Paldies, ka apmeklējāt vietni Nature.com.Jūs izmantojat pārlūkprogrammas versiju ar ierobežotu CSS atbalstu.Lai nodrošinātu vislabāko pieredzi, ieteicams izmantot atjauninātu pārlūkprogrammu (vai atspējot saderības režīmu pārlūkprogrammā Internet Explorer).Turklāt, lai nodrošinātu pastāvīgu atbalstu, mēs rādām vietni bez stiliem un JavaScript.
Slīdņi, kas parāda trīs rakstus katrā slaidā.Izmantojiet pogas Atpakaļ un Nākamais, lai pārvietotos pa slaidiem, vai slaidu kontrollera pogas beigās, lai pārvietotos pa katru slaidu.
Optiskās koherences tomogrāfiskā angiogrāfija (OCTA) ir jauna metode tīklenes asinsvadu neinvazīvai vizualizācijai.Lai gan OCTA ir daudz daudzsološu klīnisku pielietojumu, attēla kvalitātes noteikšana joprojām ir izaicinājums.Mēs izstrādājām dziļu mācīšanos balstītu sistēmu, izmantojot ResNet152 neironu tīkla klasifikatoru, kas iepriekš apmācīts ar ImageNet, lai klasificētu virspusējus kapilāru pinumu attēlus no 347 skenēšanas 134 pacientiem.Divi neatkarīgi vērtētāji uzraudzīta mācību modeļa attēlus manuāli novērtēja kā patiesu patiesību.Tā kā attēla kvalitātes prasības var atšķirties atkarībā no klīniskajiem vai pētniecības iestatījumiem, tika apmācīti divi modeļi, viens augstas kvalitātes attēlu atpazīšanai un otrs zemas kvalitātes attēlu atpazīšanai.Mūsu neironu tīkla modelis parāda izcilu laukumu zem līknes (AUC), 95% TI 0,96-0,99, \(\kappa\) = 0,81), kas ir ievērojami labāks par signāla līmeni, ko ziņo mašīna (AUC = 0,82, 95). % CI).0,77–0,86, \(\kappa\) = 0,52 un AUC = 0,78, 95% TI attiecīgi 0,73–0,83, \(\kappa\) = 0,27).Mūsu pētījums parāda, ka mašīnmācīšanās metodes var izmantot, lai izstrādātu elastīgas un stabilas kvalitātes kontroles metodes OCTA attēliem.
Optiskās koherences tomogrāfiskā angiogrāfija (OCTA) ir salīdzinoši jauna metode, kuras pamatā ir optiskās koherences tomogrāfija (OCT), ko var izmantot neinvazīvai tīklenes mikrovaskulāras vizualizācijai.OCTA mēra atstarošanas modeļu atšķirību no atkārtotiem gaismas impulsiem tajā pašā tīklenes zonā, un pēc tam var aprēķināt rekonstrukcijas, lai atklātu asinsvadus, neizmantojot invazīvas krāsvielas vai citas kontrastvielas.OCTA nodrošina arī dziļuma izšķirtspējas asinsvadu attēlveidošanu, ļaujot ārstiem atsevišķi pārbaudīt virspusējos un dziļos asinsvadu slāņus, palīdzot atšķirt horioretinālo slimību.
Lai gan šī metode ir daudzsološa, attēla kvalitātes atšķirības joprojām ir galvenais izaicinājums uzticamai attēlu analīzei, apgrūtinot attēlu interpretāciju un novēršot plašu klīnisko ieviešanu.Tā kā OCTA izmanto vairākas secīgas OCT skenēšanas, tas ir jutīgāks pret attēlu artefaktiem nekā standarta OCT.Lielākā daļa komerciālo OCTA platformu nodrošina savu attēla kvalitātes rādītāju, ko sauc par signāla stiprumu (SS) vai dažreiz signāla stipruma indeksu (SSI).Tomēr attēli ar augstu SS vai SSI vērtību negarantē attēla artefaktu neesamību, kas var ietekmēt turpmāko attēla analīzi un izraisīt nepareizus klīniskus lēmumus.Bieži sastopamie attēlu artefakti, kas var rasties OCTA attēlveidošanā, ir kustības artefakti, segmentācijas artefakti, multivides necaurredzamības artefakti un projekcijas artefakti1,2,3.
