Hatur nuhun pikeun ngadatangan Nature.com.Anjeun nganggo versi browser kalayan dukungan CSS kawates.Pikeun pangalaman anu pangsaéna, kami nyarankeun yén anjeun nganggo browser anu diropéa (atanapi nganonaktipkeun Mode Kasaluyuan dina Internet Explorer).Salaku tambahan, pikeun mastikeun dukungan anu terus-terusan, kami nunjukkeun situs tanpa gaya sareng JavaScript.
Sliders némbongkeun tilu artikel per slide.Paké tombol pungkur jeung hareup pikeun mindahkeun ngaliwatan slides, atawa tombol controller slide dina tungtung pikeun mindahkeun ngaliwatan unggal slide.
Angiografi tomografi kohérénsi optik (OCTA) mangrupikeun metode énggal pikeun visualisasi non-invasif pembuluh retina.Sanajan OCTA boga loba aplikasi klinis ngajangjikeun, nangtukeun kualitas gambar tetep tangtangan.Kami ngembangkeun sistem dumasar pembelajaran anu jero ngagunakeun klasifikasi jaringan saraf ResNet152 anu dilatih sareng ImageNet pikeun mengklasifikasikan gambar plexus kapilér deet tina 347 scan pasien 134.Gambar ogé sacara manual ditaksir leres leres ku dua penilai mandiri pikeun modél pangajaran anu diawasan.Kusabab syarat kualitas gambar bisa rupa-rupa gumantung kana setélan klinis atawa panalungtikan, dua model dilatih, hiji keur pangakuan gambar kualitas luhur sarta séjén pikeun pangakuan gambar kualitas low.Modél jaringan saraf kami nunjukkeun daérah anu saé dina kurva (AUC), 95% CI 0.96-0.99, \ (\ kappa \) = 0.81), anu langkung saé tibatan tingkat sinyal anu dilaporkeun ku mesin (AUC = 0.82, 95). % CI).0,77-0,86, \ (\ kappa \) = 0,52 sarta AUC = 0,78, 95% CI 0,73-0,83, \ (\ kappa \) = 0,27, masing-masing).Ulikan kami nunjukkeun yén metode pembelajaran mesin tiasa dianggo pikeun ngembangkeun metode kontrol kualitas anu fleksibel sareng kuat pikeun gambar OCTA.
Angiografi tomografi kohérénsi optik (OCTA) mangrupikeun téknik anu kawilang énggal dumasar kana tomografi kohérénsi optik (OCT) anu tiasa dianggo pikeun visualisasi non-invasif tina microvasculature rétina.OCTA ngukur bédana pola pantulan tina pulsa cahaya anu diulang-ulang dina daérah rétina anu sami, sareng rékonstruksi teras tiasa diitung pikeun nembongkeun pembuluh darah tanpa ngagunakeun pewarna atanapi agén kontras anu sanés.OCTA ogé ngamungkinkeun pencitraan vaskular résolusi-jero, ngamungkinkeun para dokter sacara misah mariksa lapisan kapal deet sareng jero, ngabantosan ngabédakeun antara panyakit chorioretinal.
Sanaos téknik ieu ngajangjikeun, variasi kualitas gambar tetep janten tantangan utama pikeun analisa gambar anu tiasa dipercaya, ngajantenkeun interpretasi gambar sesah sareng nyegah nyoko klinis anu nyebar.Kusabab OCTA ngagunakeun sababaraha scan Octa padeukeut, éta leuwih sénsitip ka artefak gambar ti Oct baku.Kaseueuran platform OCTA komérsial nyayogikeun métrik kualitas gambar sorangan anu disebut Signal Strength (SS) atanapi kadang-kadang Signal Strength Index (SSI).Sanajan kitu, gambar kalawan nilai SS atawa SSI tinggi teu ngajamin henteuna artefak gambar, nu bisa mangaruhan sagala analisis gambar saterusna sarta ngakibatkeun kaputusan klinis salah.Artefak gambar umum anu tiasa lumangsung dina pencitraan OCTA kalebet artefak gerak, artefak segmentasi, artefak opacity media, sareng artefak proyeksi1,2,3.
