын күчүн болжолдоонун максималдуу тактыгы төмөн сапаттагы колдонуу үчүн 76,1% жана жогорку сапаттагы колдонуу үчүн 77,8% түзөт.Коэндин каппасына (\(\kappa)) ылайык, ResNet152 модели менен баалоочулардын ортосундагы макулдашуу сапаты төмөн корпус үчүн 0,90 жана жогорку сапаттагы корпус үчүн 0,81.Коэндин AlexNet каппасы 0,82 жана 0,71 сапаты төмөн жана жогорку сапаттагы колдонуу учурлары үчүн.Коэндин сигнал күчү каппа төмөн жана жогорку сапаттагы колдонуу учурлары үчүн 0,52 жана 0,27 болуп саналат.
6 мм жалпак пластинанын 6\(\x\) сүрөттөрүндөгү жогорку жана төмөн сапаттагы таануу моделдерин валидациялоо, үйрөтүлгөн моделдин сүрөттүн сапатын ар кандай сүрөттөө параметрлери боюнча аныктоо жөндөмүн көрсөтөт.Сүрөт тартуунун сапаты үчүн 6\(\x\) 6 мм тайыз плиталарды колдонууда, сапаты төмөн моделде AUC 0,83 (95% CI: 0,69–0,98) жана жогорку сапаттагы моделде AUC 0,85 болгон.(95% CI: 0,55–1,00) (2-таблица).
Киргизүү катмарынын классын активдештирүү карталарын визуалдык текшерүү бардык үйрөтүлгөн нейрон тармактары сүрөт классификациясы учурунда сүрөттүн өзгөчөлүктөрүн колдонгонун көрсөттү (сүрөт 4A, B).8 \(\ жолу \) 8 мм жана 6 \(\ жолу \) 6 мм сүрөттөрү үчүн ResNet активдештирүү сүрөттөрү торчонун кан тамырларын тыкыр ээрчийт.AlexNet активдештирүү карталары да торчонун тамырларын ээрчийт, бирок одонораак чечим менен.
ResNet152 жана AlexNet моделдери үчүн классты активдештирүү карталары сүрөттүн сапатына байланыштуу өзгөчөлүктөргө көңүл бурат.(A) 8 \(\ times \) 8 мм валидациялык сүрөттөрдө жана (B) 6 \(\ times \) 6 мм валидация сүрөттөрүндө үстүртөн сетчатка тамырлардан кийин когеренттүү активдештирүү көрсөткөн класс активдештирүү картасы.LQ модели төмөн сапат критерийлери боюнча окутулган, HQ модели жогорку сапат критерийлери боюнча окутулган.
Буга чейин сүрөттөлүштүн сапаты OCTA сүрөттөрүнүн ар кандай сандык көрсөткүчүнө чоң таасирин тийгизиши мүмкүн экени көрсөтүлгөн.Мындан тышкары, ретинопатия болушу сүрөт artefacts7,26 ооруну жогорулатат.Чынында, биздин маалыматтарда, мурунку изилдөөлөр менен шайкеш, биз жаш курагы жана торчо оорусунун оордугу жана сүрөт сапатынын начарлашы ортосунда олуттуу байланыш табылган (б <0.001, p = 0.017 жашы жана DR статусу, тиешелүүлүгүнө жараша; стол 1) 27 Ошондуктан, OCTA сүрөттөрүнүн кандайдыр бир сандык анализин жүргүзүүдөн мурун сүрөттүн сапатын баалоо маанилүү.OCTA сүрөттөрүн талдоочу изилдөөлөрдүн көпчүлүгү төмөн сапаттагы сүрөттөрдү жокко чыгаруу үчүн машина тарабынан билдирилген сигнал интенсивдүүлүгүнүн босоголорун колдонушат.Сигналдын интенсивдүүлүгү OCTA параметрлеринин сандык көрсөткүчтөрүнө таасир эткени менен, сигналдын жогорку интенсивдүүлүгү гана сүрөт артефактылары бар сүрөттөрдү жокко чыгаруу үчүн жетиштүү болбой калышы мүмкүн.Ошондуктан, сүрөттүн сапатын көзөмөлдөөнүн ишенимдүү ыкмасын иштеп чыгуу зарыл.Ушул максатта биз көзөмөлдөнгөн терең үйрөнүү ыкмаларынын натыйжалуулугун машина билдирген сигналдын күчү менен баалайбыз.