Tā kā no OCTA atvasinātie mērījumi, piemēram, asinsvadu blīvums, arvien vairāk tiek izmantoti translācijas pētījumos, klīniskajos pētījumos un klīniskajā praksē, ir steidzami jāizstrādā stabili un uzticami attēla kvalitātes kontroles procesi, lai novērstu attēla artefaktus4.Izlaistie savienojumi, kas pazīstami arī kā atlikušie savienojumi, ir neironu tīkla arhitektūras projekcijas, kas ļauj informācijai apiet konvolucionālos slāņus, vienlaikus glabājot informāciju dažādos mērogos vai izšķirtspējā5.Tā kā attēlu artefakti var ietekmēt maza mēroga un vispārēju liela mēroga attēla veiktspēju, izlaišanas savienojuma neironu tīkli ir labi piemēroti, lai automatizētu šo kvalitātes kontroles uzdevumu5.Nesen publicētais darbs ir parādījis dažus solījumus dziļiem konvolucionāliem neironu tīkliem, kas apmācīti, izmantojot augstas kvalitātes datus no cilvēka novērtētājiem6.
Šajā pētījumā mēs apmācām savienojumu izlaižošu konvolucionālo neironu tīklu, lai automātiski noteiktu OCTA attēlu kvalitāti.Mēs balstāmies uz iepriekšējo darbu, izstrādājot atsevišķus modeļus augstas kvalitātes attēlu un zemas kvalitātes attēlu identificēšanai, jo attēla kvalitātes prasības var atšķirties konkrētiem klīniskiem vai pētniecības scenārijiem.Mēs salīdzinām šo tīklu rezultātus ar konvolucionālajiem neironu tīkliem bez trūkstošiem savienojumiem, lai novērtētu vairāku precizitātes līmeņu funkciju iekļaušanu dziļās mācīšanās procesā.Pēc tam mēs salīdzinājām savus rezultātus ar signāla stiprumu, kas ir plaši pieņemts attēla kvalitātes rādītājs, ko nodrošina ražotāji.
Mūsu pētījumā tika iekļauti pacienti ar cukura diabētu, kuri apmeklēja Jēlas acu centru laikā no 2017. gada 11. augusta līdz 2019. gada 11. aprīlim. Tika izslēgti pacienti ar jebkādu ar diabētu nesaistītu korioretinālu slimību.Nebija iekļaušanas vai izslēgšanas kritēriju, pamatojoties uz vecumu, dzimumu, rasi, attēla kvalitāti vai citiem faktoriem.
OCTA attēli tika iegūti, izmantojot AngioPlex platformu uz Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA), izmantojot 8\(\times\)8 mm un 6\(\times\)6 mm attēlveidošanas protokolus.No katra pētījuma dalībnieka tika iegūta informēta piekrišana dalībai pētījumā, un Jēlas Universitātes Institucionālā pārskata padome (IRB) apstiprināja informētas piekrišanas izmantošanu ar globālo fotogrāfiju visiem šiem pacientiem.Sekojot Helsinku deklarācijas principiem.Pētījumu apstiprināja Jēlas universitātes IRB.
Virsmas plākšņu attēli tika novērtēti, pamatojoties uz iepriekš aprakstīto kustības artefaktu punktu (MAS), iepriekš aprakstīto segmentācijas artefaktu punktu (SAS), foveālo centru, datu nesēja necaurredzamību un labu mazo kapilāru vizualizāciju, kā to noteicis attēla vērtētājs.Attēlus analizēja divi neatkarīgi vērtētāji (RD un JW).Attēla vērtējums ir 2 (atbilstošs), ja ir izpildīti visi tālāk minētie kritēriji: attēls ir centrēts pie fovea (mazāk nekā 100 pikseļi no attēla centra), MAS ir 1 vai 2, SAS ir 1 un datu nesēja necaurredzamība ir mazāka par 1. Parādās uz attēliem, kuru izmērs ir / 16, un mazi kapilāri ir redzami attēlos, kas lielāki par 15/16.Attēlam tiek piešķirts vērtējums 0 (bez vērtējuma), ja ir izpildīts kāds no šiem kritērijiem: attēls atrodas ārpus centra, ja MAS ir 4, ja SAS ir 2 vai vidējā necaurredzamība ir lielāka par 1/4 no attēla, un mazos kapilārus nevar noregulēt vairāk par 1 attēlu /4, lai atšķirtu.Visi pārējie attēli, kas neatbilst vērtēšanas kritērijiem 0 vai 2, tiek novērtēti kā 1 (izgriešana).
Uz att.1 parāda attēlu paraugus katram mērogotajam aprēķinam un attēla artefaktam.Individuālo punktu uzticamība starp vērtētājiem tika novērtēta ar Koena kappa svērumu8.Katra vērtētāja individuālie punkti tiek summēti, lai katram attēlam iegūtu kopējo punktu skaitu no 0 līdz 4. Attēli ar kopējo punktu skaitu 4 tiek uzskatīti par labiem.Attēli ar kopējo punktu skaitu 0 vai 1 tiek uzskatīti par zemu kvalitāti.