Kusabab ukuran turunan OCTA sapertos dénsitas vaskular beuki dianggo dina panalitian translasi, uji klinis sareng prakték klinis, aya kabutuhan anu mendesak pikeun ngembangkeun prosés kontrol kualitas gambar anu kuat sareng dipercaya pikeun ngaleungitkeun artefak gambar4.Konéksi skip, ogé katelah sambungan sésa-sésa, mangrupikeun proyéksi dina arsitektur jaringan saraf anu ngamungkinkeun inpormasi pikeun ngaliwat lapisan konvolusi bari nyimpen inpormasi dina skala atanapi résolusi anu béda5.Kusabab artefak gambar bisa mangaruhan kinerja gambar skala leutik tur umum skala badag, jaringan saraf skip-konéksi cocog pikeun ngajadikeun otomatis ieu tugas kadali kualitas5.Karya anu nembe diterbitkeun parantos nunjukkeun sababaraha janji pikeun jaringan saraf konvolusional jero anu dilatih nganggo data kualitas luhur tina estimator manusa6.
Dina ulikan ieu, urang ngalatih jaringan saraf convolutional sambungan-skipping pikeun otomatis nangtukeun kualitas gambar OCTA.Urang ngawangun dina karya saméméhna ku ngamekarkeun model misah pikeun ngaidentipikasi gambar kualitas luhur jeung gambar kualitas low, sakumaha syarat kualitas gambar bisa béda pikeun skenario klinis atawa panalungtikan husus.Kami ngabandingkeun hasil jaringan ieu sareng jaringan saraf convolutional tanpa sambungan anu leungit pikeun meunteun nilai kalebet fitur dina sababaraha tingkatan granularitas dina jero diajar.Urang lajeng ngabandingkeun hasil urang jeung kakuatan sinyal, ukuran ilahar ditarima kualitas gambar disadiakeun ku pabrik.
Panaliti kami kalebet penderita diabetes anu ngahadiran Pusat Panon Yale antara 11 Agustus 2017 sareng 11 April 2019. Pasén anu ngagaduhan panyakit chorioretinal non-diabetes teu kalebet.Henteu aya kriteria inklusi atanapi pangaluaran dumasar kana umur, gender, ras, kualitas gambar, atanapi faktor sanésna.
Gambar OCTA dicandak nganggo platform AngioPlex dina Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) dina 8 \ (\ times \) 8 mm sareng 6 \ (\ times \) 6 mm protokol imaging.Informed idin pikeun partisipasi dina ulikan ieu dicandak ti unggal pamilon ulikan, sarta Yale Universitas Institusi Review Board (IRB) disatujuan pamakéan idin informed kalawan fotografi global pikeun sakabéh penderita ieu.Nuturkeun prinsip Déklarasi Helsinki.Ulikan ieu disatujuan ku Universitas Yale IRB.
Gambar plat permukaan dievaluasi dumasar kana Motion Artefak Score (MAS) anu dijelaskeun sateuacana, Score Artefak Segmentasi (SAS), pusat foveal, ayana opacity média, sareng visualisasi anu hadé tina kapilér leutik anu ditangtukeun ku evaluator gambar.Gambar dianalisis ku dua evaluator mandiri (RD sareng JW).Hiji gambar boga skor gradasi 2 (layak) lamun kabeh kriteria handap kaeusi: gambar dipuseurkeun di fovea (kirang ti 100 piksel ti puseur gambar), MAS nyaeta 1 atawa 2, SAS nyaeta 1, jeung opacity média kirang ti 1. Hadir dina gambar ukuranana / 16, sarta kapiler leutik ditempo dina gambar leuwih badag batan 15/16.Hiji gambar dipeunteun 0 (euweuh rating) lamun salah sahiji kriteria di handap ieu kaeusi: gambar kaluar-puseur, lamun MAS nyaeta 4, lamun SAS nyaeta 2, atawa opacity rata leuwih gede ti 1/4 gambar, jeung kapilér leutik teu bisa disaluyukeun leuwih ti 1 gambar / 4 ngabedakeun.Sadaya gambar sanés anu henteu nyumponan kritéria nyetak 0 atanapi 2 dipeunteun salaku 1 (clipping).
Dina Gbr.1 nunjukkeun gambar sampel pikeun tiap perkiraan skala sareng artefak gambar.Reliabilitas antar-penilai skor individu ditaksir ku bobot kappa Cohen8.Skor individu unggal rater dijumlahkeun pikeun ménta skor sakabéh pikeun tiap gambar, mimitian ti 0 nepi ka 4. Gambar kalawan skor total 4 dianggap alus.Gambar kalawan skor total 0 atawa 1 dianggap kualitas low.
