გმადლობთ Nature.com-ის მონახულებისთვის.თქვენ იყენებთ ბრაუზერის ვერსიას შეზღუდული CSS მხარდაჭერით.საუკეთესო გამოცდილებისთვის, გირჩევთ გამოიყენოთ განახლებული ბრაუზერი (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში).გარდა ამისა, მუდმივი მხარდაჭერის უზრუნველსაყოფად, ჩვენ ვაჩვენებთ საიტს სტილის და JavaScript-ის გარეშე.
სლაიდერები, რომლებიც აჩვენებს სამ სტატიას თითო სლაიდზე.გამოიყენეთ უკანა და შემდეგი ღილაკები სლაიდებში გადასაადგილებლად, ან სლაიდის კონტროლერის ღილაკები ბოლოს თითოეულ სლაიდში გადასაადგილებლად.
ოპტიკური თანმიმდევრული ტომოგრაფიული ანგიოგრაფია (OCTA) არის ახალი მეთოდი ბადურის სისხლძარღვების არაინვაზიური ვიზუალიზაციისთვის.მიუხედავად იმისა, რომ OCTA-ს აქვს მრავალი პერსპექტიული კლინიკური პროგრამა, გამოსახულების ხარისხის განსაზღვრა გამოწვევად რჩება.ჩვენ შევიმუშავეთ ღრმა სწავლაზე დაფუძნებული სისტემა ResNet152 ნერვული ქსელის კლასიფიკატორის გამოყენებით, რომელიც წინასწარ იყო მომზადებული ImageNet-ით, რათა კლასიფიცირდეს ზედაპირული კაპილარული წნულის სურათები 134 პაციენტის 347 სკანირებიდან.სურათები ასევე ხელით შეფასდა როგორც ჭეშმარიტი ჭეშმარიტება ორი დამოუკიდებელი შემფასებლის მიერ ზედამხედველობის ქვეშ მყოფი სწავლის მოდელისთვის.იმის გამო, რომ სურათის ხარისხის მოთხოვნები შეიძლება განსხვავდებოდეს კლინიკური ან კვლევის პარამეტრების მიხედვით, ტრენინგი ჩატარდა ორი მოდელისთვის, ერთი მაღალი ხარისხის გამოსახულების ამოცნობისთვის და მეორე დაბალი ხარისხის გამოსახულების ამოცნობისთვის.ჩვენი ნერვული ქსელის მოდელი აჩვენებს შესანიშნავ ფართობს მრუდის ქვეშ (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), რაც მნიშვნელოვნად უკეთესია, ვიდრე აპარატის მიერ მოხსენებული სიგნალის დონე (AUC = 0.82, 95). % CI).0,77-0,86, \(\kappa\) = 0,52 და AUC = 0,78, 95% CI 0,73-0,83, \(\kappa\) = 0,27, შესაბამისად).ჩვენი კვლევა აჩვენებს, რომ მანქანათმცოდნეობის მეთოდები შეიძლება გამოყენებულ იქნას OCTA გამოსახულების ხარისხის კონტროლის მოქნილი და ძლიერი მეთოდების შესაქმნელად.
ოპტიკური თანმიმდევრული ტომოგრაფიული ანგიოგრაფია (OCTA) არის შედარებით ახალი ტექნიკა, რომელიც დაფუძნებულია ოპტიკურ თანმიმდევრულ ტომოგრაფიაზე (OCT), რომელიც შეიძლება გამოყენებულ იქნას ბადურის მიკროვასკულატურის არაინვაზიური ვიზუალიზაციისთვის.OCTA ზომავს განსხვავებას ასახვის შაბლონებში განმეორებითი სინათლის იმპულსებისგან ბადურის იმავე მიდამოში და შემდეგ რეკონსტრუქცია შეიძლება გამოითვალოს სისხლძარღვების გამოსავლენად საღებავების ან სხვა კონტრასტული აგენტების ინვაზიური გამოყენების გარეშე.OCTA ასევე საშუალებას აძლევს სისხლძარღვთა ვიზუალიზაციას სიღრმისეული გარჩევადობით, რაც კლინიცისტებს საშუალებას აძლევს ცალკე გამოიკვლიონ ზედაპირული და ღრმა გემების შრეები, რაც ეხმარება ქორიორეტინალური დაავადების დიფერენცირებას.
მიუხედავად იმისა, რომ ეს ტექნიკა პერსპექტიულია, გამოსახულების ხარისხის ცვალებადობა რჩება მთავარ გამოწვევად გამოსახულების საიმედო ანალიზისთვის, რაც ართულებს გამოსახულების ინტერპრეტაციას და ხელს უშლის ფართო კლინიკურ მიღებას.იმის გამო, რომ OCTA იყენებს რამდენიმე თანმიმდევრულ OCT სკანირებას, ის უფრო მგრძნობიარეა გამოსახულების არტეფაქტების მიმართ, ვიდრე სტანდარტული OCT.კომერციული OCTA პლატფორმების უმეტესობა უზრუნველყოფს გამოსახულების ხარისხის საკუთარ მეტრიკას, რომელსაც ეწოდება სიგნალის სიძლიერე (SS) ან ზოგჯერ სიგნალის სიძლიერის ინდექსი (SSI).თუმცა, მაღალი SS ან SSI მნიშვნელობის მქონე სურათები არ იძლევა გარანტიას გამოსახულების არტეფაქტების არარსებობას, რამაც შეიძლება გავლენა მოახდინოს სურათის შემდგომ ანალიზზე და გამოიწვიოს არასწორი კლინიკური გადაწყვეტილებები.საერთო გამოსახულების არტეფაქტები, რომლებიც შეიძლება მოხდეს OCTA გამოსახულებაზე, მოიცავს მოძრაობის არტეფაქტებს, სეგმენტაციის არტეფაქტებს, მედიის გამჭვირვალობის არტეფაქტებს და პროექციის არტეფაქტებს1,2,3.