ResNet152 arhitektūras konvolucionālais neironu tīkls (3A.i attēls), kas iepriekš apmācīts uz attēliem no ImageNet datu bāzes, tika ģenerēts, izmantojot fast.ai un PyTorch ietvaru5, 9, 10, 11. Konvolūcijas neironu tīkls ir tīkls, kas izmanto apgūto. filtri attēlu fragmentu skenēšanai, lai pētītu telpiskās un lokālās iezīmes.Mūsu apmācītais ResNet ir 152 slāņu neironu tīkls, ko raksturo spraugas vai “atlikušie savienojumi”, kas vienlaikus pārraida informāciju ar vairākām izšķirtspējām.Projicējot informāciju tīklā dažādās izšķirtspējās, platforma var apgūt zemas kvalitātes attēlu funkcijas vairākos detalizācijas līmeņos.Papildus mūsu ResNet modelim mēs apmācījām arī AlexNet, labi izpētītu neironu tīkla arhitektūru, nezaudējot savienojumus salīdzināšanai (3A.ii attēls)12.Ja netrūkst savienojumu, šis tīkls nevarēs uztvert funkcijas ar lielāku precizitāti.
Oriģinālais 8\(\times\)8mm OCTA13 attēlu komplekts ir uzlabots, izmantojot horizontālās un vertikālās atstarošanas metodes.Pēc tam visa datu kopa tika nejauši sadalīta attēla līmenī apmācības (51,2%), testēšanas (12,8%), hiperparametru regulēšanas (16%) un validācijas (20%) datu kopās, izmantojot scikit-learn rīklodziņu python14.Tika izskatīti divi gadījumi, viens balstīts uz tikai augstākās kvalitātes attēlu noteikšanu (kopējais rādītājs 4), bet otrs pamatojoties uz tikai zemākās kvalitātes attēlu noteikšanu (kopējais rādītājs 0 vai 1).Katram augstas kvalitātes un zemas kvalitātes lietošanas gadījumam neironu tīkls tiek vienu reizi apmācīts mūsu attēla datos.Katrā lietošanas gadījumā neironu tīkls tika apmācīts 10 epohiem, visi, izņemot augstākos slāņu svarus, tika fiksēti, un visu iekšējo parametru svari tika apgūti 40 epohiem, izmantojot diskriminējošu mācīšanās ātruma metodi ar krusteniskās entropijas zuduma funkciju 15, 16..Krusta entropijas zuduma funkcija ir logaritmiskās skalas mērs neatbilstībai starp prognozētajām tīkla etiķetēm un reāliem datiem.Apmācības laikā tiek veikta gradienta nolaišanās uz neironu tīkla iekšējiem parametriem, lai samazinātu zaudējumus.Mācīšanās ātruma, pamešanas ātruma un svara samazināšanas hiperparametri tika noregulēti, izmantojot Bajesa optimizāciju ar 2 nejaušiem sākuma punktiem un 10 iterācijām, un datu kopas AUC tika noregulēts, izmantojot hiperparametrus kā mērķi 17.
Reprezentatīvi piemēri virspusējo kapilāru pinumu 8 × 8 mm OCTA attēliem ar 2 (A, B), 1 (C, D) un 0 (E, F).Parādītie attēla artefakti ietver mirgojošas līnijas (bultiņas), segmentācijas artefaktus (zvaigznītes) un multivides necaurredzamību (bultiņas).Attēls (E) arī ir ārpus centra.
Pēc tam uztvērēja darbības raksturlielumu (ROC) līknes tiek ģenerētas visiem neironu tīklu modeļiem, un dzinēja signāla stipruma atskaites tiek ģenerētas katram zemas kvalitātes un augstas kvalitātes lietošanas gadījumam.Laukums zem līknes (AUC) tika aprēķināts, izmantojot pROC R paketi, un 95% ticamības intervāli un p vērtības tika aprēķinātas, izmantojot DeLong metodi18,19.Cilvēku vērtētāju kumulatīvie rādītāji tiek izmantoti kā bāzes līnija visiem ROC aprēķiniem.Iekārtas ziņotajam signāla stiprumam AUC tika aprēķināts divreiz: vienreiz augstas kvalitātes mērogojamības rādītāja robežvērtībai un vienreiz zemas kvalitātes mērogojamības rādītāja robežvērtībai.Neironu tīkls tiek salīdzināts ar AUC signāla stiprumu, kas atspoguļo tā apmācības un novērtēšanas apstākļus.
