Täname, et külastasite veebilehte Nature.com.Kasutate piiratud CSS-i toega brauseri versiooni.Parima kasutuskogemuse saamiseks soovitame kasutada uuendatud brauserit (või keelata Internet Exploreris ühilduvusrežiim).Lisaks näitame jätkuva toe tagamiseks saiti ilma stiilide ja JavaScriptita.
Liugurid, mis näitavad kolme artiklit slaidi kohta.Kasutage slaidide vahel liikumiseks nuppu Tagasi ja Järgmine või igal slaidil liikumiseks lõpus olevaid slaidijuhtnuppe.
Optiline koherentsitomograafiline angiograafia (OCTA) on uus meetod võrkkesta veresoonte mitteinvasiivseks visualiseerimiseks.Kuigi OCTA-l on palju paljutõotavaid kliinilisi rakendusi, on pildikvaliteedi määramine endiselt väljakutse.Töötasime välja süvaõppel põhineva süsteemi, kasutades ImageNetiga eelnevalt koolitatud ResNet152 närvivõrgu klassifikaatorit, et klassifitseerida pindmised kapillaarpõimiku kujutised 134 patsiendi 347 skaneeringust.Kaks sõltumatut hindajat hindasid pilte ka käsitsi tõeseks tõeks juhendatud õppemudeli jaoks.Kuna pildikvaliteedi nõuded võivad olenevalt kliinilistest või uuringuseadetest erineda, koolitati välja kaks mudelit, üks kvaliteetse pildituvastuse jaoks ja teine ​​madala kvaliteediga kujutise tuvastamiseks.Meie närvivõrgu mudel näitab suurepärast kõveraalust pindala (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), mis on oluliselt parem kui masina teatatud signaalitase (AUC = 0,82, 95). % CI).0,77–0,86, \(\kappa\) = 0,52 ja AUC = 0,78, 95% CI 0,73–0,83, \(\kappa\) = 0,27).Meie uuring näitab, et masinõppemeetodeid saab kasutada OCTA-piltide paindlike ja tugevate kvaliteedikontrolli meetodite väljatöötamiseks.
Optiline koherentsitomograafiline angiograafia (OCTA) on suhteliselt uus meetod, mis põhineb optilisel koherentsustomograafial (OCT), mida saab kasutada võrkkesta mikrovaskulatuuri mitteinvasiivseks visualiseerimiseks.OCTA mõõdab peegeldusmustrite erinevust korduvatest valgusimpulssidest võrkkesta samas piirkonnas ja seejärel saab arvutada rekonstruktsioonid, et paljastada veresooned ilma värvainete või muude kontrastainete invasiivse kasutamiseta.OCTA võimaldab ka sügavusresolutsiooniga veresoonte pildistamist, võimaldades arstidel eraldi uurida pindmisi ja sügavaid veresoonte kihte, aidates eristada koorioretinaalset haigust.
Kuigi see meetod on paljulubav, on kujutise kvaliteedi varieerumine endiselt suureks väljakutseks usaldusväärse pildianalüüsi jaoks, muutes kujutise tõlgendamise keeruliseks ja takistades laialdast kliinilist kasutuselevõttu.Kuna OCTA kasutab mitut järjestikust OCT-skaneerimist, on see kujutise artefaktide suhtes tundlikum kui tavaline OCT.Enamik kaubanduslikke OCTA platvorme pakub oma pildikvaliteedi mõõdikut, mida nimetatakse signaalitugevuseks (SS) või mõnikord signaali tugevusindeksiks (SSI).Kõrge SS- või SSI-väärtusega pildid ei garanteeri siiski kujutise artefaktide puudumist, mis võib mõjutada mis tahes järgnevat pildianalüüsi ja viia valede kliiniliste otsusteni.Tavalised kujutise artefaktid, mis võivad OCTA-pildis esineda, hõlmavad liikumisartefakte, segmenteerimisartefakte, meedia läbipaistmatuse artefakte ja projektsiooniartefakte1,2,3.