Jaringan saraf konvolusional arsitéktur ResNet152 (Gbr. 3A.i) anu tos dilatih dina gambar tina database ImageNet dihasilkeun nganggo fast.ai sareng kerangka PyTorch5, 9, 10, 11. Jaringan saraf convolutional nyaéta jaringan anu ngagunakeun diajar. saringan pikeun nyeken fragmen gambar pikeun ngulik fitur spasial sareng lokal.ResNet kami anu dilatih nyaéta jaringan saraf 152-lapisan anu dicirikeun ku sela atanapi "koneksi sésa-sésa" anu sakaligus ngirimkeun inpormasi kalayan sababaraha résolusi.Ku ngaproyeksikan inpormasi dina résolusi anu béda dina jaringan, platform éta tiasa diajar fitur gambar kualitas rendah dina sababaraha tingkat detil.Salian model ResNet kami, kami ogé ngalatih AlexNet, arsitéktur jaringan neural well-diulik, tanpa sambungan leungit pikeun babandingan (Gambar 3A.ii)12.Tanpa sambungan anu leungit, jaringan ieu moal tiasa nangkep fitur-fitur dina granularitas anu langkung luhur.
Aslina 8 \ (\ kali \) 8mm OCTA13 set gambar geus ditingkatkeun ngagunakeun téhnik réfléksi horizontal sarta vertikal.Dataset lengkep teras dibagi sacara acak dina tingkat gambar kana latihan (51.2%), uji (12.8%), tuning hyperparameter (16%), sareng set data validasi (20%) nganggo scikit-learn toolbox python14.Dua kasus dianggap, hiji dumasar kana detecting ngan gambar kualitas pangluhurna (skor sakabéh 4) jeung lianna dumasar kana detecting ngan gambar kualitas panghandapna (skor sakabéh 0 atawa 1).Pikeun unggal kasus panggunaan kualitas luhur sareng kualitas rendah, jaringan saraf dilatih deui sakali dina data gambar urang.Dina unggal kasus pamakéan, jaringan neural ieu dilatih pikeun 10 epochs, sadaya tapi beurat lapisan pangluhurna anu beku, sarta beurat sadaya parameter internal anu diajar pikeun 40 epochs ngagunakeun métode laju learning diskriminatif jeung cross-éntropi fungsi leungitna 15, 16..Fungsi leungitna entropi silang nyaéta ukuran skala logaritmik tina bédana antara labél jaringan anu diprediksi sareng data nyata.Salila latihan, turunan gradién dilakukeun dina parameter internal jaringan saraf pikeun ngaleutikan karugian.Laju diajar, tingkat dropout, sareng hyperparameter pangurangan beurat disaluyukeun nganggo optimasi Bayesian kalayan 2 titik awal acak sareng 10 iterasi, sareng AUC dina set data disetel nganggo hyperparameters salaku udagan 17.
Conto wawakil 8 × 8 mm OCTA gambar plexuses kapilér deet ngoleksi 2 (A, B), 1 (C, D), jeung 0 (E, F).Artefak gambar anu dipidangkeun kalebet garis kedip-kedip (panah), artefak segmentasi (asterisks), sareng opacity media (panah).Gambar (E) ogé kaluar-puseur.
Kurva ciri operasi panarima (ROC) lajeng dihasilkeun pikeun sakabéh model jaringan saraf, sarta laporan kakuatan sinyal engine dihasilkeun pikeun tiap kasus pamakéan kualitas-low jeung kualitas luhur.Wewengkon dina kurva (AUC) diitung nganggo pakét pROC R, sareng interval kapercayaan 95% sareng nilai-p diitung nganggo metode DeLong18,19.Skor kumulatif tina raters manusa dipaké salaku garis dasar pikeun sakabéh itungan ROC.Pikeun kakuatan sinyal anu dilaporkeun ku mesin, AUC diitung dua kali: sakali pikeun cutoff Scalability Score kualitas luhur sareng sakali pikeun cutoff Scalability Score kualitas rendah.Jaringan saraf dibandingkeun sareng kakuatan sinyal AUC anu ngagambarkeun kaayaan latihan sareng évaluasi sorangan.