Lai turpinātu pārbaudīt apmācīto dziļās mācīšanās modeli atsevišķā datu kopā, augstas kvalitātes un zemas kvalitātes modeļi tika tieši piemēroti 32 pilnas virsmas 6\(\times\) 6 mm virsmas plātņu attēlu veiktspējas novērtēšanai, kas savākti no Jēlas universitātes.Acu masa ir centrēta vienlaikus ar attēlu 8 \(\times \) 8 mm.6\(\×\) 6 mm attēlus manuāli novērtēja tie paši vērtētāji (RD un JW) tādā pašā veidā kā 8\(\×\) 8 mm attēlus, tika aprēķināts AUC, kā arī precizitāte un Koena kappa. .vienādi.
Klases nelīdzsvarotības koeficients ir 158:189 (\(\rho = 1,19\)) zemas kvalitātes modelim un 80:267 (\(\rho = 3,3\)) augstas kvalitātes modelim.Tā kā klases nelīdzsvarotības koeficients ir mazāks par 1:4, nav veiktas īpašas arhitektūras izmaiņas, lai koriģētu klases nelīdzsvarotību20,21.
Lai labāk vizualizētu mācību procesu, tika ģenerētas klašu aktivizācijas kartes visiem četriem apmācītajiem dziļās mācīšanās modeļiem: augstas kvalitātes ResNet152 modelim, zemas kvalitātes ResNet152 modelim, augstas kvalitātes AlexNet modelim un zemas kvalitātes AlexNet modelim.Klases aktivizācijas kartes tiek ģenerētas no šo četru modeļu ievades konvolūcijas slāņiem, un siltuma kartes tiek ģenerētas, pārklājot aktivizācijas kartes ar avota attēliem no 8 × 8 mm un 6 × 6 mm validācijas komplektiem 22, 23.
Visiem statistikas aprēķiniem tika izmantota R versija 4.0.3, un vizualizācijas tika izveidotas, izmantojot ggplot2 grafikas rīku bibliotēku.
Mēs savācām 347 virspusējā kapilārā pinuma frontālos attēlus, kuru izmērs ir 8 \(\times \) 8 mm, no 134 cilvēkiem.Iekārta ziņoja par signāla stiprumu skalā no 0 līdz 10 visiem attēliem (vidējais = 6,99 ± 2,29).No 347 iegūtajiem attēliem vidējais vecums pārbaudes laikā bija 58,7 ± 14,6 gadi, un 39,2% bija no vīriešu kārtas pacientiem.No visiem attēliem 30,8% bija no baltās rases, 32,6% no melnādainiem, 30,8% no spāņiem, 4% no aziātiem un 1,7% no citām rasēm (1. tabula).).Pacientu vecuma sadalījums ar OCTA būtiski atšķīrās atkarībā no attēla kvalitātes (p < 0,001).Augstas kvalitātes attēlu procentuālais daudzums jaunākiem pacientiem vecumā no 18 līdz 45 gadiem bija 33,8%, salīdzinot ar 12,2% zemas kvalitātes attēlu (1. tabula).Diabētiskās retinopātijas statusa sadalījums būtiski mainījās arī attēla kvalitātē (p < 0,017).Starp visiem augstas kvalitātes attēliem pacientu ar PDR procentuālā daļa bija 18, 8%, salīdzinot ar 38, 8% no visiem zemas kvalitātes attēliem (1.
Visu attēlu individuālie vērtējumi liecināja par mērenu vai spēcīgu starpvērtējumu uzticamību starp cilvēkiem, kas lasīja attēlus (Koena svērtā kappa = 0,79, 95% TI: 0,76–0,82), un nebija attēlu punktu, kuros vērtētāji atšķirtos vairāk par 1 (att. 2A)..Signāla intensitāte būtiski korelēja ar manuālo vērtēšanu (Pearson produkta momenta korelācija = 0,58, 95% TI 0,51–0,65, p<0,001), taču daudziem attēliem tika konstatēta augsta signāla intensitāte, bet zems manuālais punktu skaits (2.B att.).
ResNet152 un AlexNet arhitektūru apmācības laikā pārrobežu entropijas zudums validācijā un apmācībā samazinās par 50 epohiem (3.B, C attēls).Validācijas precizitāte pēdējā apmācības posmā ir vairāk nekā 90% gan augstas kvalitātes, gan zemas kvalitātes lietošanas gadījumos.