ვინაიდან OCTA-დან მიღებული ზომები, როგორიცაა სისხლძარღვთა სიმკვრივე, სულ უფრო ხშირად გამოიყენება მთარგმნელობით კვლევებში, კლინიკურ კვლევებსა და კლინიკურ პრაქტიკაში, გადაუდებელი აუცილებლობაა შეიმუშაოს გამოსახულების ხარისხის კონტროლის ძლიერი და საიმედო პროცესები გამოსახულების არტეფაქტების აღმოსაფხვრელად4.Skip კავშირები, ასევე ცნობილი როგორც ნარჩენი კავშირები, არის პროგნოზები ნერვული ქსელის არქიტექტურაში, რომელიც საშუალებას აძლევს ინფორმაციას გვერდის ავლით კონვოლუციურ ფენებს, ხოლო ინფორმაციის შენახვისას სხვადასხვა მასშტაბით ან რეზოლუციით5.იმის გამო, რომ გამოსახულების არტეფაქტებს შეუძლიათ გავლენა მოახდინონ მცირე და ზოგადად ფართომასშტაბიანი გამოსახულების შესრულებაზე, გამოტოვების კავშირის ნერვული ქსელები კარგად შეეფერება ხარისხის კონტროლის ამ ამოცანის ავტომატიზაციას5.ახლახან გამოქვეყნებულმა ნაშრომმა აჩვენა გარკვეული დაპირება ღრმა კონვოლუციურ ნერვულ ქსელებზე, რომლებიც გაწვრთნილი იყო ადამიანის შემფასებლების მაღალი ხარისხის მონაცემების გამოყენებით6.
ამ კვლევაში ჩვენ ვავარჯიშებთ კავშირის გამოტოვების კონვოლუციურ ნერვულ ქსელს, რათა ავტომატურად განვსაზღვროთ OCTA სურათების ხარისხი.ჩვენ ვეყრდნობით წინა სამუშაოს ცალკეული მოდელების შემუშავებით მაღალი ხარისხის სურათების და დაბალი ხარისხის სურათების იდენტიფიცირებისთვის, რადგან გამოსახულების ხარისხის მოთხოვნები შეიძლება განსხვავდებოდეს კონკრეტული კლინიკური ან კვლევის სცენარებისთვის.ჩვენ შევადარებთ ამ ქსელების შედეგებს კონვოლუციურ ნერვულ ქსელებთან, კავშირების გამოტოვების გარეშე, რათა შევაფასოთ ფუნქციების ჩართვის მნიშვნელობა გრანულარობის მრავალ დონეზე ღრმა სწავლის ფარგლებში.შემდეგ ჩვენ შევადარეთ ჩვენი შედეგები სიგნალის სიძლიერეს, მწარმოებლების მიერ მოწოდებულ გამოსახულების ხარისხის საყოველთაოდ აღიარებულ საზომს.
ჩვენი კვლევა მოიცავდა დიაბეტის მქონე პაციენტებს, რომლებიც ესწრებოდნენ იელის თვალის ცენტრში 2017 წლის 11 აგვისტოდან 2019 წლის 11 აპრილამდე. პაციენტები ნებისმიერი არადიაბეტური ქორიორეტინალური დაავადებით გამოირიცხებოდნენ.არ არსებობდა ჩართვის ან გამორიცხვის კრიტერიუმები ასაკის, სქესის, რასის, გამოსახულების ხარისხის ან სხვა ფაქტორების მიხედვით.
OCTA სურათები შეძენილი იქნა AngioPlex პლატფორმის გამოყენებით Cirrus HD-OCT 5000-ზე (Carl Zeiss Meditec Inc, Dublin, CA) 8\(\ჯერ\)8 მმ და 6\(\ჯერ\)6 მმ გამოსახულების პროტოკოლებში.კვლევაში მონაწილეობაზე ინფორმირებული თანხმობა იქნა მიღებული კვლევის თითოეული მონაწილისგან და იელის უნივერსიტეტის ინსტიტუციური მიმოხილვის საბჭომ (IRB) დაამტკიცა ინფორმირებული თანხმობის გამოყენება გლობალური ფოტოგრაფიით ყველა ამ პაციენტისთვის.ჰელსინკის დეკლარაციის პრინციპების დაცვით.კვლევა დამტკიცებულია იელის უნივერსიტეტის IRB-ის მიერ.
ზედაპირის ფირფიტის გამოსახულებები შეფასდა ადრე აღწერილი Motion Artifact Score (MAS), ადრე აღწერილი Segmentation Artifact Score (SAS), ფოვეალური ცენტრი, მედიის გამჭვირვალობის არსებობა და მცირე კაპილარების კარგი ვიზუალიზაცია, როგორც ეს განსაზღვრავს გამოსახულების შემფასებელს.სურათები გაანალიზდა ორი დამოუკიდებელი შემფასებელის მიერ (RD და JW).სურათს აქვს შეფასებული ქულა 2 (დასაშვებია), თუ ყველა ქვემოთ ჩამოთვლილი კრიტერიუმი აკმაყოფილებს: სურათი ორიენტირებულია ფოვეაზე (100 პიქსელზე ნაკლები სურათის ცენტრიდან), MAS არის 1 ან 2, SAS არის 1 და მედიის გამჭვირვალობა 1-ზე ნაკლებია. წარმოდგენილია 16/16 ზომის სურათებზე, ხოლო მცირე კაპილარები ჩანს 15/16-ზე დიდ სურათებზე.გამოსახულებას ფასდება 0 (რეიტინგის გარეშე), თუ რომელიმე ქვემოთ ჩამოთვლილი კრიტერიუმი აკმაყოფილებს: გამოსახულება არის ცენტრიდან გარეთ, თუ MAS არის 4, თუ SAS არის 2, ან საშუალო გამჭვირვალეობა სურათის 1/4-ზე მეტია, და მცირე კაპილარების რეგულირება არ შეიძლება 1 სურათის /4-ზე მეტი განსხვავების მიზნით.ყველა სხვა სურათი, რომელიც არ აკმაყოფილებს ქულების კრიტერიუმებს 0 ან 2, ფასდება როგორც 1 (კლიპინგი).