Kuna translatsiooniuuringutes, kliinilistes uuringutes ja kliinilises praktikas kasutatakse üha enam OCTA-st tuletatud mõõte, nagu vaskulaarne tihedus, on vaja kiiresti välja töötada tugevad ja usaldusväärsed pildikvaliteedi kontrolli protsessid, et kõrvaldada kujutise artefaktid4.Vaheühendused, tuntud ka kui jääkühendused, on närvivõrgu arhitektuuri projektsioonid, mis võimaldavad teabel konvolutsioonikihtidest mööda minna, salvestades samal ajal teavet erineva skaala või eraldusvõimega5.Kuna pildiartefaktid võivad mõjutada väikesemahulist ja üldist suuremahulist kujutise jõudlust, sobivad vahelejätmise närvivõrgud selle kvaliteedikontrolli ülesande automatiseerimiseks hästi5.Hiljuti avaldatud töö on näidanud mõningaid lubadusi sügavate konvolutsiooniliste närvivõrkude jaoks, mis on koolitatud kasutades inimese hindajate kvaliteetseid andmeid6.
Selles uuringus treenime ühendust vahelejätvat konvolutsioonilist närvivõrku, et määrata automaatselt OCTA-piltide kvaliteet.Toetume varasemale tööle, töötades välja eraldi mudelid kvaliteetsete piltide ja madala kvaliteediga piltide tuvastamiseks, kuna pildikvaliteedi nõuded võivad konkreetsete kliiniliste või uurimisstsenaariumide puhul erineda.Võrdleme nende võrkude tulemusi konvolutsiooniliste närvivõrkudega ilma ühendusteta, et hinnata süvaõppesse mitmel detailsustasemel funktsioonide kaasamise väärtust.Seejärel võrdlesime oma tulemusi signaali tugevusega, mis on tootjate pakutav üldtunnustatud pildikvaliteedi mõõt.
Meie uuringus osalesid diabeediga patsiendid, kes osalesid Yale'i silmakeskuses ajavahemikus 11. august 2017 kuni 11. aprill 2019. Mis tahes mittediabeetilise koorioretinaalse haigusega patsiendid jäeti välja.Puudusid vanuse, soo, rassi, pildikvaliteedi või mõne muu teguri kaasamise või välistamise kriteeriumid.
OCTA-pildid saadi AngioPlexi platvormi abil Cirrus HD-OCT 5000-l (Carl Zeiss Meditec Inc, Dublin, CA) 8\(\times\)8 mm ja 6\(\times\)6 mm pildistamisprotokollidega.Teadlik nõusolek uuringus osalemiseks saadi igalt uuringus osalejalt ja Yale'i ülikooli institutsionaalne ülevaatenõukogu (IRB) kiitis heaks teadliku nõusoleku kasutamise globaalse fotograafiaga kõigi nende patsientide puhul.Järgides Helsingi deklaratsiooni põhimõtteid.Uuringu kiitis heaks Yale'i ülikooli IRB.
Pinnaplaadi kujutisi hinnati eelnevalt kirjeldatud liikumisartefakti skoori (MAS), eelnevalt kirjeldatud segmentatsiooniartefakti skoori (SAS), foveaalkeskme, kandja läbipaistmatuse olemasolu ja väikeste kapillaaride hea visualiseerimise põhjal, nagu on määranud pildi hindaja.Pilte analüüsisid kaks sõltumatut hindajat (RD ja JW).Pildi hindeks on 2 (sobilik), kui kõik järgmised kriteeriumid on täidetud: pilt on fovea keskel (vähem kui 100 pikslit pildi keskpunktist), MAS on 1 või 2, SAS on 1 ja kandja läbipaistmatus on väiksem kui 1. Esineb piltidel, mille suurus on / 16, ja väikesi kapillaare on näha piltidel, mis on suuremad kui 15/16.Pilt on hinnatud 0-ga (hinne puudub), kui on täidetud mõni järgmistest kriteeriumidest: pilt on tsentrist väljas, kui MAS on 4, kui SAS on 2 või keskmine läbipaistmatus on suurem kui 1/4 pildist ja väikseid kapillaare ei saa eristamiseks reguleerida rohkem kui 1 pilt /4.Kõik muud pildid, mis ei vasta hindamiskriteeriumitele 0 või 2, hinnatakse 1-ga (lõikamine).
Joonisel fig.1 näitab näidispilte iga skaleeritud hinnangu ja kujutise artefakti kohta.Individuaalsete skooride hindajatevahelist usaldusväärsust hinnati Coheni kappa kaaluga8.Iga hindaja individuaalsed hinded summeeritakse, et saada iga pildi üldskoor vahemikus 0 kuni 4. Pilte, mille koguskoor on 4, loetakse heaks.Pilte, mille koguskoor on 0 või 1, peetakse madala kvaliteediga.