Uztvērēja veiktspējas līknes liecina, ka ResNet152 modelis ievērojami pārspēj signāla jaudu, par kuru ziņo iekārta gan zemas, gan augstas kvalitātes lietošanas gadījumos (p < 0,001).ResNet152 modelis arī ievērojami pārspēj AlexNet arhitektūru (p = 0,005 un p = 0,014 attiecīgi zemas kvalitātes un augstas kvalitātes gadījumiem).Iegūtie modeļi katram no šiem uzdevumiem spēja sasniegt attiecīgi AUC vērtības 0,99 un 0,97, kas ir ievērojami labāk nekā attiecīgās AUC vērtības 0,82 un 0,78 mašīnas signāla stipruma indeksam vai 0,97 un 0,94 AlexNet. ..(3. att.).Atšķirība starp ResNet un AUC signāla stiprumā ir lielāka, ja tiek atpazīti augstas kvalitātes attēli, kas norāda uz papildu priekšrocībām, ko sniedz ResNet izmantošana šim uzdevumam.
Diagrammas parāda katra neatkarīgā vērtētāja spēju iegūt punktus un salīdzināt ar iekārtas ziņoto signāla stiprumu.(A) Vērtējamo punktu summa tiek izmantota, lai izveidotu kopējo vērtējamo punktu skaitu.Attēliem ar kopējo mērogojamības rādītāju 4 tiek piešķirta augsta kvalitāte, savukārt attēliem ar kopējo mērogojamības rādītāju 1 vai mazāk tiek piešķirta zema kvalitāte.(B) Signāla intensitāte korelē ar manuāliem aprēķiniem, bet attēli ar augstu signāla intensitāti var būt sliktākas kvalitātes.Sarkanā punktētā līnija norāda ražotāja ieteikto kvalitātes slieksni, pamatojoties uz signāla stiprumu (signāla stiprums \(\ge\)6).
ResNet pārsūtīšanas mācīšanās nodrošina ievērojamu attēla kvalitātes identifikācijas uzlabojumu gan zemas kvalitātes, gan augstas kvalitātes lietošanas gadījumos, salīdzinot ar mašīnas ziņoto signālu līmeņiem.(A) Iepriekš apmācītu (i) ResNet152 un (ii) AlexNet arhitektūru vienkāršotas arhitektūras diagrammas.(B) ResNet152 apmācības vēsture un uztvērēja veiktspējas līknes salīdzinājumā ar mašīnas ziņoto signāla stiprumu un AlexNet zemās kvalitātes kritērijiem.(C) ResNet152 uztvērēja apmācības vēsture un veiktspējas līknes salīdzinājumā ar mašīnas ziņoto signāla stiprumu un AlexNet augstajiem kvalitātes kritērijiem.
Pēc lēmuma robežas sliekšņa koriģēšanas ResNet152 modeļa maksimālā prognozēšanas precizitāte ir 95,3% zemas kvalitātes gadījumam un 93,5% augstas kvalitātes gadījumam (2. tabula).AlexNet modeļa maksimālā prognozēšanas precizitāte ir 91,0% zemas kvalitātes gadījumā un 90,1% augstas kvalitātes gadījumam (2. tabula).Maksimālā signāla stipruma prognozēšanas precizitāte ir 76,1% zemas kvalitātes lietošanas gadījumā un 77,8% augstas kvalitātes lietošanas gadījumā.Saskaņā ar Koena kappa (\(\kappa\)), vienošanās starp ResNet152 modeli un novērtētājiem ir 0,90 zemas kvalitātes gadījumam un 0,81 augstas kvalitātes gadījumam.Koena AlexNet kappa ir attiecīgi 0,82 un 0,71 zemas kvalitātes un augstas kvalitātes lietošanas gadījumiem.Koena signāla stipruma kappa ir attiecīgi 0,52 un 0,27 zemas un augstas kvalitātes lietošanas gadījumiem.
Augstas un zemas kvalitātes atpazīšanas modeļu validācija uz 6 mm plakanas plāksnes 6\(\x\) attēliem parāda apmācītā modeļa spēju noteikt attēla kvalitāti dažādos attēlveidošanas parametros.Ja attēlveidošanas kvalitātei izmantoja 6\(\x\) 6 mm seklas plātnes, zemas kvalitātes modeļa AUC bija 0,83 (95% TI: 0,69–0,98), bet augstas kvalitātes modeļa AUC bija 0,85.(95% TI: 0,55–1,00) (2. tabula).