ნახ.1 გვიჩვენებს სურათების ნიმუშს თითოეული მასშტაბური შეფასებისა და გამოსახულების არტეფაქტისთვის.ინდივიდუალური ქულების ინტერრეიტერული სანდოობა შეფასდა კოენის კაპას წონით8.თითოეული შემფასებლის ინდივიდუალური ქულები ჯამდება, რათა მივიღოთ საერთო ქულა თითოეული სურათისთვის, 0-დან 4-მდე. სურათები ჯამური ქულის მქონე 4 ითვლება კარგად.0 ან 1 საერთო ქულის მქონე სურათები ითვლება დაბალი ხარისხის.
ResNet152 არქიტექტურის კონვოლუციური ნერვული ქსელი (ნახ. 3A.i), რომელიც წინასწარ იყო გაწვრთნილი ImageNet მონაცემთა ბაზიდან სურათებზე, გენერირებული იყო fast.ai-ისა და PyTorch Framework5, 9, 10, 11. კონვოლუციური ნერვული ქსელი არის ქსელი, რომელიც იყენებს ნასწავლს. ფილტრები გამოსახულების ფრაგმენტების სკანირებისთვის სივრცითი და ლოკალური მახასიათებლების შესასწავლად.ჩვენი გაწვრთნილი ResNet არის 152-ფენიანი ნერვული ქსელი, რომელსაც ახასიათებს ხარვეზები ან „ნარჩენი კავშირები“, რომლებიც ერთდროულად გადასცემენ ინფორმაციას მრავალი რეზოლუციით.ქსელში ინფორმაციის სხვადასხვა რეზოლუციით პროექციით, პლატფორმას შეუძლია შეისწავლოს დაბალი ხარისხის სურათების მახასიათებლები დეტალების მრავალ დონეზე.ჩვენი ResNet მოდელის გარდა, ჩვენ ასევე მოვამზადეთ AlexNet, კარგად შესწავლილი ნერვული ქსელის არქიტექტურა, შედარებისთვის კავშირების გამოტოვების გარეშე (სურათი 3A.ii)12.კავშირების გამოტოვების გარეშე, ეს ქსელი ვერ შეძლებს ფუნქციების უფრო მაღალი სიზუსტით აღბეჭდვას.
ორიგინალური 8 \(\ჯერ\) 8 მმ OCTA13 გამოსახულების ნაკრები გაუმჯობესდა ჰორიზონტალური და ვერტიკალური ასახვის ტექნიკის გამოყენებით.სრული მონაცემთა ნაკრები შემდეგ შემთხვევით გაიყო გამოსახულების დონეზე ტრენინგებად (51.2%), ტესტირებად (12.8%), ჰიპერპარამეტრების რეგულირებად (16%) და ვალიდაციის (20%) მონაცემთა ნაკრებებად scikit-learn toolbox python14.განხილული იყო ორი შემთხვევა, ერთი დაფუძნებული მხოლოდ უმაღლესი ხარისხის სურათების გამოვლენაზე (საერთო ქულა 4) და მეორე ეფუძნება მხოლოდ ყველაზე დაბალი ხარისხის სურათების აღმოჩენას (საერთო ქულა 0 ან 1).თითოეული მაღალი ხარისხის და დაბალი ხარისხის გამოყენების შემთხვევისთვის, ნერვული ქსელი გადამზადებულია ერთხელ ჩვენს გამოსახულების მონაცემებზე.ყოველი გამოყენების შემთხვევაში, ნერვული ქსელი წვრთნილი იყო 10 ეპოქისთვის, ყველა, გარდა უმაღლესი ფენისა, გაყინული იყო და ყველა შიდა პარამეტრის წონა ისწავლებოდა 40 ეპოქისთვის, სწავლის სიჩქარის დისკრიმინაციული მეთოდის გამოყენებით ჯვარედინი ენტროპიის დაკარგვის ფუნქციით 15, 16..ჯვარედინი ენტროპიის დაკარგვის ფუნქცია არის საზომი ლოგარითმული მასშტაბის შეუსაბამობის პროგნოზირებულ ქსელის ეტიკეტებსა და რეალურ მონაცემებს შორის.ვარჯიშის დროს გრადიენტური დაღმართი ხორციელდება ნერვული ქსელის შიდა პარამეტრებზე დანაკარგების შესამცირებლად.სწავლის სიჩქარის, მიტოვების სიჩქარისა და წონის შემცირების ჰიპერპარამეტრები დალაგდა ბაიესის ოპტიმიზაციის გამოყენებით 2 შემთხვევითი საწყისი წერტილით და 10 გამეორებით, ხოლო მონაცემთა ნაკრების AUC დარეგულირებული იყო ჰიპერპარამეტრების გამოყენებით, როგორც სამიზნე 17.
ზედაპირული კაპილარული პლექსუსების 8 × 8 მმ OCTA გამოსახულების წარმომადგენლობითი მაგალითები 2 (A, B), 1 (C, D) და 0 (E, F).ნაჩვენები გამოსახულების არტეფაქტები მოიცავს მბჟუტავ ხაზებს (ისრებს), სეგმენტაციის არტეფაქტებს (ვარსკვლავებით) და მედიის გამჭვირვალობას (ისრებს).გამოსახულება (E) ასევე ცენტრიდან არის.
მიმღების ოპერაციული მახასიათებლების (ROC) მრუდები შემდეგ გენერირებულია ყველა ნერვული ქსელის მოდელისთვის და ძრავის სიგნალის სიძლიერის ანგარიშები გენერირებულია თითოეული დაბალი ხარისხის და მაღალი ხარისხის გამოყენების შემთხვევისთვის.მრუდის ქვეშ არსებული ფართობი (AUC) გამოითვალა pROC R პაკეტის გამოყენებით, ხოლო 95% ნდობის ინტერვალები და p-მნიშვნელობები გამოითვალა DeLong მეთოდით18,19.ადამიანის შემფასებლების კუმულაციური ქულები გამოიყენება როგორც საბაზისო ყველა ROC გამოთვლებისთვის.აპარატის მიერ მოხსენებული სიგნალის სიძლიერისთვის, AUC გამოითვალა ორჯერ: ერთხელ მაღალი ხარისხის მასშტაბურობის ქულის ათვლისთვის და ერთხელ დაბალი ხარისხის მასშტაბურობის ქულის შეწყვეტისთვის.ნერვული ქსელი შედარებულია AUC სიგნალის სიძლიერესთან, რომელიც ასახავს მის ტრენინგსა და შეფასების პირობებს.