ResNet152 arhitektuuri konvolutsiooniline närvivõrk (joonis 3A.i), mis on eelnevalt väljaõpetatud ImageNeti andmebaasi piltidele, loodi faili fast.ai ja PyTorchi raamistiku5, 9, 10, 11 abil. Konvolutsiooniline närvivõrk on võrk, mis kasutab õpitud filtrid pildifragmentide skaneerimiseks, et uurida ruumilisi ja kohalikke omadusi.Meie koolitatud ResNet on 152-kihiline närvivõrk, mida iseloomustavad lüngad või "jääkühendused", mis edastavad samaaegselt teavet mitme eraldusvõimega.Projitseerides teavet erinevate eraldusvõimetega üle võrgu, saab platvorm õppida madala kvaliteediga kujutiste funktsioone mitmel detailsustasemel.Lisaks meie ResNeti mudelile koolitasime välja ka hästi uuritud närvivõrgu arhitektuuri AlexNeti, ilma et oleks võrdluseks puudu ühendusi (joonis 3A.ii)12.Ilma puuduvate ühendusteta ei suuda see võrk funktsioone suurema detailsusega jäädvustada.
Algset 8\(\times\)8mm OCTA13 pildikomplekti on täiustatud horisontaal- ja vertikaalpeegeldustehnikate abil.Seejärel jagati täielik andmestik pildi tasemel juhuslikult treeninguteks (51,2%), testimiseks (12,8%), hüperparameetrite häälestamiseks (16%) ja valideerimiseks (20%), kasutades scikit-learn'i tööriistakasti python14.Arvestati kahte juhtumit, millest üks põhines ainult kõrgeima kvaliteediga piltide tuvastamisel (üldine skoor 4) ja teine ​​​​ainult madalaima kvaliteediga kujutiste tuvastamisel (üldine skoor 0 või 1).Iga kvaliteetse ja madala kvaliteediga kasutusjuhtumi puhul õpetatakse närvivõrk meie pildiandmetele üks kord ümber.Igal kasutusjuhul treeniti närvivõrku 10 epohhi jaoks, kõik peale suurimate kihtide kaalud fikseeriti ja kõigi sisemiste parameetrite kaalud õpiti 40 epohhi jaoks, kasutades diskrimineerivat õppimiskiiruse meetodit koos ristentroopia kadumise funktsiooniga 15, 16..Ristentroopia kadumise funktsioon on prognoositud võrgusiltide ja tegelike andmete vahelise lahknevuse logaritmilise skaala mõõt.Treeningu ajal tehakse kadude minimeerimiseks närvivõrgu sisemiste parameetrite põhjal gradientlaskumine.Õppimissageduse, väljalangemise määra ja kaalu vähendamise hüperparameetrid häälestati Bayesi optimeerimise abil 2 juhusliku lähtepunkti ja 10 iteratsiooniga ning andmekogumi AUC häälestati, kasutades hüperparameetreid sihtmärgina 17.
Tüüpilised näited pindmiste kapillaarpõimikute 8 × 8 mm OCTA kujutistest, mille hindeks on 2 (A, B), 1 (C, D) ja 0 (E, F).Kuvatud pildiartefaktid hõlmavad virvendavaid jooni (nooled), segmenteerimisartefakte (tärnid) ja meedia läbipaistmatust (nooled).Pilt (E) on samuti keskelt väljas.
Seejärel genereeritakse kõigi närvivõrgu mudelite jaoks vastuvõtja tööomaduste (ROC) kõverad ning mootori signaalitugevuse aruanded iga madala kvaliteediga ja kvaliteetse kasutusjuhtumi kohta.Kõveraalune pindala (AUC) arvutati proROC R paketi abil ning 95% usaldusvahemikud ja p-väärtused arvutati DeLongi meetodil18,19.Inimeste hindajate kumulatiivseid hindeid kasutatakse kõigi ROC arvutuste lähtejoonena.Masina teatatud signaalitugevuse jaoks arvutati AUC kaks korda: üks kord kõrgekvaliteedilise skaleeritavusskoori piirväärtuse jaoks ja üks kord madala kvaliteediga skaleeritavusskoori piirväärtuse jaoks.Närvivõrku võrreldakse AUC signaali tugevusega, mis peegeldab selle enda koolitus- ja hindamistingimusi.