Vizuāla ievades slāņa klašu aktivizācijas karšu pārbaude parādīja, ka visi apmācītie neironu tīkli attēlu klasifikācijas laikā izmantoja attēla pazīmes (4.A, B att.).8 \(\times \) 8 mm un 6 \(\times \) 6 mm attēliem ResNet aktivizācijas attēli cieši seko tīklenes asinsvadu sistēmai.AlexNet aktivizācijas kartes seko arī tīklenes asinsvadiem, taču ar rupjāku izšķirtspēju.
ResNet152 un AlexNet modeļu klases aktivizācijas kartēs ir izceltas funkcijas, kas saistītas ar attēla kvalitāti.(A) klases aktivizācijas karte, kas parāda saskaņotu aktivāciju pēc virspusējas tīklenes asinsvadu veidošanās uz 8 \(\times \) 8 mm validācijas attēliem un (B) apmēru uz mazākiem 6 \(\times \) 6 mm validācijas attēliem.LQ modelis apmācīts pēc zemiem kvalitātes kritērijiem, HQ modelis apmācīts pēc augstiem kvalitātes kritērijiem.
Iepriekš tika pierādīts, ka attēla kvalitāte var ievērojami ietekmēt jebkuru OCTA attēlu kvantitatīvo noteikšanu.Turklāt retinopātijas klātbūtne palielina attēla artefaktu sastopamību7, 26.Faktiski mūsu datos, saskaņā ar iepriekšējiem pētījumiem, mēs atklājām būtisku saistību starp pieaugošo vecumu un tīklenes slimības smagumu un attēla kvalitātes pasliktināšanos (p < 0,001, p = 0,017 attiecīgi vecumam un DR statusam; 1. tabula) 27 Tāpēc pirms jebkādas OCTA attēlu kvantitatīvās analīzes ir svarīgi novērtēt attēla kvalitāti.Lielākajā daļā pētījumu, kas analizē OCTA attēlus, tiek izmantoti mašīnas ziņoti signāla intensitātes sliekšņi, lai izslēgtu zemas kvalitātes attēlus.Lai gan ir pierādīts, ka signāla intensitāte ietekmē OCTA parametru kvantitatīvo noteikšanu, ar augstu signāla intensitāti vien var nepietikt, lai izslēgtu attēlus ar attēla artefaktiem2,3,28,29.Tāpēc ir jāizstrādā uzticamāka attēla kvalitātes kontroles metode.Šim nolūkam mēs novērtējam uzraudzīto dziļās mācīšanās metožu veiktspēju, salīdzinot ar iekārtas ziņoto signāla stiprumu.
Esam izstrādājuši vairākus attēlu kvalitātes novērtēšanas modeļus, jo dažādiem OCTA lietošanas gadījumiem var būt atšķirīgas attēla kvalitātes prasības.Piemēram, attēliem jābūt augstākas kvalitātes.Turklāt svarīgi ir arī konkrēti interesējošie kvantitatīvie parametri.Piemēram, foveālās avaskulārās zonas laukums nav atkarīgs no necentrālās vides duļķainības, bet ietekmē asinsvadu blīvumu.Lai gan mūsu pētījumi turpina koncentrēties uz vispārēju pieeju attēla kvalitātei, kas nav saistīta ar kāda konkrēta testa prasībām, bet ir paredzēta, lai tieši aizstātu iekārtas ziņoto signāla stiprumu, mēs ceram nodrošināt lietotājiem lielāku kontroli, lai viņi var atlasīt konkrētu lietotāju interesējošo metriku.izvēlieties modeli, kas atbilst maksimālajai attēla artefaktu pakāpei, kas tiek uzskatīta par pieņemamu.
Zemas kvalitātes un augstas kvalitātes ainām mēs demonstrējam izcilu savienojumu trūkstošo dziļo konvolucionālo neironu tīklu veiktspēju ar attiecīgi 0,97 un 0,99 AUC un zemas kvalitātes modeļiem.Mēs arī demonstrējam mūsu dziļās mācīšanās pieejas izcilo veiktspēju, salīdzinot ar signālu līmeņiem, par kuriem ziņo tikai mašīnas.Izlaist savienojumi ļauj neironu tīkliem apgūt funkcijas vairākos detalizācijas līmeņos, tverot smalkākus attēlu aspektus (piemēram, kontrastu), kā arī vispārīgus līdzekļus (piemēram, attēla centrēšanu30,31).Tā kā attēlu artefaktus, kas ietekmē attēla kvalitāti, iespējams, vislabāk var identificēt plašā diapazonā, neironu tīklu arhitektūrām ar trūkstošiem savienojumiem var būt labāka veiktspēja nekā tām, kurām nav attēla kvalitātes noteikšanas uzdevumu.