Pikeun salajengna nguji model learning jero dilatih dina dataset misah, kualitas luhur sarta kualitas low model langsung dilarapkeun ka evaluasi kinerja 32 beungeut pinuh 6 \ (\ kali \) 6mm gambar slab permukaan dikumpulkeun ti Universitas Yale.Massa panon dipuseurkeun dina waktos anu sami sareng gambar 8 \(\kali \) 8 mm.Gambar 6 \ (\ × \) 6 mm sacara manual ditaksir ku raters anu sami (RD sareng JW) dina cara anu sami sareng gambar 8 \ (\×\) 8 mm, AUC diitung ogé akurasi sareng kappa Cohen. .sarua.
Babandingan henteu saimbangna kelas nyaéta 158:189 (\(\ rho = 1,19 \)) pikeun modél kualitas rendah sareng 80:267 (\ (\ rho = 3,3 \)) pikeun modél kualitas luhur.Kusabab rasio teu saimbangna kelas kirang ti 1: 4, euweuh parobahan arsitéktur husus geus dijieun pikeun ngabenerkeun imbalance kelas20,21.
Pikeun leuwih hadé visualisasi prosés diajar, peta aktivasina kelas dihasilkeun pikeun sakabéh opat model deep learning: model ResNet152 kualitas luhur, model ResNet152 kualitas low, modél AlexNet kualitas luhur, sarta modél AlexNet kualitas handap.Peta aktivasina kelas dihasilkeun tina lapisan convolutional input tina opat model ieu, sarta peta panas dihasilkeun ku overlaying peta aktivasina kalawan gambar sumber ti 8 × 8 mm jeung 6 × 6 mm set validasi22, 23.
Vérsi Sunda 4.0.3 dipaké pikeun sakabéh itungan statistik, sarta visualizations dijieun maké perpustakaan alat grafik ggplot2.
Urang dikumpulkeun 347 gambar frontal tina plexus kapilér deet ukuran 8 \ (\ kali \) 8 mm ti 134 jalma.Mesin ngalaporkeun kakuatan sinyal dina skala 0 nepi ka 10 pikeun sakabéh gambar (hartosna = 6.99 ± 2.29).Tina 347 gambar anu dicandak, umur rata-rata dina pamariksaan nyaéta 58.7 ± 14.6 taun, sareng 39.2% ti pasien lalaki.Tina sadaya gambar, 30,8% ti Kaukasia, 32,6% ti Blacks, 30,8% ti Hispanics, 4% ti Asians, jeung 1,7% ti ras séjén (Table 1).).Sebaran umur pasien kalayan OCTA béda sacara signifikan gumantung kana kualitas gambar (p <0.001).Persentase gambar kualitas luhur di penderita ngora yuswa 18-45 taun éta 33.8% dibandingkeun 12.2% gambar kualitas low (Table 1).Sebaran status retinopathy diabetes ogé béda-béda sacara signifikan dina kualitas gambar (p <0.017).Diantara sakabeh gambar kualitas luhur, persentase penderita PDR éta 18.8% dibandingkeun 38.8% tina sakabeh gambar kualitas low (Table 1).
Peunteun individu sadaya gambar nunjukkeun reliabilitas antar-peunteun anu sedeng dugi ka kuat antara jalma anu maca gambar (kappa bobot Cohen = 0.79, 95% CI: 0.76-0.82), sareng henteu aya titik gambar dimana raters bénten langkung ti 1 (Gbr. 2A)..Inténsitas sinyal correlated nyata kalawan nyetak manual (Korelasi moment produk Pearson = 0.58, 95% CI 0.51-0.65, p <0.001), tapi loba gambar anu diidentifikasi minangka ngabogaan inténsitas sinyal tinggi tapi nyetak manual low (Gbr. 2B).
Salila palatihan arsitéktur ResNet152 sareng AlexNet, leungitna cross-éntropi dina validasi sareng pelatihan langkung ti 50 epochs (Gambar 3B, C).Akurasi validasi dina epoch latihan ahir leuwih ti 90% pikeun duanana kasus pamakéan kualitas luhur sarta kualitas low.