Биз сүрөттүн сапатын баалоо үчүн бир нече моделдерди иштеп чыктык, анткени ар кандай OCTA колдонуу учурларында сүрөттүн сапатына ар кандай талаптар болушу мүмкүн.Мисалы, сүрөттөр жогорку сапатта болушу керек.Мындан тышкары, кызыкчылыктын конкреттүү сандык параметрлери да маанилүү.Мисалы, foveal avascular зонасынын аянты борбордук эмес чөйрөнүн булуттуулугуна көз каранды эмес, бирок тамырлардын тыгыздыгына таасир этет.Биздин изилдөөбүз кандайдыр бир тесттин талаптарына байланбаган, бирок машина тарабынан билдирилген сигналдын күчүн түздөн-түз алмаштырууга багытталган сүрөттүн сапатына жалпы мамилеге басым жасоону улантып жатканы менен, биз колдонуучуларга көбүрөөк көзөмөлдү берели деп үмүттөнөбүз. колдонуучуну кызыктырган белгилүү бир көрсөткүчтү тандай алат.алгылыктуу деп эсептелген сүрөт артефакттарынын максималдуу даражасына туура келген моделди тандоо.
Сапаты төмөн жана жогорку сапаттагы көрүнүштөр үчүн биз байланышы жок терең конволюциялык нейрон тармактарынын мыкты иштешин көрсөтөбүз, AUC 0,97 жана 0,99 жана сапаты төмөн моделдер.Биз ошондой эле машиналар тарабынан билдирилген сигналдын деңгээлине салыштырмалуу терең үйрөнүү ыкмабыздын жогорку натыйжалуулугун көрсөтөбүз.Өткөрүп жиберүү байланыштары нейрондук тармактарга сүрөттөрдүн жакшыраак жактарын (мисалы, контраст), ошондой эле жалпы өзгөчөлүктөргө (мисалы, сүрөттү борборлоштуруу30,31) тартып, деталдардын бир нече деңгээлдериндеги функцияларды үйрөнүүгө мүмкүндүк берет.Сүрөттүн сапатына таасир этүүчү артефакттар кеңири диапазондо эң жакшы аныкталгандыктан, байланыштары жок нейрондук тармак архитектуралары сүрөттүн сапатын аныктоо тапшырмасы жокторго караганда жакшыраак иштеши мүмкүн.
Биздин моделибизди 6\(\×6мм) OCTA сүрөттөрүндө сынап жатканда, классификациялоо үчүн үйрөтүлгөн моделдин өлчөмүнөн айырмаланып, жогорку сапаттагы да, сапаты да төмөн моделдер үчүн классификация көрсөткүчүнүн төмөндөшүн байкадык (2-сүрөт).ResNet моделине салыштырмалуу, AlexNet модели көбүрөөк кулап түшкөн.ResNetтин салыштырмалуу жакшыраак иштеши калдык байланыштардын маалыматты бир нече масштабда өткөрүү жөндөмдүүлүгүнө байланыштуу болушу мүмкүн, бул моделди ар кандай масштабда жана/же чоңойтууда тартылган сүрөттөрдү классификациялоо үчүн бекем кылат.
8 \(\×\) 8 мм сүрөттөр менен 6 \(\×\) 6 мм сүрөттөрдүн ортосундагы айрым айырмачылыктар начар классификацияга алып келиши мүмкүн, анын ичинде фовеалдык avascular аймактарын камтыган сүрөттөрдүн салыштырмалуу жогорку үлүшү, көрүнүүдөгү өзгөрүүлөр, тамыр аркадалары жана сүрөттө 6×6 мм оптикалык нерв жок.Буга карабастан, биздин жогорку сапаттагы ResNet модели 6 \(\x\) 6 мм сүрөттөр үчүн AUC 85% жетише алды, бул конфигурация модели үйрөтүлбөйт, бул сүрөттөлүштүн сапаты жөнүндө маалымат нейрондук тармакта коддолгон дегенди билдирет. туура келет.бир сүрөт өлчөмү же анын окутуу тышкары машина конфигурация үчүн (таблица 2).8 \(\ times \) 8 мм жана 6 \(\ times \) 6 мм сүрөттөрдүн ResNet- жана AlexNet сыяктуу активдештирүү карталары эки учурда тең торчонун тамырларын баса белгилеп, моделдин маанилүү маалыматы бар экенин көрсөтүп турат.OCTA сүрөттөрүнүн эки түрүн тең классификациялоо үчүн колдонулат (4-сүрөт).