ღრმა სწავლების გაწვრთნილი მოდელის ცალკეულ მონაცემთა ბაზაზე შემდგომი შესამოწმებლად, მაღალი ხარისხის და დაბალი ხარისხის მოდელები პირდაპირ იქნა გამოყენებული იელის უნივერსიტეტიდან შეგროვებული 32 სრული სახის 6\(\ჯერ\) 6მმ ზედაპირის ფილის გამოსახულების შესრულების შეფასებაზე.თვალის მასა ორიენტირებულია სურათთან ერთდროულად 8 \(\ჯერ \) 8 მმ.6 \(\×\) 6 მმ გამოსახულებები ხელით შეფასდა იგივე შემფასებლების მიერ (RD და JW) ისევე, როგორც 8 \(\×\) 8 მმ გამოსახულებები, გამოითვალა AUC ასევე სიზუსტე და კოენის კაპა. .თანაბრად.
კლასის დისბალანსის თანაფარდობა არის 158:189 (\(\rho = 1.19\)) დაბალი ხარისხის მოდელისთვის და 80:267 (\(\rho = 3.3\)) მაღალი ხარისხის მოდელისთვის.იმის გამო, რომ კლასის დისბალანსის თანაფარდობა 1:4-ზე ნაკლებია, არ განხორციელებულა კონკრეტული არქიტექტურული ცვლილებები კლასის დისბალანსის გამოსასწორებლად20,21.
სასწავლო პროცესის უკეთ ვიზუალიზაციისთვის, კლასის აქტივაციის რუქები შეიქმნა ოთხივე მომზადებული ღრმა სწავლის მოდელისთვის: მაღალი ხარისხის ResNet152 მოდელი, დაბალი ხარისხის ResNet152 მოდელი, მაღალი ხარისხის AlexNet მოდელი და დაბალი ხარისხის AlexNet მოდელი.კლასის აქტივაციის რუქები გენერირებულია ამ ოთხი მოდელის შეყვანის კონვოლუციური შრეებიდან, ხოლო სითბოს რუქები გენერირებულია აქტივაციის რუქების გადაფარვით წყაროს სურათებით 8 × 8 მმ და 6 × 6 მმ ვალიდაციის ნაკრებიდან22, 23.
R ვერსია 4.0.3 გამოიყენებოდა ყველა სტატისტიკური გამოთვლებისთვის, ხოლო ვიზუალიზაცია შეიქმნა ggplot2 გრაფიკული ხელსაწყოების ბიბლიოთეკის გამოყენებით.
ჩვენ შევაგროვეთ ზედაპირული კაპილარული წნულის 347 ფრონტალური სურათი 8 \(\ჯერ\)8 მმ-ით 134 ადამიანისგან.მანქანამ მოახსენა სიგნალის სიძლიერე 0-დან 10-მდე მასშტაბით ყველა სურათისთვის (საშუალო = 6,99 ± 2,29).შეძენილი 347 სურათიდან, გამოკვლევის დროს საშუალო ასაკი იყო 58.7 ± 14.6 წელი და 39.2% იყო მამრობითი სქესის პაციენტებისგან.ყველა სურათიდან 30.8% იყო კავკასიელებისგან, 32.6% შავკანიანებისგან, 30.8% ესპანელებისგან, 4% აზიელებისგან და 1.7% სხვა რასებისგან (ცხრილი 1).).OCTA-ს მქონე პაციენტების ასაკობრივი განაწილება მნიშვნელოვნად განსხვავდებოდა გამოსახულების ხარისხზე (p <0.001).18-45 წლის ახალგაზრდა პაციენტებში მაღალი ხარისხის სურათების პროცენტული მაჩვენებელი იყო 33.8% დაბალი ხარისხის სურათების 12.2%-თან შედარებით (ცხრილი 1).დიაბეტური რეტინოპათიის სტატუსის განაწილება ასევე მნიშვნელოვნად განსხვავდებოდა გამოსახულების ხარისხში (p <0.017).ყველა მაღალი ხარისხის სურათებს შორის, PDR-ით დაავადებულთა პროცენტული მაჩვენებელი იყო 18.8% ყველა დაბალი ხარისხის გამოსახულების 38.8%-თან შედარებით (ცხრილი 1).
ყველა სურათის ინდივიდუალური რეიტინგები აჩვენებდა ზომიერ და ძლიერ ინტერრეიტინგულ სანდოობას ადამიანებს შორის, რომლებიც კითხულობენ სურათებს (კოენის შეწონილი კაპა = 0,79, 95% CI: 0,76-0,82), და არ იყო გამოსახულების წერტილები, სადაც შემფასებლები განსხვავდებოდნენ 1-ზე მეტით (ნახ. 2A)..სიგნალის ინტენსივობა მნიშვნელოვნად კორელირებდა ხელით ქულებს (Pearson პროდუქტის მომენტის კორელაცია = 0.58, 95% CI 0.51-0.65, p<0.001), მაგრამ ბევრი სურათი იდენტიფიცირებული იყო, როგორც მაღალი სიგნალის ინტენსივობის მქონე, მაგრამ დაბალი ხელით ქულა (ნახ. .2B).
ResNet152 და AlexNet არქიტექტურების ტრენინგის დროს, ჯვარედინი ენტროპიის დანაკარგი ვალიდაციასა და ტრენინგზე მოდის 50 ეპოქაზე (სურათი 3B,C).საბოლოო ტრენინგის ეპოქაში ვალიდაციის სიზუსტე 90%-ზე მეტია, როგორც მაღალი ხარისხის, ასევე დაბალი ხარისხის გამოყენების შემთხვევაში.