Kurva kinerja panarima nunjukeun yen model ResNet152 nyata outperforms kakuatan sinyal dilaporkeun ku mesin dina duanana kasus pamakéan kualitas lemah sareng luhur (p <0,001).Modél ResNet152 ogé nyata outperforms arsitéktur AlexNet (p = 0,005 jeung p = 0,014 pikeun kualitas lemah sareng kasus kualitas luhur, mungguh).Model anu dihasilkeun pikeun unggal tugas ieu tiasa ngahontal nilai AUC masing-masing 0,99 sareng 0,97, anu langkung saé tibatan nilai AUC anu saluyu 0,82 sareng 0,78 pikeun indéks kakuatan sinyal mesin atanapi 0,97 sareng 0,94 pikeun AlexNet. ..(Gbr. 3).Beda antara ResNet sareng AUC dina kakuatan sinyal langkung luhur nalika ngakuan gambar kualitas luhur, nunjukkeun kauntungan tambahan tina ngagunakeun ResNet pikeun tugas ieu.
Grafik nunjukkeun kamampuan unggal rater mandiri pikeun nyitak sareng ngabandingkeun sareng kakuatan sinyal anu dilaporkeun ku mesin.(A) Jumlah titik anu dipeunteun digunakeun pikeun nyieun jumlah total poin anu bakal dipeunteun.Gambar kalawan skor scalability sakabéh 4 ditugaskeun kualitas luhur, sedengkeun gambar kalawan skor scalability sakabéh 1 atanapi kirang ditugaskeun kualitas low.(B) Inténsitas sinyal pakait sareng perkiraan manual, tapi gambar anu gaduh inténsitas sinyal anu luhur tiasa kualitasna kirang.Garis dotted beureum nunjukkeun ambang kualitas dianjurkeun produsén urang dumasar kana kakuatan sinyal (kakuatan sinyal \(\ge\)6).
Pembelajaran transfer ResNet nyayogikeun paningkatan anu signifikan dina idéntifikasi kualitas gambar pikeun kasus panggunaan kualitas rendah sareng kualitas luhur dibandingkeun tingkat sinyal anu dilaporkeun ku mesin.(A) diagram arsitéktur basajan tina pre-dilatih (i) ResNet152 jeung (ii) arsitéktur AlexNet.(B) Sajarah latihan jeung kurva kinerja panarima pikeun ResNet152 dibandingkeun mesin dilaporkeun kakuatan sinyal jeung kriteria kualitas low AlexNet.(C) sajarah latihan panarima ResNet152 sarta kurva kinerja dibandingkeun mesin dilaporkeun kakuatan sinyal jeung kriteria kualitas luhur AlexNet.
Saatos nyaluyukeun bangbarung wates kaputusan, akurasi prediksi maksimum model ResNet152 nyaeta 95,3% pikeun kasus kualitas handap sarta 93,5% pikeun kasus kualitas luhur (Tabel 2).Akurasi prediksi maksimum modél AlexNet nyaéta 91,0% pikeun kasus kualitas rendah sareng 90,1% pikeun kasus kualitas luhur (Tabel 2).Akurasi prediksi kakuatan sinyal maksimum nyaéta 76.1% pikeun pamakean kualitas rendah sareng 77.8% kanggo kasus pamakean kualitas luhur.Numutkeun kappa Cohen (\(\kappa\)), kasapukan antara modél ResNet152 sareng estimator nyaéta 0,90 pikeun kasus kualitas rendah sareng 0,81 pikeun kasus kualitas luhur.AlexNet kappa Cohen nyaéta 0,82 sareng 0,71 masing-masing pikeun kasus panggunaan kualitas rendah sareng kualitas luhur.Kappa kakuatan sinyal Cohen nyaéta 0,52 sareng 0,27 masing-masing pikeun kasus panggunaan kualitas rendah sareng luhur.
Validasi model pangakuan kualitas luhur jeung low on 6 \ (\ x \) gambar tina 6 mm pelat datar nunjukkeun kamampuh model dilatih pikeun nangtukeun kualitas gambar sakuliah rupa parameter Imaging.Lamun maké 6\(\x\) 6 mm slabs deet pikeun kualitas Imaging, model kualitas low AUC 0,83 (95% CI: 0,69-0,98) jeung model kualitas luhur AUC 0,85.(95% CI: 0,55-1,00) (Table 2).
