Tankewol foar it besykjen fan Nature.com.Jo brûke in browserferzje mei beheinde CSS-stipe.Foar de bêste ûnderfining riede wy oan dat jo in bywurke browser brûke (of kompatibiliteitsmodus útskeakelje yn Internet Explorer).Derneist, om trochgeande stipe te garandearjen, litte wy de side sjen sûnder stilen en JavaScript.
Sliders dy't trije artikels per dia sjen litte.Brûk de efter- en folgjende knoppen om troch de dia's te bewegen, of de slide-controller-knoppen oan 'e ein om troch elke dia te bewegen.
Optical gearhing tomographic angiography (OCTA) is in nije metoade foar net-invasive fisualisaasje fan retinale skippen.Hoewol OCTA in protte kânsrike klinyske tapassingen hat, bliuwt it bepalen fan ôfbyldingskwaliteit in útdaging.Wy ûntwikkele in systeem basearre op djip learen mei de ResNet152-neurale netwurkklassifikaasje foarôf traind mei ImageNet om oerflakkige kapillêre plexusôfbyldings te klassifisearjen fan 347 scans fan 134 pasjinten.De ôfbyldings waarden ek manuell beoardiele as wiere wierheid troch twa ûnôfhinklike beoardielers foar in begeliede learmodel.Omdat easken foar ôfbyldingskwaliteit kinne ferskille ôfhinklik fan klinyske of ûndersyksynstellingen, waarden twa modellen oplaat, ien foar ôfbyldingsherkenning fan hege kwaliteit en de oare foar ôfbyldingsherkenning fan lege kwaliteit.Us neural netwurkmodel toant in poerbêst gebiet ûnder de kromme (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), wat signifikant better is dan it sinjaalnivo rapportearre troch de masine (AUC = 0.82, 95 % CI).0.77-0.86, \(\kappa\) = 0.52 en AUC = 0.78, 95% CI 0.73-0.83, respektivelik \(\kappa\) = 0.27).Us stúdzje lit sjen dat metoaden foar learen fan masines kinne wurde brûkt om fleksibele en robúste metoaden foar kwaliteitskontrôle te ûntwikkeljen foar OCTA-ôfbyldings.
Optyske gearhing tomografyske angiografy (OCTA) is in relatyf nije technyk basearre op optyske gearhing tomografy (OCT) dy't brûkt wurde kin foar net-invasive fisualisaasje fan 'e retinale mikrovaskulatuer.OCTA mjit it ferskil yn refleksjepatroanen fan werhelle ljochtpulsen yn itselde gebiet fan 'e retina, en rekonstruksjes kinne dan wurde berekkene om bloedfetten te iepenbierjen sûnder it invasive gebrûk fan kleurstoffen of oare kontrastmiddels.OCTA makket ek vaskulêre imaging mei djipte-resolúsje mooglik, wêrtroch kliïnten oerflakke en djippe skiplagen apart kinne ûndersykje, en helpt om te ûnderskieden tusken chorioretinale sykte.
Hoewol dizze technyk belofte is, bliuwt fariaasje fan ôfbyldingskwaliteit in grutte útdaging foar betroubere ôfbyldingsanalyse, wêrtroch ôfbylding ynterpretaasje lestich makket en wiidferspraat klinyske oanname foarkomt.Om't OCTA meardere opienfolgjende OCT-scans brûkt, is it gefoeliger foar ôfbyldingsartefakten as standert OCT.De measte kommersjele OCTA-platfoarms leverje har eigen byldkwaliteitsmetriek neamd Signal Strength (SS) of soms Signal Strength Index (SSI).Ofbyldings mei in hege SS- of SSI-wearde garandearje lykwols net it ûntbrekken fan ôfbyldingsartefakten, dy't elke folgjende ôfbyldingsanalyse kinne beynfloedzje en liede ta ferkearde klinyske besluten.Algemiene ôfbyldingsartefakten dy't kinne foarkomme yn OCTA-ôfbylding omfetsje bewegingsartefakten, segmentaasje-artefakten, artefakten fan media-opaciteit en projeksje-artefakten1,2,3.