მიმღების მუშაობის მრუდები აჩვენებს, რომ ResNet152 მოდელი მნიშვნელოვნად აღემატება აპარატის მიერ მოხსენებულ სიგნალის სიმძლავრეს როგორც დაბალი, ასევე მაღალი ხარისხის გამოყენების შემთხვევაში (p <0.001).ResNet152 მოდელი ასევე მნიშვნელოვნად აღემატება AlexNet არქიტექტურას (p = 0.005 და p = 0.014 დაბალი ხარისხის და მაღალი ხარისხის შემთხვევებისთვის, შესაბამისად).თითოეული ამ ამოცანისთვის მიღებულმა მოდელებმა შეძლეს მიაღწიონ AUC მნიშვნელობებს, შესაბამისად, 0,99 და 0,97, რაც მნიშვნელოვნად უკეთესია, ვიდრე შესაბამისი AUC მნიშვნელობები 0,82 და 0,78 მანქანის სიგნალის სიძლიერის ინდექსისთვის ან 0,97 და 0,94 AlexNet-ისთვის. ..(ნახ. 3).ResNet-სა და AUC-ს შორის სხვაობა სიგნალის სიძლიერეში უფრო მაღალია მაღალი ხარისხის სურათების ამოცნობისას, რაც მიუთითებს ResNet-ის გამოყენების დამატებით უპირატესობებზე ამ ამოცანისთვის.
გრაფიკები გვიჩვენებს თითოეული დამოუკიდებელი შემფასებლის უნარს, გაიტანოს ქულები და შეადაროს აპარატის მიერ მოხსენებული სიგნალის სიძლიერე.(A) შესაფასებელი ქულების ჯამი გამოიყენება შესაფასებელი ქულების საერთო რაოდენობის შესაქმნელად.სურათებს საერთო მასშტაბურობის ქულით 4 ენიჭება მაღალი ხარისხით, ხოლო სურათებს, რომელთა საერთო მასშტაბურობის ქულა 1 ან ნაკლებია, ენიჭება დაბალი ხარისხი.(B) სიგნალის ინტენსივობა კორელაციაშია ხელით შეფასებებთან, მაგრამ სიგნალის მაღალი ინტენსივობის მქონე სურათები შეიძლება იყოს უფრო ცუდი ხარისხის.წითელი წერტილოვანი ხაზი მიუთითებს მწარმოებლის მიერ რეკომენდებული ხარისხის ზღვარზე სიგნალის სიძლიერეზე (სიგნალის სიძლიერე \(\ge\)6).
ResNet გადაცემის სწავლება უზრუნველყოფს გამოსახულების ხარისხის იდენტიფიკაციის მნიშვნელოვან გაუმჯობესებას, როგორც დაბალი ხარისხის, ასევე მაღალი ხარისხის გამოყენების შემთხვევაში, მანქანით მოხსენებულ სიგნალის დონეებთან შედარებით.(ა) წინასწარ მომზადებული (i) ResNet152 და (ii) AlexNet არქიტექტურების გამარტივებული არქიტექტურული დიაგრამები.(B) ტრენინგის ისტორია და მიმღების მუშაობის მრუდები ResNet152-ისთვის მანქანით მოხსენებულ სიგნალის სიძლიერესთან და AlexNet-ის დაბალი ხარისხის კრიტერიუმებთან შედარებით.(C) ResNet152 მიმღების ტრენინგის ისტორია და შესრულების მრუდები მანქანით მოხსენებულ სიგნალის სიძლიერესთან და AlexNet-ის მაღალი ხარისხის კრიტერიუმებთან შედარებით.
გადაწყვეტილების საზღვრის ზღვრის კორექტირების შემდეგ, ResNet152 მოდელის მაქსიმალური პროგნოზირების სიზუსტე არის 95.3% დაბალი ხარისხის შემთხვევისთვის და 93.5% მაღალი ხარისხის შემთხვევისთვის (ცხრილი 2).AlexNet მოდელის მაქსიმალური პროგნოზირების სიზუსტე არის 91.0% დაბალი ხარისხის შემთხვევაში და 90.1% მაღალი ხარისხის შემთხვევაში (ცხრილი 2).სიგნალის სიძლიერის პროგნოზირების მაქსიმალური სიზუსტე არის 76.1% დაბალი ხარისხის გამოყენების შემთხვევაში და 77.8% მაღალი ხარისხის გამოყენების შემთხვევაში.კოენის კაპას (\(\kappa\)) მიხედვით ResNet152 მოდელსა და შემფასებლებს შორის შეთანხმება არის 0.90 დაბალი ხარისხის შემთხვევისთვის და 0.81 მაღალი ხარისხის შემთხვევისთვის.კოენის AlexNet kappa არის 0.82 და 0.71 დაბალი ხარისხის და მაღალი ხარისხის გამოყენების შემთხვევებისთვის, შესაბამისად.კოენის სიგნალის სიძლიერე კაპა არის 0,52 და 0,27 დაბალი და მაღალი ხარისხის გამოყენების შემთხვევაში, შესაბამისად.
მაღალი და დაბალი ხარისხის ამომცნობი მოდელების ვალიდაცია 6 მმ ბრტყელი ფირფიტის 6\(\x\) სურათებზე ადასტურებს მომზადებული მოდელის უნარს განსაზღვროს გამოსახულების ხარისხი სხვადასხვა გამოსახულების პარამეტრებში.გამოსახულების ხარისხისთვის 6\(\x\) 6 მმ არაღრმა ფილების გამოყენებისას, დაბალი ხარისხის მოდელს ჰქონდა AUC 0,83 (95% CI: 0,69–0,98) და მაღალი ხარისხის მოდელს ჰქონდა AUC 0,85.(95% CI: 0.55–1.00) (ცხრილი 2).
შეყვანის ფენის კლასის აქტივაციის რუქების ვიზუალურმა შემოწმებამ აჩვენა, რომ ყველა გაწვრთნილი ნერვული ქსელი იყენებს გამოსახულების მახასიათებლებს გამოსახულების კლასიფიკაციის დროს (ნახ. 4A, B).8 \(\ჯერ \) 8 მმ და 6 \(\ჯერ \) 6 მმ გამოსახულებისთვის, ResNet აქტივაციის სურათები მჭიდროდ მიჰყვება ბადურის სისხლძარღვებს.AlexNet-ის გააქტიურების რუქები ასევე მიჰყვება ბადურის სისხლძარღვებს, მაგრამ უფრო უხეში გარჩევადობით.