Inspeksi visual tina peta aktivasina kelas lapisan input némbongkeun yén sakabéh jaringan neural dilatih dipaké fitur gambar salila klasifikasi gambar (Gbr. 4A, B).Pikeun 8 \ (\ kali \) 8 mm sarta 6 \ (\ kali \) 6 gambar mm, gambar aktivasina ResNet raket nuturkeun vasculature rétina.Peta aktivasina AlexNet ogé nuturkeun pembuluh retina, tapi kalayan résolusi anu langkung kasar.
Peta aktivasina kelas pikeun model ResNet152 sareng AlexNet nyorot fitur anu aya hubunganana sareng kualitas gambar.(A) Peta aktivasina kelas némbongkeun aktivasina koheren sanggeus vasculature retinal deet on 8 \ (\ kali \) 8 gambar validasi mm sarta (B) extent on leutik 6 \ (\ kali \) 6 gambar validasi mm.Modél LQ dilatih dina kriteria kualitas low, modél HQ dilatih dina kriteria kualitas luhur.
Samemehna geus ditémbongkeun yén kualitas gambar bisa greatly mangaruhan sagala kuantitas gambar OCTA.Sajaba ti éta, ayana retinopathy ngaronjatkeun incidence artefak gambar7,26.Kanyataanna, dina data urang, konsisten jeung studi saméméhna, urang kapanggih pakaitna signifikan antara ngaronjatna umur na severity kasakit retinal na deterioration dina kualitas gambar (p <0.001, p = 0.017 pikeun umur na DR status masing-masing; Table 1) 27 Ku alatan éta, penting pikeun meunteun kualitas gambar sateuacan ngalakukeun analisa kuantitatif gambar OCTA.Kalolobaan studi analisa gambar OCTA ngagunakeun ambang inténsitas sinyal mesin-dilaporkeun pikeun aturan kaluar gambar kualitas low.Sanajan inténsitas sinyal geus ditémbongkeun mangaruhan kuantitas parameter OCTA, inténsitas sinyal tinggi nyalira bisa jadi teu cukup pikeun aturan kaluar gambar kalawan artefak gambar2,3,28,29.Ku alatan éta, perlu pikeun ngembangkeun métode kontrol kualitas gambar leuwih dipercaya.Ka tungtung ieu, urang evaluate kinerja métode learning jero diawasan ngalawan kakuatan sinyal dilaporkeun ku mesin.
Kami geus ngembangkeun sababaraha model pikeun meunteun kualitas gambar sabab kasus pamakéan OCTA béda bisa boga syarat kualitas gambar béda.Contona, gambar kedah kualitas luhur.Sajaba ti éta, parameter kuantitatif husus dipikaresep ogé penting.Salaku conto, daérah zona avascular foveal henteu gumantung kana kekeruhan medium non-sentral, tapi mangaruhan dénsitas pembuluh.Bari panalungtikan urang terus difokuskeun pendekatan umum pikeun kualitas gambar, teu dihijikeun ka sarat tina sagala test tinangtu, tapi dimaksudkeun pikeun langsung ngaganti kakuatan sinyal dilaporkeun ku mesin, urang miharep pikeun masihan pamaké darajat gede kontrol ambéh maranéhanana. bisa milih métrik husus dipikaresep ku pamaké.milih model nu pakait jeung darajat maksimum artefak gambar dianggap bisa ditarima.
Pikeun pamandangan anu kualitasna rendah sareng kualitas luhur, kami nunjukkeun kinerja anu saé tina jaringan saraf konvolusional jero anu leungit sambungan, kalayan AUC masing-masing 0,97 sareng 0,99 sareng modél kualitas rendah.Urang ogé nunjukkeun kinerja unggul tina pendekatan pembelajaran jero urang lamun dibandingkeun tingkat sinyal dilaporkeun ukur ku mesin.Koneksi skip ngamungkinkeun jaringan saraf pikeun neuleuman fitur dina sababaraha tingkat detil, nyandak aspék gambar anu langkung saé (contona kontras) ogé fitur umum (contona, pusat gambar30,31).Kusabab artefak gambar anu mangaruhan kualitas gambar sigana paling hadé diidentifikasi dina rentang anu lega, arsitéktur jaringan saraf sareng sambungan anu leungit tiasa nunjukkeun prestasi anu langkung saé tibatan anu henteu ngagaduhan tugas pikeun nangtukeun kualitas gambar.