Pārbaudot mūsu modeli uz 6\(\×6mm) OCTA attēliem, mēs novērojām klasifikācijas veiktspējas samazināšanos gan augstas kvalitātes, gan zemas kvalitātes modeļiem (2. att.), atšķirībā no klasificēšanai apmācītā modeļa izmēra.Salīdzinot ar ResNet modeli, AlexNet modelim ir lielāks kritums.Salīdzinoši labāka ResNet veiktspēja var būt saistīta ar atlikušo savienojumu spēju pārraidīt informāciju vairākos mērogos, kas padara modeli izturīgāku, lai klasificētu attēlus, kas uzņemti dažādos mērogos un/vai palielinājumos.
Dažas atšķirības starp 8 \(\×\) 8 mm attēliem un 6 \(\×\) 6 mm attēliem var izraisīt sliktu klasifikāciju, tostarp relatīvi lielu attēlu īpatsvaru, kas satur foveālās avaskulārās zonas, redzamības izmaiņas, asinsvadu arkādes un nav redzes nerva uz attēla 6×6 mm.Neskatoties uz to, mūsu augstas kvalitātes ResNet modelis spēja sasniegt AUC 85% 6 \(\x\) 6 mm attēliem, konfigurācijai, kurai modelis nebija apmācīts, kas liecina, ka attēla kvalitātes informācija tika kodēta neironu tīklā. ir piemērots.vienam attēla izmēram vai mašīnas konfigurācijai ārpus tā apmācības (2. tabula).Pārliecinoši, ka ResNet un AlexNet līdzīgas aktivizācijas kartes ar 8 \(\times \) 8 mm un 6 \(\times \) 6 mm attēliem abos gadījumos spēja izcelt tīklenes asinsvadus, kas liecina, ka modelim ir svarīga informācija.ir piemērojami abu veidu OCTA attēlu klasificēšanai (4. att.).
Lauermans u.c.Attēla kvalitātes novērtējums OCTA attēliem tika veikts līdzīgi, izmantojot Inception arhitektūru, citu izlaišanas savienojuma konvolucionālo neironu tīklu6, 32, izmantojot dziļās mācīšanās metodes.Viņi arī ierobežoja pētījumu ar virspusējā kapilārā pinuma attēliem, bet tikai izmantoja mazākos 3 × 3 mm attēlus no Optovue AngioVue, lai gan tika iekļauti arī pacienti ar dažādām horioretinālām slimībām.Mūsu darbs balstās uz to pamatiem, tostarp vairākiem modeļiem, lai sasniegtu dažādus attēla kvalitātes sliekšņus un apstiprinātu rezultātus dažāda izmēra attēliem.Mēs arī ziņojam par mašīnmācīšanās modeļu AUC metriku un palielinām to jau tā iespaidīgo precizitāti (90%)6 gan zemas kvalitātes (96%), gan augstas kvalitātes (95,7%) modeļiem6.
Šai apmācībai ir vairāki ierobežojumi.Pirmkārt, attēli tika iegūti tikai ar vienu OCTA iekārtu, iekļaujot tikai virspusējā kapilārā pinuma attēlus 8\(\times\)8 mm un 6\(\times\)6 mm.Iemesls attēlu izslēgšanai no dziļākiem slāņiem ir tāds, ka projekcijas artefakti var padarīt attēlu manuālu novērtēšanu grūtāku un, iespējams, mazāk konsekventu.Turklāt attēli ir iegūti tikai diabēta pacientiem, kuriem OCTA kļūst par svarīgu diagnostikas un prognostisko rīku33, 34.Lai gan mēs varējām pārbaudīt savu modeli ar dažāda lieluma attēliem, lai nodrošinātu, ka rezultāti ir stabili, mēs nevarējām identificēt piemērotas datu kopas no dažādiem centriem, kas ierobežoja mūsu modeļa vispārināmības novērtējumu.Lai gan attēli tika iegūti tikai no viena centra, tie tika iegūti no pacientiem ar dažādu etnisko un rasu izcelsmi, kas ir mūsu pētījuma unikāls spēks.Iekļaujot dažādību mūsu apmācības procesā, mēs ceram, ka mūsu rezultāti tiks vispārināti plašākā nozīmē un ka mēs izvairīsimies no rasu aizspriedumu kodēšanas mūsu apmācāmajos modeļos.