Om't OCTA-ôflaat maatregels lykas vaskulêre tichtens hieltyd mear wurde brûkt yn oersettingsûndersyk, klinyske proeven en klinyske praktyk, is d'r in driuwende needsaak om robúste en betroubere prosessen foar kontrôle fan ôfbyldingskwaliteit te ûntwikkeljen om ôfbyldingsartefakten te eliminearjen4.Skipferbiningen, ek wol oerbliuwende ferbiningen neamd, binne projeksjes yn neurale netwurkarsjitektuer wêrmei ynformaasje konvolúsjonele lagen kin omgean by it opslaan fan ynformaasje op ferskate skalen as resolúsjes5.Om't ôfbyldingsartefakten lytsskalige en algemiene grutskalige ôfbyldingsprestaasjes kinne beynfloedzje, binne skip-ferbining neurale netwurken goed geskikt foar it automatisearjen fan dizze kwaliteitskontrôletaak5.Koartlyn publisearre wurk hat wat belofte toand foar djippe konvolúsjonele neurale netwurken oplaat mei gegevens fan hege kwaliteit fan minsklike skatters6.
Yn dizze stúdzje traine wy ​​in konvolúsjoneel neuraal netwurk dat ferbining oerslaan om automatysk de kwaliteit fan OCTA-ôfbyldings te bepalen.Wy bouwe op earder wurk troch it ûntwikkeljen fan aparte modellen foar it identifisearjen fan hege kwaliteit ôfbyldings en lege kwaliteit ôfbyldings, as ôfbylding kwaliteit easken kinne ferskille foar spesifike klinyske of ûndersyk senario.Wy fergelykje de resultaten fan dizze netwurken mei konvolúsjonele neurale netwurken sûnder ûntbrekkende ferbiningen om de wearde te evaluearjen fan funksjes op meardere nivo's fan granulariteit binnen djip learen.Wy fergelike ús resultaten doe mei sinjaalsterkte, in algemien akseptearre maat foar ôfbyldingskwaliteit levere troch fabrikanten.
Us stúdzje omfette pasjinten mei diabetes dy't it Yale Eye Center bywenne tusken 11 augustus 2017 en 11 april 2019. Pasjinten mei elke net-diabetyske chorioretinale sykte waarden útsletten.D'r wiene gjin kritearia foar ynklúzje of útsluting basearre op leeftyd, geslacht, ras, byldkwaliteit of in oare faktor.
OCTA-ôfbyldings waarden oankocht mei it AngioPlex-platfoarm op in Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) ûnder 8\(\times\)8 mm en 6\(\times\)6 mm imagingprotokollen.Ynformearre tastimming foar dielname oan 'e stúdzje waard krigen fan elke dielnimmer oan' e stúdzje, en de Yale University Institutional Review Board (IRB) hat it gebrûk fan ynformeare ynstimming mei wrâldwide fotografy foar al dizze pasjinten goedkard.Nei oanlieding fan de prinsipes fan 'e Ferklearring fan Helsinki.De stúdzje waard goedkard troch de Yale University IRB.
Oerflak plaat ôfbyldings waarden evaluearre basearre op de earder beskreaun Motion Artifact Score (MAS), de earder beskreaun Segmentation Artifact Score (SAS), de foveal sintrum, de oanwêzigens fan media opaciteit, en goede fisualisaasje fan lytse capillaries lykas bepaald troch de ôfbylding evaluator.De bylden waarden analysearre troch twa ûnôfhinklike evaluators (RD en JW).In ôfbylding hat in gradearre skoare fan 2 (yn oanmerking komme) as oan alle folgjende kritearia foldien wurdt: ôfbylding is sintraal by de fovea (minder dan 100 piksels fan it sintrum fan 'e ôfbylding), MAS is 1 of 2, SAS is 1, en media opaciteit is minder as 1. Oanwêzich op bylden fan grutte / 16, en lytse capillaries wurde sjoen yn bylden grutter as 15/16.In ôfbylding wurdt beoardiele mei 0 (gjin beoardieling) as oan ien fan 'e folgjende kritearia foldien wurdt: de ôfbylding is off-center, as MAS 4 is, as SAS 2 is, of de gemiddelde opasiteit is grutter dan 1/4 fan 'e ôfbylding, en de lytse capillaries kin net oanpast wurde mear as 1 ôfbylding /4 te ûnderskieden.Alle oare bylden dy't net foldogge oan de skoare kritearia 0 of 2 wurde skoare as 1 (knipsel).