Nalika nguji model urang dina 6 \ (\ × 6mm) gambar OCTA, urang noticed panurunan dina kinerja klasifikasi pikeun duanana kualitas luhur jeung model kualitas low (Gbr. 2), kontras jeung ukuran model dilatih pikeun klasifikasi.Dibandingkeun model ResNet, model AlexNet boga falloff nu leuwih gede.Kinerja rélatif hadé tina ResNet bisa jadi alatan kamampuh sambungan sésa pikeun ngirimkeun informasi dina sababaraha skala, nu ngajadikeun model leuwih mantap pikeun mengklasifikasikan gambar direbut dina skala béda jeung / atawa magnifications.
Sababaraha béda antara gambar 8 \(\×\) 8 mm jeung 6 \(\×\) 6 mm gambar bisa ngakibatkeun klasifikasi goréng, kaasup proporsi rélatif luhur gambar ngandung wewengkon foveal avascular, parobahan pisibilitas, arcade vascular, jeung euweuh saraf optik dina gambar 6 × 6 mm.Sanajan kitu, modél ResNet kualitas luhur urang bisa ngahontal hiji AUC 85% pikeun 6 \(\x\) 6 mm gambar, konfigurasi nu model teu dilatih, suggesting yén informasi kualitas gambar disandikeun dina jaringan saraf. cocog.pikeun hiji ukuran gambar atawa konfigurasi mesin di luar latihan na (meja 2).Reassuringly, ResNet- sarta peta aktivasina AlexNet-kawas 8 \ (\ kali \) 8 mm sarta 6 \ (\ kali \) 6 Gambar mm bisa nyorot pembuluh retina dina dua kasus, nunjukkeun yén modél boga informasi penting.nu lumaku pikeun ngagolongkeun duanana jenis gambar OCTA (Gbr. 4).
Lauerman et al.Penilaian kualitas gambar dina gambar OCTA sami-sami dilakukeun nganggo arsitéktur Inception, jaringan saraf convolutional skip-konéksi sanés6,32 ngagunakeun téknik diajar jero.Éta ogé ngawatesan ulikan kana gambar tina plexus kapilér deet, tapi ngan ngagunakeun leutik 3 × 3 mm gambar ti Optovue AngioVue, sanajan penderita sagala rupa panyakit chorioretinal ogé kaasup.Karya urang ngawangun dina yayasan maranéhanana, kaasup sababaraha model pikeun alamat rupa ambang kualitas gambar jeung sangkan méré konfirmasi hasil pikeun gambar tina ukuran béda.Urang ogé ngalaporkeun métrik AUC tina modél pembelajaran mesin sareng ningkatkeun akurasina anu parantos narik (90%)6 pikeun modél kualitas rendah (96%) sareng kualitas luhur (95,7%)6.
Latihan ieu ngagaduhan sababaraha watesan.Kahiji, gambar anu kaala kalawan ngan hiji mesin OCTA, kaasup ngan gambar tina plexus kapilér deet dina 8 \ (\ kali \) 8 mm sarta 6 \ (\ kali \) 6 mm.Alesan pikeun ngaluarkeun gambar tina lapisan anu langkung jero nyaéta artefak proyéksi tiasa ngajantenkeun evaluasi manual gambar langkung hese sareng kamungkinan kirang konsisten.Saterusna, gambar ngan geus kaala dina penderita diabetik, keur saha OCTA ieu munculna salaku alat diagnostik jeung prognostic penting33,34.Sanaos kami tiasa nguji modél kami dina gambar tina ukuran anu béda pikeun mastikeun hasil anu kuat, kami henteu tiasa ngaidentipikasi set data anu cocog ti pusat anu béda, anu ngabatesan penilaian kami ngeunaan generalisasi modél.Sanajan gambar dicandak ti ngan hiji puseur, aranjeunna dicandak ti penderita béda étnis jeung ras backgrounds, nu mangrupakeun kakuatan unik ulikan urang.Ku ngalebetkeun karagaman dina prosés palatihan, kami ngarep-arep yén hasil urang bakal digeneralisasi dina rasa anu langkung lega, sareng urang bakal ngahindarkeun panyandian bias ras dina modél anu urang latih.