Mūsu pētījums parāda, ka savienojuma izlaišanas neironu tīklus var apmācīt, lai sasniegtu augstu veiktspēju OCTA attēla kvalitātes noteikšanā.Mēs piedāvājam šos modeļus kā rīkus turpmākai izpētei.Tā kā dažādiem rādītājiem var būt atšķirīgas attēla kvalitātes prasības, katrai metrikai var izveidot individuālu kvalitātes kontroles modeli, izmantojot šeit izveidoto struktūru.
Turpmākajos pētījumos jāiekļauj dažāda izmēra attēli no dažādiem dziļumiem un dažādām OCTA mašīnām, lai iegūtu dziļu mācību attēla kvalitātes novērtēšanas procesu, ko var vispārināt OCTA platformām un attēlveidošanas protokoliem.Pašreizējie pētījumi ir balstīti arī uz uzraudzītām padziļinātām mācīšanās pieejām, kurām nepieciešama cilvēka novērtēšana un attēla novērtēšana, kas var būt darbietilpīga un laikietilpīga lielām datu kopām.Joprojām ir jānoskaidro, vai bez uzraudzības padziļinātas mācīšanās metodes var adekvāti atšķirt zemas kvalitātes attēlus no augstas kvalitātes attēliem.
Tā kā OCTA tehnoloģija turpina attīstīties un skenēšanas ātrums palielinās, attēlu artefaktu un sliktas kvalitātes attēlu sastopamība var samazināties.Programmatūras uzlabojumi, piemēram, nesen ieviestā projekcijas artefaktu noņemšanas funkcija, arī var mazināt šos ierobežojumus.Tomēr daudzas problēmas joprojām pastāv, jo pacientu ar sliktu fiksāciju vai ievērojamu datu nesēja duļķainumu attēlveidošana vienmēr rada attēla artefaktus.Tā kā OCTA kļūst arvien plašāk izmantots klīniskajos pētījumos, ir rūpīgi jāapsver, lai izveidotu skaidras vadlīnijas pieņemamiem attēlu artefaktu līmeņiem attēlu analīzei.Dziļās mācīšanās metožu pielietošana OCTA attēliem ir daudzsološa, un šajā jomā ir nepieciešami turpmāki pētījumi, lai izstrādātu stabilu pieeju attēla kvalitātes kontrolei.
Pašreizējā pētījumā izmantotais kods ir pieejams octa-qc repozitorijā https://github.com/rahuldhodapkar/octa-qc.Pašreizējā pētījuma laikā ģenerētās un/vai analizētās datu kopas ir pieejamas no attiecīgajiem autoriem pēc pamatota pieprasījuma.
Spaide, RF, Fujimoto, JG & Waheed, NK Attēlu artefakti optiskās koherences angiogrāfijā.Retina 35, 2163–2180 (2015).
Fenner, BJ et al.Attēlveidošanas pazīmju identificēšana, kas nosaka tīklenes kapilāro pinumu blīvuma mērījumu kvalitāti un reproducējamību AZT angiogrāfijā.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL et al.Acu izsekošanas tehnoloģijas ietekme uz OCT angiogrāfijas attēla kvalitāti ar vecumu saistītā makulas deģenerācijā.Kapu arka.klīniski.Exp.oftalmoloģija.255, 1535–1542 (2017).
Babyuch AS et al.OCTA kapilārās perfūzijas blīvuma mērījumus izmanto makulas išēmijas noteikšanai un novērtēšanai.oftalmoloģiskā ķirurģija.Tīklenes lāzerattēlveidošana 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. un Sun, J. Deep Residual Learning for Image Recognition.2016. gadā IEEE konferencē par datoru redzējumu un modeļu atpazīšanu (2016).
Lauerman, JL et al.Automatizēta OCT angiogrāfiskā attēla kvalitātes novērtēšana, izmantojot dziļās mācīšanās algoritmus.Kapu arka.klīniski.Exp.oftalmoloģija.257, 1641–1648 (2019).
Lauermann, J. et al.Segmentācijas kļūdu un kustību artefaktu izplatība AZT angiogrāfijā ir atkarīga no tīklenes slimības.Kapu arka.klīniski.Exp.oftalmoloģija.256, 1807–1816 (2018).
Pasks, Ādams u.c.Pytorch: obligāta, augstas veiktspējas dziļās mācīšanās bibliotēka.Uzlabota neironu informācijas apstrāde.sistēma.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: liela mēroga hierarhiska attēlu datu bāze.2009. gada IEEE konference par datoru redzējumu un modeļu atpazīšanu.248–255.(2009).
Krizhevsky A., Sutzkever I. un Hinton GE Imagenet klasifikācija, izmantojot dziļos konvolucionālos neironu tīklus.Uzlabota neironu informācijas apstrāde.sistēma.25, 1 (2012).