Лауэрман жана башкалар.OCTA сүрөттөрүндөгү сүрөттүн сапатына баа берүү дагы Inception архитектурасынын жардамы менен аткарылган, башка өткөзүп-байланыштуу конволюциялык нейрон тармагы6,32 терең үйрөнүү ыкмаларын колдонуу менен.Алар ошондой эле изилдөөнү үстүртөн капиллярдык плексустун сүрөттөрү менен чектешти, бирок Optovue AngioVueден кичирээк 3×3 мм сүрөттөрдү колдонуу менен гана ар кандай хориоретиналдык оорулары бар бейтаптар да камтылган.Биздин иш алардын пайдубалына, анын ичинде сүрөттүн сапаты боюнча ар кандай чектерди чечүү жана ар кандай өлчөмдөгү сүрөттөр үчүн натыйжаларды текшерүү үчүн бир нече моделдерге негизделет.Биз ошондой эле машина үйрөнүү моделдеринин AUC метрикасын кабарлайбыз жана алардын ансыз деле таасирдүү тактыгын (90%)6 сапатсыз (96%) жана жогорку сапаттагы (95,7%) моделдер үчүн жогорулатабыз6.
Бул тренинг бир нече чектөөлөр бар.Биринчиден, сүрөттөр бир гана OCTA машинасы менен алынган, анын ичинде 8\(\times\)8 мм жана 6\(\ times\)6 мм беттик капиллярдык плексустун сүрөттөрү гана.Сүрөттөрдү тереңирээк катмарлардан чыгаруунун себеби проекциялык артефакттар сүрөттөрдү кол менен баалоону кыйындатат жана ырааттуулугун азайтышы мүмкүн.Мындан тышкары, сүрөттөр OCTA маанилүү диагностикалык жана прогностикалык курал33,34 катары пайда болуп жаткан кант диабети менен ооруган бейтаптарда гана алынган.Натыйжалардын бекем болушу үчүн моделибизди ар кандай өлчөмдөгү сүрөттөрдө сынап көргөнүбүз менен, ар кайсы борборлордон ылайыктуу маалымат топтомдорун аныктай алган жокпуз, бул моделдин жалпыланышына баа берүүбүздү чектеген.Сүрөттөр бир гана борбордон алынганы менен, алар ар кандай этникалык жана расалык тектеги бейтаптардан алынган, бул биздин изилдөөбүздүн өзгөчө күчү.Машыгуу процессибизге көп түрдүүлүктү киргизүү менен биз биздин натыйжаларыбыз кеңири мааниде жалпыланат жана биз үйрөткөн моделдерибизде расалык көз карашты коддоодон качабыз деп үмүттөнөбүз.
Биздин изилдөө OCTA сүрөттүн сапатын аныктоодо жогорку көрсөткүчтөргө жетүү үчүн туташууну өткөрүп жиберүүчү нейрон тармактарын үйрөтсө болорун көрсөтүп турат.Биз бул моделдерди мындан аркы изилдөөлөр үчүн курал катары беребиз.Ар кандай көрсөткүчтөр сүрөттүн сапатына ар кандай талаптарга ээ болушу мүмкүн болгондуктан, бул жерде түзүлгөн структураны колдонуу менен ар бир метрика үчүн сапатты көзөмөлдөөнүн жеке моделин иштеп чыгууга болот.
Келечектеги изилдөөлөр OCTA платформаларына жана сүрөттөө протоколдоруна жалпыланган терең үйрөнүү сүрөттүн сапатын баалоо процессин алуу үчүн ар кандай тереңдиктеги ар кандай өлчөмдөгү сүрөттөрдү жана ар кандай OCTA машиналарын камтышы керек.Учурдагы изилдөөлөр ошондой эле адамдык баалоону жана сүрөттү баалоону талап кылган көзөмөлдөнгөн терең үйрөнүү ыкмаларына негизделген, бул чоң маалымат топтомдору үчүн эмгекти көп талап кылат жана убакытты талап кылат.Көзөмөлсүз терең үйрөнүү ыкмалары төмөн сапаттагы сүрөттөр менен жогорку сапаттагы сүрөттөрдү адекваттуу түрдө айырмалай алабы же жокпу, көрүш керек.