Treenitud süvaõppe mudeli edasiseks testimiseks eraldi andmekogumis rakendati kõrgekvaliteedilisi ja madala kvaliteediga mudeleid otse Yale'i ülikoolist kogutud 32 täispinnalise 6\(\times\) 6 mm pinnaga plaadi kujutise jõudluse hindamiseks.Silma mass on tsentreeritud samaaegselt kujutisega 8 \(\times \) 8 mm.6\(\×\) 6 mm kujutisi hindasid käsitsi samad hindajad (RD ja JW) samal viisil nagu 8\(\×\) 8 mm kujutisi, arvutati AUC, samuti täpsus ja Coheni kappa. .võrdselt.
Klassi tasakaalustamatuse suhe on madala kvaliteediga mudeli puhul 158:189 (\(\rho = 1,19\)) ja kvaliteetse mudeli puhul 80:267 (\(\rho = 3,3\)).Kuna klasside tasakaalustamatuse suhe on väiksem kui 1:4, ei ole klassi tasakaalustamatuse korrigeerimiseks spetsiifilisi arhitektuurilisi muudatusi tehtud20,21.
Õppeprotsessi paremaks visualiseerimiseks genereeriti klassi aktiveerimise kaardid kõigi nelja koolitatud süvaõppe mudeli jaoks: kvaliteetne ResNet152 mudel, madala kvaliteediga ResNet152 mudel, kvaliteetne AlexNeti mudel ja madala kvaliteediga AlexNeti mudel.Klassi aktiveerimise kaardid genereeritakse nende nelja mudeli sisendkonvolutsioonikihtidest ja soojuskaardid genereeritakse aktiveerimiskaartide katmisel lähtekujutistega 8 × 8 mm ja 6 × 6 mm valideerimiskomplektidest 22, 23.
Kõigi statistiliste arvutuste jaoks kasutati R versiooni 4.0.3 ja visualiseeringud loodi graafikatööriistade teeki ggplot2 abil.
Kogusime 134 inimeselt 347 pindmise kapillaarpõimiku eesmist pilti, mille mõõtmed on 8 \(\ korda \) 8 mm.Masin andis kõigi piltide signaali tugevuse skaalal 0–10 (keskmine = 6,99 ± 2,29).Omandatud 347 pildist oli keskmine vanus uuringu ajal 58,7 ± 14,6 aastat ja 39,2% olid meespatsientidel.Kõigist piltidest 30,8% olid pärit kaukaaslastest, 32,6% mustanahalistest, 30,8% hispaanlastest, 4% aasialastest ja 1,7% muudest rassidest (tabel 1).).OCTA-ga patsientide vanuseline jaotus erines oluliselt sõltuvalt pildi kvaliteedist (p < 0,001).Kvaliteetsete piltide protsent noorematel patsientidel vanuses 18–45 aastat oli 33,8%, võrreldes 12,2% madala kvaliteediga piltidega (tabel 1).Diabeetilise retinopaatia staatuse jaotus varieerus oluliselt ka pildikvaliteedis (p < 0,017).Kõigi kvaliteetsete piltide hulgas oli PDR-iga patsientide protsent 18, 8%, võrreldes 38, 8% kõigi madala kvaliteediga piltidega (tabel 1).
Kõigi piltide individuaalsed hinnangud näitasid mõõdukat kuni tugevat hinnangutevahelist usaldusväärsust pilte lugevate inimeste vahel (Coheni kaalutud kappa = 0,79, 95% CI: 0,76–0,82) ja pildipunkte, kus hindajad erineksid rohkem kui 1, ei leitud (joonis 1). 2A)..Signaali intensiivsus korreleerus olulisel määral käsitsi punktide määramisega (Pearson toote momendi korrelatsioon = 0,58, 95% CI 0,51–0,65, p < 0,001), kuid paljudel piltidel tuvastati kõrge signaali intensiivsus, kuid madal käsitsi skoor (joonis .2B).
ResNet152 ja AlexNeti arhitektuuride treenimise ajal langeb ristentroopia kadu valideerimisel ja treenimisel üle 50 epohhi (joonis 3B, C).Valideerimise täpsus viimasel koolitusperioodil on üle 90% nii kõrge kvaliteediga kui ka madala kvaliteediga kasutusjuhtudel.