კლასის აქტივაციის რუქები ResNet152 და AlexNet მოდელებისთვის ხაზს უსვამს გამოსახულების ხარისხთან დაკავშირებულ მახასიათებლებს.(A) კლასის აქტივაციის რუკა, რომელიც აჩვენებს თანმიმდევრულ აქტივაციას ბადურის ზედაპირული სისხლძარღვების შემდეგ 8 \(\ჯერ \) 8 მმ ვალიდაციის სურათზე და (B) ზომით უფრო მცირე 6 \(\ჯერ \) 6 მმ ვალიდაციის სურათებზე.LQ მოდელი გაწვრთნილი დაბალი ხარისხის კრიტერიუმებით, HQ მოდელი გაწვრთნილი მაღალი ხარისხის კრიტერიუმებით.
ადრე იყო ნაჩვენები, რომ გამოსახულების ხარისხს შეუძლია დიდად იმოქმედოს OCTA სურათების ნებისმიერ რაოდენობრივ ხარისხზე.გარდა ამისა, რეტინოპათიის არსებობა ზრდის გამოსახულების არტეფაქტების სიხშირეს7,26.სინამდვილეში, ჩვენს მონაცემებში, წინა კვლევებთან შესაბამისობაში, ჩვენ აღმოვაჩინეთ მნიშვნელოვანი კავშირი ასაკისა და ბადურის დაავადების სიმძიმესა და გამოსახულების ხარისხის გაუარესებას შორის (p <0.001, p = 0.017 ასაკისთვის და DR სტატუსისთვის, შესაბამისად; ცხრილი 1) 27 ამდენად, მნიშვნელოვანია სურათის ხარისხის შეფასება OCTA სურათების რაოდენობრივი ანალიზის ჩატარებამდე.კვლევების უმეტესობა, რომელიც აანალიზებს OCTA სურათებს, იყენებს მანქანით მოხსენებულ სიგნალის ინტენსივობის ზღურბლებს დაბალი ხარისხის სურათების გამოსარიცხად.მიუხედავად იმისა, რომ ნაჩვენებია, რომ სიგნალის ინტენსივობა გავლენას ახდენს OCTA პარამეტრების რაოდენობრივ განსაზღვრაზე, მხოლოდ მაღალი სიგნალის ინტენსივობა შეიძლება არ იყოს საკმარისი გამოსახულების არტეფაქტებით სურათების გამოსარიცხად2,3,28,29.ამიტომ აუცილებელია სურათის ხარისხის კონტროლის უფრო საიმედო მეთოდის შემუშავება.ამ მიზნით, ჩვენ ვაფასებთ ზედამხედველობის ქვეშ ღრმა სწავლის მეთოდების მუშაობას მანქანის მიერ მოხსენებული სიგნალის სიძლიერის წინააღმდეგ.
ჩვენ შევიმუშავეთ რამდენიმე მოდელი გამოსახულების ხარისხის შესაფასებლად, რადგან OCTA გამოყენების სხვადასხვა შემთხვევებს შეიძლება ჰქონდეს სურათის ხარისხის განსხვავებული მოთხოვნები.მაგალითად, სურათები უნდა იყოს უფრო მაღალი ხარისხის.გარდა ამისა, ასევე მნიშვნელოვანია ინტერესის კონკრეტული რაოდენობრივი პარამეტრები.მაგალითად, ფოვეალური ავასკულარული ზონის ფართობი არ არის დამოკიდებული არაცენტრალური საშუალების სიმღვრივეზე, მაგრამ გავლენას ახდენს გემების სიმკვრივეზე.მიუხედავად იმისა, რომ ჩვენი კვლევა აგრძელებს გამოსახულების ხარისხის ზოგად მიდგომაზე ფოკუსირებას, რომელიც არ არის დაკავშირებული რაიმე კონკრეტული ტესტის მოთხოვნებთან, მაგრამ მიზნად ისახავს უშუალოდ შეცვალოს აპარატის მიერ მოხსენებული სიგნალის სიძლიერე, ჩვენ ვიმედოვნებთ, რომ მომხმარებლებს უფრო მეტი კონტროლის ხარისხი მივცეთ, რათა მათ შეუძლია აირჩიოს მომხმარებლისთვის საინტერესო კონკრეტული მეტრიკა.აირჩიეთ მოდელი, რომელიც შეესაბამება გამოსახულების არტეფაქტების მაქსიმალურ ხარისხს, რომელიც მისაღებია.
დაბალი ხარისხის და მაღალი ხარისხის სცენებისთვის, ჩვენ ვაჩვენებთ კავშირის გამოტოვებული ღრმა კონვოლუციური ნერვული ქსელების შესანიშნავ შესრულებას, AUC-ებით 0.97 და 0.99 და დაბალი ხარისხის მოდელებით, შესაბამისად.ჩვენ ასევე ვაჩვენებთ ჩვენი ღრმა სწავლის მიდგომის მაღალ შესრულებას, როდესაც შევადარებთ სიგნალის დონეებს, რომლებიც მხოლოდ მანქანების მიერ არის მოხსენებული.კავშირების გამოტოვება საშუალებას აძლევს ნერვულ ქსელებს ისწავლონ ფუნქციები დეტალების მრავალ დონეზე, აღბეჭდონ სურათების უფრო დეტალური ასპექტები (მაგ. კონტრასტი), ასევე ზოგადი მახასიათებლები (მაგ. გამოსახულების ცენტრირება30,31).იმის გამო, რომ გამოსახულების არტეფაქტები, რომლებიც გავლენას ახდენენ გამოსახულების ხარისხზე, ალბათ საუკეთესოდ არის იდენტიფიცირებული ფართო დიაპაზონში, გამოტოვებული კავშირების მქონე ნერვული ქსელის არქიტექტურები შეიძლება აჩვენონ უკეთესი შესრულება, ვიდრე გამოსახულების ხარისხის განსაზღვრის ამოცანების გარეშე.