Panaliti kami nunjukkeun yén jaringan neural anu ngalangkungan sambungan tiasa dilatih pikeun ngahontal prestasi anu luhur dina nangtukeun kualitas gambar OCTA.Urang nyadiakeun model ieu salaku alat pikeun panalungtikan salajengna.Kusabab métrik anu béda tiasa gaduh syarat kualitas gambar anu béda, modél kontrol kualitas individu tiasa dikembangkeun pikeun unggal métrik nganggo struktur anu didirikeun di dieu.
Panalungtikan kahareup kedah ngawengku gambar tina ukuran béda ti bojong béda jeung mesin OCTA béda pikeun ménta prosés évaluasi kualitas gambar learning jero nu bisa digeneralisasi kana platform OCTA jeung protokol Imaging.Panaliti ayeuna ogé didasarkeun kana pendekatan diajar jero anu diawaskeun anu meryogikeun evaluasi manusa sareng évaluasi gambar, anu tiasa intensif tanaga gawé sareng nyéépkeun waktos pikeun set data ageung.Tetep katingal naha métode learning jero unsupervised adequately bisa ngabedakeun antara gambar kualitas handap sarta gambar kualitas luhur.
Nalika téknologi OCTA terus mekar sareng kacepetan scanning ningkat, insiden artefak gambar sareng gambar kualitas goréng tiasa ngirangan.Perbaikan dina parangkat lunak, sapertos fitur panyabutan artefak proyéksi anu nembe diwanohkeun, ogé tiasa ngirangan watesan ieu.Sanajan kitu, loba masalah tetep salaku Imaging pasien kalayan fiksasi goréng atawa media turbidity signifikan invariably ngakibatkeun artefak gambar.Salaku OCTA jadi leuwih loba dipaké dina percobaan klinis, tinimbangan ati diperlukeun pikeun ngadegkeun tungtunan jelas pikeun tingkat artefak gambar ditarima pikeun analisis gambar.Aplikasi metode pembelajaran jero kana gambar OCTA nahan jangji anu saé sareng panalungtikan salajengna diperyogikeun di daérah ieu pikeun ngembangkeun pendekatan anu kuat pikeun kadali kualitas gambar.
Kodeu dipaké dina panalungtikan ayeuna sadia dina gudang octa-qc, https://github.com/rahuldhodapkar/octa-qc.Datasets dihasilkeun jeung / atawa dianalisis salila ulikan ayeuna sadia ti pangarang masing-masing kana pamundut lumrah.
Spaide, RF, Fujimoto, JG & Waheed, NK Artefak Gambar dina angiography kohérénsi optik.Rétina 35, 2163–2180 (2015).
Fenner, BJ et al.Idéntifikasi fitur Imaging nu nangtukeun kualitas sarta reproducibility ukuran dénsitas plexus kapilér rétina dina angiography OCT.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL et al.Pangaruh téknologi nyukcruk panon dina kualitas gambar angiografi OCT dina degenerasi macular anu aya hubunganana sareng umur.Lengkungan kuburan.klinis.Exp.ophthalmology.255, 1535–1542 (2017).
Babyuch AS et al.Pangukuran dénsitas perfusi kapiler OCTA dianggo pikeun ngadeteksi sareng ngaevaluasi iskemia macular.bedah ophthalmic.Rétina Laser Imaging 51, S30–S36 (2020).
Anjeunna, K., Zhang, X., Ren, S., sarta Panonpoé, J. Deep Learning Residual pikeun Pangakuan Gambar.Dina 2016 dina Konférénsi IEEE on Computer Vision and Pattern Recognition (2016).
Lauerman, JL et al.Penilaian kualitas gambar angiografi OCT otomatis nganggo algoritma pembelajaran jero.Lengkungan kuburan.klinis.Exp.ophthalmology.257, 1641–1648 (2019).
Lauermann, J. et al.Prévalénsi kasalahan ségméntasi sareng artefak gerak dina angiografi OCT gumantung kana panyakit rétina.Lengkungan kuburan.klinis.Exp.ophthalmology.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Perpustakaan Pembelajaran Jero Imperatif, Kinerja Tinggi.Ngolah canggih inpormasi saraf.sistem.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Database Gambar Hierarki Skala Besar.2009 IEEE Konférénsi on Visi Komputer sarta Pangakuan Pola.248–255.(2009).
Krizhevsky A., Sutzkever I. jeung Hinton GE Imagenet klasifikasi maké jaringan neural convolutional jero.Ngolah canggih inpormasi saraf.sistem.25, 1 (2012).