Vastuvõtja jõudluskõverad näitavad, et ResNet152 mudel ületab oluliselt masina poolt teatatud signaali võimsust nii madala kui ka kvaliteetse kasutamise korral (p < 0,001).ResNet152 mudel ületab oluliselt ka AlexNeti arhitektuuri (p = 0,005 ja p = 0,014 madala kvaliteediga ja kõrge kvaliteediga juhtumite puhul).Kõigi nende ülesannete jaoks saadud mudelid suutsid saavutada AUC väärtused vastavalt 0,99 ja 0,97, mis on oluliselt parem kui vastavad AUC väärtused 0,82 ja 0,78 masina signaali tugevuse indeksi või 0,97 ja 0,94 AlexNeti jaoks. ..(joonis 3).Signaali tugevuse erinevus ResNeti ja AUC vahel on kõrgekvaliteediliste piltide tuvastamisel suurem, mis näitab ResNeti kasutamise täiendavaid eeliseid selle ülesande jaoks.
Graafikud näitavad iga sõltumatu hindaja suutlikkust anda punkte ja võrrelda seda masina teatatud signaali tugevusega.(A) Hinnatavate punktide summat kasutatakse hinnatavate punktide koguarvu moodustamiseks.Piltidele, mille skaleeritavuse üldskoor on 4, määratakse kõrge kvaliteet, piltidele, mille skaleeritavus on üldiselt 1 või vähem, aga madal kvaliteet.(B) Signaali intensiivsus korreleerub käsitsi hinnangutega, kuid suure signaaliintensiivsusega kujutised võivad olla kehvema kvaliteediga.Punane punktiirjoon näitab tootja soovitatud kvaliteediläve, mis põhineb signaali tugevusel (signaali tugevus \(\ge\)6).
ResNeti edastusõpe parandab oluliselt pildikvaliteedi tuvastamist nii madala kvaliteediga kui ka kõrge kvaliteediga kasutusjuhtudel, võrreldes masin teatatud signaalitasemetega.(A) Eelkoolitatud (i) ResNet152 ja (ii) AlexNeti arhitektuuride lihtsustatud arhitektuuriskeemid.(B) ResNet152 treeningajalugu ja vastuvõtja jõudluskõverad võrreldes masina teatatud signaalitugevuse ja AlexNeti madala kvaliteedikriteeriumitega.(C) ResNet152 vastuvõtja treeningute ajalugu ja jõudluskõverad võrreldes masina teatatud signaalitugevuse ja AlexNeti kõrgete kvaliteedikriteeriumitega.
Pärast otsustuspiiri läve kohandamist on ResNet152 mudeli maksimaalne ennustustäpsus madala kvaliteediga juhtumi puhul 95,3% ja kõrgekvaliteedilise juhtumi puhul 93,5% (tabel 2).AlexNeti mudeli maksimaalne ennustustäpsus on madala kvaliteediga juhtumi puhul 91,0% ja kvaliteetse juhtumi puhul 90,1% (tabel 2).Signaali tugevuse maksimaalne ennustustäpsus on madala kvaliteediga kasutusjuhtudel 76,1% ja kõrgekvaliteedilise kasutuse korral 77,8%.Coheni kappa (\(\kappa\)) kohaselt on ResNet152 mudeli ja hinnangute vaheline kokkulepe madala kvaliteediga juhtumi puhul 0,90 ja kvaliteetse juhtumi puhul 0,81.Coheni AlexNet kappa on madala kvaliteediga ja kvaliteetsete kasutusjuhtude puhul vastavalt 0,82 ja 0,71.Coheni signaalitugevuse kappa on madala ja kõrge kvaliteediga kasutusjuhtudel vastavalt 0,52 ja 0,27.
Kõrge ja madala kvaliteediga tuvastusmudelite valideerimine 6 mm lameda plaadi 6\(\x\) kujutistel näitab koolitatud mudeli võimet määrata pildikvaliteeti erinevate kujutise parameetrite lõikes.Kui pildikvaliteedi tagamiseks kasutati 6\(\x\) 6 mm madalaid tahvleid, oli madala kvaliteediga mudeli AUC 0,83 (95% CI: 0,69–0,98) ja kõrgekvaliteedilise mudeli AUC 0,85.(95% CI: 0,55–1,00) (tabel 2).