ჩვენი მოდელის ტესტირებისას 6\(\×6მმ) OCTA სურათებზე, ჩვენ შევნიშნეთ კლასიფიკაციის შესრულების შემცირება როგორც მაღალი, ასევე დაბალი ხარისხის მოდელებისთვის (ნახ. 2), კლასიფიკაციისთვის მომზადებული მოდელის ზომისგან განსხვავებით.ResNet-ის მოდელთან შედარებით, AlexNet-ის მოდელს უფრო დიდი ვარდნა აქვს.ResNet-ის შედარებით უკეთესი შესრულება შეიძლება გამოწვეული იყოს ნარჩენი კავშირების უნარით გადასცეს ინფორმაცია მრავალ მასშტაბით, რაც მოდელს უფრო გამძლეს ხდის სხვადასხვა მასშტაბით და/ან გადიდებით გადაღებული სურათების კლასიფიკაციისთვის.
ზოგიერთმა განსხვავებამ 8 \(\×\) 8 მმ სურათსა და 6 \(\×\) 6 მმ სურათს შორის შეიძლება გამოიწვიოს ცუდი კლასიფიკაცია, მათ შორის სურათების შედარებით მაღალი პროპორცია, რომლებიც შეიცავს ფოვეალურ ავასკულარულ არეებს, ხილვადობის ცვლილებებს, სისხლძარღვთა არკადებს და არ არის მხედველობის ნერვი სურათზე 6×6 მმ.ამის მიუხედავად, ჩვენმა მაღალი ხარისხის ResNet მოდელმა შეძლო მიეღწია AUC 85% 6 \(\x\) 6 მმ გამოსახულებისთვის, კონფიგურაცია, რომლისთვისაც მოდელი არ იყო მომზადებული, რაც ვარაუდობს, რომ სურათის ხარისხის ინფორმაცია დაშიფრულია ნერვულ ქსელში. შესაფერისია.ერთი გამოსახულების ზომის ან მანქანის კონფიგურაციისთვის მისი ტრენინგის მიღმა (ცხრილი 2).დამაიმედებელია, რომ ResNet-ისა და AlexNet-ის მსგავსი აქტივაციის რუქებმა 8 \(\ჯერ\) 8 მმ და 6 \(\ჯერ \) 6 მმ გამოსახულებით შეძლო ბადურის სისხლძარღვების ხაზგასმა ორივე შემთხვევაში, რაც ვარაუდობს, რომ მოდელს აქვს მნიშვნელოვანი ინფორმაცია.გამოიყენება ორივე ტიპის OCTA გამოსახულების კლასიფიკაციისთვის (ნახ. 4).
ლაუერმანი და სხვ.სურათის ხარისხის შეფასება OCTA სურათებზე ანალოგიურად განხორციელდა Inception არქიტექტურის გამოყენებით, კიდევ ერთი გამოტოვებული კავშირის კონვოლუციური ნერვული ქსელი6,32 ღრმა სწავლის ტექნიკის გამოყენებით.მათ ასევე შემოიფარგლეს კვლევა ზედაპირული კაპილარული წნულის გამოსახულებით, მაგრამ მხოლოდ Optovue AngioVue-დან 3×3 მმ-იანი სურათების გამოყენებით, თუმცა სხვადასხვა ქორიორეტინალური დაავადების მქონე პაციენტებიც შედიოდნენ.ჩვენი ნამუშევარი ეყრდნობა მათ საფუძველს, მათ შორის მრავალ მოდელს გამოსახულების ხარისხის სხვადასხვა ზღურბლებისთვის და სხვადასხვა ზომის სურათების შედეგების დასადასტურებლად.ჩვენ ასევე ვახსენებთ მანქანათმცოდნეობის მოდელების AUC მეტრიკას და ვზრდით მათ უკვე შთამბეჭდავ სიზუსტეს (90%)6 როგორც დაბალი ხარისხის (96%), ასევე მაღალი ხარისხის (95.7%) მოდელებისთვის6.
ამ ტრენინგს აქვს რამდენიმე შეზღუდვა.პირველი, სურათები მიიღეს მხოლოდ ერთი OCTA აპარატით, მათ შორის მხოლოდ ზედაპირული კაპილარული წნულის სურათები 8\(\ჯერ\)8 მმ და 6\(\ჯერ\)6 მმ.გამოსახულების ღრმა შრეებიდან გამორიცხვის მიზეზი არის ის, რომ პროექციის არტეფაქტებს შეუძლიათ სურათების ხელით შეფასება უფრო რთული და შესაძლოა ნაკლებად თანმიმდევრული გახადონ.გარდა ამისა, გამოსახულებები შეძენილია მხოლოდ დიაბეტიან პაციენტებში, ვისთვისაც OCTA ჩნდება, როგორც მნიშვნელოვანი დიაგნოსტიკური და პროგნოზული ინსტრუმენტი33,34.მიუხედავად იმისა, რომ ჩვენ შევძელით ჩვენი მოდელის ტესტირება სხვადასხვა ზომის გამოსახულებებზე, რათა დავრწმუნდეთ, რომ შედეგები ძლიერი იყო, ჩვენ ვერ შევძელით სხვადასხვა ცენტრის შესაბამისი მონაცემთა ნაკრების იდენტიფიცირება, რამაც შეზღუდა მოდელის განზოგადების ჩვენი შეფასება.მიუხედავად იმისა, რომ სურათები მხოლოდ ერთი ცენტრიდან იქნა მიღებული, ისინი სხვადასხვა ეთნიკური და რასობრივი წარმომავლობის პაციენტებისგან იყო მიღებული, რაც ჩვენი კვლევის უნიკალური ძალაა.ჩვენს სასწავლო პროცესში მრავალფეროვნების ჩართვით, ჩვენ ვიმედოვნებთ, რომ ჩვენი შედეგები განზოგადდება უფრო ფართო გაგებით და ჩვენ თავიდან ავიცილებთ რასობრივი მიკერძოების დაშიფვრას მოდელებში, რომლებსაც ვავარჯიშებთ.