OCTA технологиясы өнүгүп, сканерлөө ылдамдыгы жогорулаган сайын, сүрөт артефакттарынын жана сапаты начар сүрөттөрдүн азайышы мүмкүн.Жакында киргизилген проекциялык артефакттарды алып салуу өзгөчөлүгү сыяктуу программалык камсыздоодогу өркүндөтүүлөр да бул чектөөлөрдү жеңилдете алат.Бирок, көптөгөн көйгөйлөр сакталып калууда, анткени начар фиксация же олуттуу медиа булгануусу бар бейтаптарды сүрөттөө ар дайым сүрөт артефакттарына алып келет.OCTA клиникалык сыноолордо кеңири колдонула баштагандыктан, сүрөттү талдоо үчүн артефакттын алгылыктуу деңгээли үчүн так көрсөтмөлөрдү түзүү үчүн кылдаттык менен карап чыгуу зарыл.OCTA сүрөттөрүнө терең үйрөнүү ыкмаларын колдонуу чоң үмүт берет жана бул чөйрөдө сүрөттүн сапатын көзөмөлдөөгө бекем мамилени иштеп чыгуу үчүн мындан аркы изилдөөлөр керек.
Учурдагы изилдөөдө колдонулган код octa-qc репозиторийинде жеткиликтүү, https://github.com/rahuldhodapkar/octa-qc.Учурдагы изилдөө учурунда түзүлгөн жана/же талданган маалымат топтомдору негиздүү өтүнүч боюнча тиешелүү авторлордон жеткиликтүү.
Spaide, RF, Fujimoto, JG & Waheed, NK Оптикалык когеренттүү ангиографиядагы сүрөт артефактылары.Retina 35, 2163–2180 (2015).
Fenner, BJ et al.OCT ангиографиясында торчо кабыкчанын капиллярдык плексус тыгыздыгын өлчөө сапатын жана кайталанышын аныктоочу сүрөттөө өзгөчөлүктөрүн аныктоо.BR.J. Офтальмол.102, 509–514 (2018).
Lauerman, JL жана башкалар.Жашка байланыштуу макулярдык дегенерацияда OCT ангиографиясынын сүрөт сапатына көз көзөмөлдөө технологиясынын таасири.Мүрзө аркасы.клиникалык.Exp.офтальмология.255, 1535–1542 (2017).
Babyuch AS et al.OCTA капиллярдык перфузиянын тыгыздыгын өлчөө макулярдык ишемияны аныктоо жана баалоо үчүн колдонулат.офтальмикалык хирургия.Ретиналдын лазердик сүрөтү 51, S30–S36 (2020).
Ал, К., Чжан, X., Рен, С., жана Sun, J. Сүрөт таануу үчүн терең калдыктарды үйрөнүү.2016-жылы IEEE конференциясында компьютердик көрүнүш жана калыптарды таануу (2016).
Lauerman, JL жана башкалар.Терең үйрөнүү алгоритмдерин колдонуу менен сүрөттүн сапатын автоматташтырылган OCT ангиографиялык баалоо.Мүрзө аркасы.клиникалык.Exp.офтальмология.257, 1641–1648 (2019).
Lauermann, J. жана башкалар.OCT ангиографиясында сегментация каталарынын жана кыймыл артефакттарынын таралышы торчо челдин оорусунан көз каранды.Мүрзө аркасы.клиникалык.Exp.офтальмология.256, 1807–1816 (2018).
Паск, Адам жана башкалар.Pytorch: Императивдик, жогорку натыйжалуу терең окуу китепканасы.Нейрондук маалыматты өркүндөтүлгөн иштетүү.системасы.32, 8026–8037 (2019).
Денг, Ж.ImageNet: Чоң масштабдуу иерархиялык сүрөттөр базасы.2009 Компьютердик көрүү жана үлгү таануу боюнча IEEE конференциясы.248–255.(2009).
Krizhevsky A., Sutzkever I. жана Hinton GE Imagenet классификациясы терең конволюциялык нейрон тармактарын колдонуу менен.Нейрондук маалыматты өркүндөтүлгөн иштетүү.системасы.25, 1 (2012).