Sisendkihi klassi aktiveerimiskaartide visuaalne kontroll näitas, et kõik koolitatud närvivõrgud kasutasid kujutise klassifitseerimisel pildifunktsioone (joonis 4A, B).8 \(\times \) 8 mm ja 6 \(\ korda \) 6 mm kujutiste puhul järgivad ResNeti aktiveerimiskujutised täpselt võrkkesta veresoonkonda.AlexNeti aktiveerimiskaardid järgivad ka võrkkesta veresooni, kuid jämedama eraldusvõimega.
ResNet152 ja AlexNeti mudelite klassi aktiveerimiskaardid tõstavad esile pildikvaliteediga seotud funktsioonid.(A) Klassi aktiveerimise kaart, mis näitab koherentset aktiveerimist pärast pindmist võrkkesta veresoonkonda 8 \(\times \) 8 mm valideerimiskujutistel ja (B) ulatust väiksematel 6 \(\times \) 6 mm valideerimiskujutistel.LQ mudel on koolitatud madalate kvaliteedikriteeriumide järgi, HQ mudel on koolitatud kõrgete kvaliteedikriteeriumide järgi.
Varem on näidatud, et pildikvaliteet võib oluliselt mõjutada OCTA-piltide kvantifitseerimist.Lisaks suurendab retinopaatia esinemine kujutise artefaktide esinemissagedust7, 26.Tegelikult leidsime meie andmetes, mis on kooskõlas varasemate uuringutega, olulise seose võrkkesta haiguse vanuse suurenemise ja raskuse ning pildikvaliteedi halvenemise vahel (p < 0,001, p = 0,017 vastavalt vanuse ja DR staatuse korral; tabel 1) 27 Seetõttu on enne OCTA-piltide kvantitatiivse analüüsi tegemist ülioluline hinnata pildikvaliteeti.Enamikus OCTA-pilte analüüsivates uuringutes kasutatakse madala kvaliteediga kujutiste välistamiseks masin teatatud signaali intensiivsuse lävesid.Kuigi on näidatud, et signaali intensiivsus mõjutab OCTA parameetrite kvantifitseerimist, ei pruugi ainult kõrge signaali intensiivsus olla piisav, et välistada kujutise artefaktidega kujutisi 2, 3, 28, 29.Seetõttu on vaja välja töötada usaldusväärsem pildikvaliteedi kontrolli meetod.Selleks hindame järelevalve all olevate süvaõppemeetodite toimivust masina teatatud signaalitugevuse suhtes.
Oleme välja töötanud mitmeid mudeleid pildikvaliteedi hindamiseks, kuna erinevatel OCTA kasutusjuhtudel võivad olla erinevad pildikvaliteedi nõuded.Näiteks peaksid pildid olema kvaliteetsemad.Lisaks on olulised ka konkreetsed huvipakkuvad kvantitatiivsed parameetrid.Näiteks foveaalse avaskulaarse tsooni pindala ei sõltu mittekeskse keskkonna hägususest, vaid mõjutab veresoonte tihedust.Kuigi meie uuringud keskenduvad jätkuvalt üldisele pildikvaliteedile, mis ei ole seotud ühegi konkreetse testi nõuetega, vaid on mõeldud otseselt asendama seadme signaali tugevust, loodame anda kasutajatele suurema kontrolli, et nad saaksid saab valida kasutajat huvitava konkreetse mõõdiku.valige mudel, mis vastab maksimaalsele vastuvõetavaks peetavale pildiartefaktide astmele.
Madala kvaliteediga ja kvaliteetsete stseenide puhul näitame suurepärast jõudlust ühenduse puuduvate sügavate konvolutsiooniliste närvivõrkude puhul, mille AUC on vastavalt 0,97 ja 0,99 ning madala kvaliteediga mudelid.Samuti demonstreerime oma süvaõppe lähenemisviisi paremat jõudlust, kui võrrelda ainult masinate edastatud signaalitasemetega.Vahelejätmise ühendused võimaldavad närvivõrkudel õppida funktsioone mitmel detailsustasemel, jäädvustades nii kujutiste peenemaid aspekte (nt kontrastsus) kui ka üldisi funktsioone (nt kujutise tsentreerimine30,31).Kuna pildikvaliteeti mõjutavad pildiartefaktid on tõenäoliselt kõige paremini tuvastatavad laias vahemikus, võivad puuduvate ühendustega närvivõrgu arhitektuurid olla paremad kui need, millel pole pildikvaliteedi määramise ülesandeid.