Op fig.1 toant foarbyldôfbyldings foar elk fan 'e skalearre skattings en ôfbyldingsartefakten.De betrouberens fan 'e beoardieling fan yndividuele skoares waard beoardiele troch Cohen's kappa-gewichting8.De yndividuele skoares fan elke beoardieler wurde gearfette om in algemiene skoare te krijen foar elke ôfbylding, fariearjend fan 0 oant 4. Ofbyldings mei in totale skoare fan 4 wurde as goed beskôge.Ofbyldings mei in totale skoare fan 0 of 1 wurde beskôge as lege kwaliteit.
In ResNet152-arsjitektuer konvolúsjoneel neural netwurk (fig. 3A.i) foarôf oplaat op ôfbyldings út 'e ImageNet-databank waard generearre mei fast.ai en it PyTorch-framework5, 9, 10, 11. In konvolúsjoneel neural netwurk is in netwurk dat de learde brûkt filters foar it scannen fan ôfbyldingsfragminten om romtlike en lokale funksjes te studearjen.Us trained ResNet is in 152-laach neuraal netwurk, karakterisearre troch gatten as "residuele ferbiningen" dy't tagelyk ynformaasje oerstjoere mei meardere resolúsjes.Troch ynformaasje te projektearjen op ferskate resolúsjes oer it netwurk, kin it platfoarm de funksjes leare fan ôfbyldings fan lege kwaliteit op meardere nivo's fan detail.Neist ús ResNet-model hawwe wy ek AlexNet oplaat, in goed studearre neurele netwurkarsjitektuer, sûnder ferbiningen te missen foar fergeliking (figuer 3A.ii)12.Sûnder ûntbrekkende ferbiningen sil dit netwurk gjin funksjes kinne fange mei in hegere granulariteit.
De orizjinele 8\(\ kear\)8mm OCTA13-ôfbyldingsset is ferbettere mei horizontale en fertikale refleksjetechniken.De folsleine dataset waard doe willekeurich opdield op it byldnivo yn training (51.2%), testen (12.8%), hyperparameter tuning (16%), en validaasje (20%) datasets mei de scikit-learn toolbox python14.Twa gefallen waarden beskôge, ien basearre op it ûntdekken fan allinich de ôfbyldings fan 'e heechste kwaliteit (algehele skoare 4) en de oare basearre op it opspoaren fan allinich de leechste kwaliteitsôfbyldings (totale skoare 0 of 1).Foar elke gebrûk fan hege kwaliteit en lege kwaliteit wurdt it neuronale netwurk ien kear opnij oplaat op ús ôfbyldingsgegevens.Yn elke gebrûksgefal waard it neuronale netwurk foar 10-epochs traind, allegear útsein de heechste laachgewichten waarden beferzen, en de gewichten fan alle ynterne parameters waarden leard foar 40-epoken mei in diskriminative learratemetoade mei in cross-entropy-ferliesfunksje 15, 16..De krús entropy ferlies funksje is in maatregel fan de logaritmyske skaal fan de diskrepânsje tusken foarsein netwurk labels en echte gegevens.Tidens training wurdt gradient ôfstamming útfierd op 'e ynterne parameters fan it neurale netwurk om ferlies te minimalisearjen.De learrate, dropout-hyperparameters en gewichtsreduksje-hyperparameters waarden ôfstimd mei Bayesian-optimisaasje mei 2 willekeurige útgongspunten en 10-iteraasjes, en de AUC op 'e dataset waard ôfstimd mei de hyperparameters as doel fan 17.