ჩვენი კვლევა გვიჩვენებს, რომ კავშირის გამოტოვების ნერვული ქსელების მომზადება შესაძლებელია OCTA გამოსახულების ხარისხის განსაზღვრაში მაღალი ეფექტურობის მისაღწევად.ჩვენ გთავაზობთ ამ მოდელებს, როგორც ინსტრუმენტებს შემდგომი კვლევისთვის.იმის გამო, რომ სხვადასხვა მეტრიკას შეიძლება ჰქონდეს გამოსახულების ხარისხის განსხვავებული მოთხოვნები, ინდივიდუალური ხარისხის კონტროლის მოდელი შეიძლება შემუშავდეს თითოეული მეტრიკისთვის აქ ჩამოყალიბებული სტრუქტურის გამოყენებით.
მომავალი კვლევა უნდა მოიცავდეს სხვადასხვა ზომის სურათებს სხვადასხვა სიღრმიდან და სხვადასხვა OCTA მანქანებს, რათა მივიღოთ ღრმა სწავლის სურათის ხარისხის შეფასების პროცესი, რომელიც შეიძლება განზოგადდეს OCTA პლატფორმებზე და გამოსახულების პროტოკოლებზე.მიმდინარე კვლევა ასევე ეფუძნება ზედამხედველობით ღრმა სწავლის მიდგომებს, რომლებიც საჭიროებენ ადამიანის შეფასებას და გამოსახულების შეფასებას, რაც შეიძლება იყოს შრომატევადი და შრომატევადი დიდი მონაცემთა ნაკრებისთვის.გასარკვევია, შეუძლია თუ არა ადეკვატურად განასხვავოს ღრმა სწავლის უკონტროლო მეთოდები დაბალი ხარისხის სურათებსა და მაღალი ხარისხის სურათებს შორის.
OCTA ტექნოლოგია განაგრძობს განვითარებას და იზრდება სკანირების სიჩქარე, გამოსახულების არტეფაქტების და უხარისხო სურათების სიხშირე შეიძლება შემცირდეს.პროგრამული უზრუნველყოფის გაუმჯობესებამ, როგორიცაა ახლახან შემოღებული პროექციის არტეფაქტის მოცილების ფუნქცია, ასევე შეუძლია შეამსუბუქოს ეს შეზღუდვები.თუმცა, ბევრი პრობლემა რჩება, რადგან ცუდი ფიქსაციის ან მნიშვნელოვანი მედიის სიმღვრივის მქონე პაციენტების ვიზუალიზაცია უცვლელად იწვევს გამოსახულების არტეფაქტებს.ვინაიდან OCTA უფრო ფართოდ გამოიყენება კლინიკურ კვლევებში, საჭიროა ფრთხილად განხილვა, რათა შეიქმნას მკაფიო გაიდლაინები გამოსახულების არტეფაქტის მისაღები დონის გამოსახულების ანალიზისთვის.ღრმა სწავლის მეთოდების გამოყენება OCTA სურათებზე დიდ გვპირდება და საჭიროა შემდგომი კვლევა ამ სფეროში, რათა განვითარდეს გამოსახულების ხარისხის კონტროლის ძლიერი მიდგომა.
მიმდინარე კვლევაში გამოყენებული კოდი ხელმისაწვდომია octa-qc საცავში, https://github.com/rahuldhodapkar/octa-qc.მიმდინარე კვლევის დროს გენერირებული და/ან გაანალიზებული მონაცემთა ნაკრები ხელმისაწვდომია შესაბამისი ავტორებისგან გონივრული მოთხოვნით.
Spaide, RF, Fujimoto, JG & Waheed, NK გამოსახულების არტეფაქტები ოპტიკურ თანმიმდევრულ ანგიოგრაფიაში.Retina 35, 2163–2180 (2015).
ფენერი, ბიჯეი და სხვ.ვიზუალიზაციის მახასიათებლების იდენტიფიცირება, რომლებიც განსაზღვრავენ ბადურის კაპილარული წნულის სიმკვრივის გაზომვების ხარისხს და განმეორებადობას OCT ანგიოგრაფიაში.BR.ჯ.ოფთალმოლი.102, 509–514 (2018).
Lauerman, JL et al.თვალის თვალთვალის ტექნოლოგიის გავლენა OCT ანგიოგრაფიის გამოსახულების ხარისხზე ასაკთან დაკავშირებული მაკულარული დეგენერაციაში.საფლავის თაღი.კლინიკური.ვადაოფთალმოლოგია.255, 1535–1542 (2017).
Babyuch AS და სხვ.OCTA კაპილარული პერფუზიის სიმკვრივის გაზომვები გამოიყენება მაკულარული იშემიის გამოსავლენად და შესაფასებლად.ოფთალმოლოგიური ქირურგია.ბადურის ლაზერული გამოსახულება 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. და Sun, J. Deep Residual Learning გამოსახულების ამოცნობისთვის.2016 წელს IEEE კონფერენციაზე კომპიუტერული ხედვისა და ნიმუშის ამოცნობის შესახებ (2016 წ.).
Lauerman, JL et al.OCT ანგიოგრაფიული გამოსახულების ხარისხის ავტომატური შეფასება ღრმა სწავლის ალგორითმების გამოყენებით.საფლავის თაღი.კლინიკური.ვადაოფთალმოლოგია.257, 1641–1648 (2019).
Lauermann, J. et al.სეგმენტაციის შეცდომების და მოძრაობის არტეფაქტების გავრცელება OCT ანგიოგრაფიაში დამოკიდებულია ბადურის დაავადებაზე.საფლავის თაღი.კლინიკური.ვადაოფთალმოლოგია.256, 1807–1816 (2018).
პასკი, ადამ და სხვ.Pytorch: იმპერატიული, მაღალი ხარისხის ღრმა სწავლის ბიბლიოთეკა.ნერვული ინფორმაციის გაფართოებული დამუშავება.სისტემა.32, 8026–8037 (2019).
დენგი, ჯ. და სხვ.ImageNet: ფართომასშტაბიანი იერარქიული გამოსახულების მონაცემთა ბაზა.2009 IEEE კონფერენცია კომპიუტერული ხედვისა და ნიმუშის ამოცნობის შესახებ.248–255 წწ.(2009).
Krizhevsky A., Sutzkever I. და Hinton GE Imagenet კლასიფიკაცია ღრმა კონვოლუციური ნერვული ქსელების გამოყენებით.ნერვული ინფორმაციის გაფართოებული დამუშავება.სისტემა.25, 1 (2012).