Testides oma mudelit 6\(\×6mm) OCTA piltidel, märkasime erinevalt klassifitseerimiseks treenitud mudeli suurusest nii kvaliteetsete kui ka madala kvaliteediga mudelite klassifikatsiooni jõudluse langust (joonis 2).Võrreldes ResNeti mudeliga on AlexNeti mudelil suurem langus.ResNeti suhteliselt parem jõudlus võib olla tingitud jääkühenduste võimest edastada teavet mitmel skaalal, mis muudab mudeli erineva skaalaga ja/või suurendustega jäädvustatud piltide klassifitseerimiseks vastupidavamaks.
Mõned erinevused 8 \(\×\) 8 mm kujutiste ja 6 \(\×\) 6 mm kujutiste vahel võivad põhjustada halva klassifitseerimise, sealhulgas suhteliselt suure osa kujutistest, mis sisaldavad foveaalseid avaskulaarseid piirkondi, nähtavuse muutusi, veresoonte arkaade ja pildil nägemisnärv puudub 6×6 mm.Sellele vaatamata suutis meie kvaliteetne ResNeti mudel saavutada 6 \(\x\) 6 mm suuruste piltide AUC 85%, mille jaoks mudelit ei koolitatud, mis viitab sellele, et pildikvaliteedi teave on närvivõrgus kodeeritud. on sobiv.ühe pildi suuruse või masina konfiguratsiooni jaoks väljaspool selle koolitust (tabel 2).Rahustavalt suutsid ResNet- ja AlexNeti-sarnased aktiveerimiskaardid 8 \(\times \) 8 mm ja 6 \(\ korda \) 6 mm kujutisega mõlemal juhul esile tõsta võrkkesta veresooni, mis viitab sellele, et mudelil on oluline teave.on rakendatavad mõlemat tüüpi OCTA kujutiste klassifitseerimiseks (joonis 4).
Lauerman et al.OCTA-piltide pildikvaliteedi hindamine viidi läbi sarnaselt Inception-arhitektuuriga, teise vahelejätmise konvolutsioonilise närvivõrgu6, 32 abil, kasutades süvaõppe tehnikaid.Samuti piirdusid nad uuringus pindmise kapillaarpõimiku piltidega, kuid kasutasid ainult Optovue AngioVue väiksemaid 3 × 3 mm pilte, kuigi kaasati ka erinevate koorioretinaalsete haigustega patsiendid.Meie töö tugineb nende alustele, sealhulgas mitmele mudelile, et käsitleda erinevaid pildikvaliteedi lävesid ja kinnitada erineva suurusega piltide tulemusi.Teatame ka masinõppemudelite AUC-mõõdiku ja suurendame nende niigi muljetavaldavat täpsust (90%)6 nii madala kvaliteediga (96%) kui ka kvaliteetsete (95,7%) mudelite puhul6.
Sellel koolitusel on mitmeid piiranguid.Esiteks saadi pildid ainult ühe OCTA masinaga, sealhulgas ainult pindmise kapillaarpõimiku kujutised 8 \ ( \ korda \ ) 8 mm ja 6 \ ( \ korda \ ) 6 mm.Kujutiste sügavamatest kihtidest väljajätmise põhjus on see, et projektsiooniartefaktid võivad muuta piltide käsitsi hindamise keerulisemaks ja võib-olla vähem järjepidevaks.Lisaks on pilte saadud ainult diabeediga patsientidelt, kelle jaoks OCTA on kujunemas oluliseks diagnostiliseks ja prognostiliseks vahendiks33, 34.Kuigi saime oma mudelit testida erineva suurusega piltidel, et tagada tulemuste usaldusväärsus, ei suutnud me tuvastada erinevatest keskustest sobivaid andmekogumeid, mis piiras meie hinnangut mudeli üldistatavusele.Kuigi pildid saadi ainult ühest keskusest, saadi need erineva etnilise ja rassilise taustaga patsientidelt, mis on meie uuringu ainulaadne tugevus.Kaasates oma koolitusprotsessi mitmekesisuse, loodame, et meie tulemused üldistatakse laiemas mõttes ja et me väldime rassilise eelarvamuse kodeerimist koolitavates mudelites.
Meie uuring näitab, et ühendust vahelejätvaid närvivõrke saab treenida, et saavutada OCTA pildikvaliteedi määramisel kõrge jõudlus.Pakume neid mudeleid edasiseks uurimistööks.Kuna erinevatel mõõdikutel võivad olla erinevad pildikvaliteedi nõuded, saab siin loodud struktuuri kasutades iga mõõdiku jaoks välja töötada individuaalse kvaliteedikontrolli mudeli.
Tulevased uuringud peaksid hõlmama erineva suurusega pilte erinevatest sügavustest ja erinevatest OCTA masinatest, et saada sügavõppe pildikvaliteedi hindamisprotsess, mida saab üldistada OCTA platvormidele ja pildistamisprotokollidele.Praegused uuringud põhinevad ka juhendatud süvaõppe lähenemisviisidel, mis nõuavad inimeste hindamist ja kujutise hindamist, mis võib suurte andmekogumite puhul olla töömahukas ja aeganõudev.Jääb näha, kas järelevalveta süvaõppe meetodid suudavad piisavalt eristada madala kvaliteediga ja kvaliteetseid pilte.
Kuna OCTA tehnoloogia areneb edasi ja skaneerimiskiirused kasvavad, võib pildiartefaktide ja halva kvaliteediga piltide esinemissagedus väheneda.Neid piiranguid võivad leevendada ka tarkvara täiustused, näiteks hiljuti kasutusele võetud projektsiooni artefaktide eemaldamise funktsioon.Siiski on endiselt palju probleeme, kuna halva fikseerimise või olulise meedia hägususega patsientide pildistamine põhjustab alati kujutise artefakte.Kuna OCTAt kasutatakse kliinilistes uuringutes laialdasemalt, tuleb hoolikalt kaaluda, et luua selged juhised kujutise analüüsi jaoks vastuvõetavate artefaktide tasemete kohta.Süvaõppemeetodite rakendamine OCTA-piltide puhul on paljutõotav ja selles valdkonnas on vaja täiendavaid uuringuid, et töötada välja tugev lähenemisviis pildikvaliteedi kontrollile.
Praeguses uurimistöös kasutatav kood on saadaval octa-qc hoidlas https://github.com/rahuldhodapkar/octa-qc.Käesoleva uuringu käigus loodud ja/või analüüsitud andmekogumid on mõistliku taotluse korral kättesaadavad vastavatelt autoritelt.
Spaide, RF, Fujimoto, JG & Waheed, NK Pildi artefaktid optilise koherentsuse angiograafias.Retina 35, 2163–2180 (2015).
Fenner, BJ jt.Kujutise tunnuste tuvastamine, mis määravad võrkkesta kapillaarpõimiku tiheduse mõõtmise kvaliteedi ja reprodutseeritavuse OCT angiograafias.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL et al.Silmade jälgimise tehnoloogia mõju OCT angiograafia pildikvaliteedile vanusega seotud makula degeneratsioonis.Hauakaar.kliiniline.Exp.oftalmoloogia.255, 1535–1542 (2017).
Babyuch AS et al.OCTA kapillaaride perfusiooni tiheduse mõõtmisi kasutatakse kollatähni isheemia tuvastamiseks ja hindamiseks.oftalmoloogiline kirurgia.Võrkkesta laserkujutised 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. ja Sun, J. Deep Residual Learning for Image Recognition.2016. aastal IEEE arvutinägemise ja mustrite tuvastamise konverentsil (2016).
Lauerman, JL et al.Automatiseeritud OCT-angiograafilise kujutise kvaliteedi hindamine, kasutades süvaõppe algoritme.Hauakaar.kliiniline.Exp.oftalmoloogia.257, 1641–1648 (2019).
Lauermann, J. et al.Segmenteerimisvigade ja liikumisartefaktide esinemissagedus ÜMT angiograafias sõltub võrkkesta haigusest.Hauakaar.kliiniline.Exp.oftalmoloogia.256, 1807–1816 (2018).
Pask, Adam jt.Pytorch: hädavajalik, suure jõudlusega süvaõppe raamatukogu.Neuraalse teabe täiustatud töötlemine.süsteem.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: suuremahuline hierarhiline pildiandmebaas.2009. aasta IEEE arvutinägemise ja mustrite tuvastamise konverents.248–255.(2009).
Krizhevsky A., Sutzkever I. ja Hinton GE Imagenet klassifikatsioon sügavate konvolutsiooniliste närvivõrkude abil.Neuraalse teabe täiustatud töötlemine.süsteem.25, 1 (2012).