Representative foarbylden fan 8 × 8 mm OCTA-ôfbyldings fan oerflakkige kapillêre plexussen skoarden 2 (A, B), 1 (C, D), en 0 (E, F).Ofbyldingsartefakten dy't werjûn binne omfetsje flikkerjende rigels (pylken), segmentaasjeartefakten (asterisken), en media-opaciteit (pylken).Ofbylding (E) is ek off-sintrum.
Receiver operating characteristics (ROC) curves wurde dan generearre foar alle neurale netwurk modellen, en motor sinjaal sterkte rapporten wurde oanmakke foar elke lege kwaliteit en hege kwaliteit gebrûk gefal.Gebiet ûnder de kromme (AUC) waard berekkene mei it pROC R-pakket, en 95% betrouwensintervallen en p-wearden waarden berekkene mei de DeLong-metoade18,19.De kumulative skoares fan 'e minsklike beoarders wurde brûkt as de basisline foar alle ROC-berekkeningen.Foar de sinjaalsterkte rapportearre troch de masine, waard de AUC twa kear berekkene: ien kear foar de besuniging fan 'e Scalability Score fan hege kwaliteit en ien kear foar de Scalability Score cut-off fan lege kwaliteit.It neuronale netwurk wurdt fergelike mei de AUC-sinjaalsterkte dy't syn eigen training- en evaluaasjebetingsten reflektearret.
Om it oplaat model foar djippe learen fierder te testen op in aparte dataset, waarden modellen fan hege kwaliteit en lege kwaliteit direkt tapast op prestaasjesevaluaasje fan 32 folsleine gesicht 6 \ (\ kear \) 6mm oerflakplaatôfbyldings sammele fan Yale University.Eye Mass wurdt sintraal tagelyk mei de ôfbylding 8 \(\ kear \) 8 mm.De 6\(\×\) 6 mm-ôfbyldings waarden mei de hân beoardiele troch deselde beoarders (RD en JW) op deselde manier as de 8\(\×\) 8 mm-ôfbyldings, AUC waard berekkene lykas krektens en Cohen's kappa .lykop .
De klasse-ûnbalânsferhâlding is 158:189 (\(\rho = 1.19\)) foar it model fan lege kwaliteit en 80:267 (\(\rho = 3.3\)) foar it model fan hege kwaliteit.Omdat de klasse ûnbalâns ferhâlding is minder as 1: 4, gjin spesifike arsjitektoanyske feroarings binne makke foar in korrizjearje klasse ûnbalâns20,21.
Om it learproses better te visualisearjen, waarden klasseaktivearringskaarten generearre foar alle fjouwer oplaat modellen foar djippe learen: hege kwaliteit ResNet152-model, lege kwaliteit ResNet152-model, hege kwaliteit AlexNet-model, en lege kwaliteit AlexNet-model.Klasseaktivearringskaarten wurde generearre út 'e ynfierkonvolúsjonele lagen fan dizze fjouwer modellen, en waarmtekaarten wurde generearre troch aktivearringskaarten te oerlizzen mei boarneôfbyldings fan' e 8 × 8 mm en 6 × 6 mm validaasje sets22, 23.
R ferzje 4.0.3 waard brûkt foar alle statistyske berekkeningen, en fisualisaasjes waarden makke mei help fan de ggplot2 graphics ark bibleteek.
Wy sammele 347 frontale ôfbyldings fan 'e oerflakkige kapillêre plexus fan 8 \(\ kear \)8 mm fan 134 minsken.De masine rapporteart sinjaalsterkte op in skaal fan 0 oant 10 foar alle ôfbyldings (gemiddeld = 6,99 ± 2,29).Fan 'e krigen 347 bylden wie de gemiddelde leeftyd by ûndersyk 58,7 ± 14,6 jier, en 39,2% wie fan manlike pasjinten.Fan alle bylden wie 30,8% fan Kaukasiërs, 32,6% fan Swarten, 30,8% fan Hispanics, 4% fan Aziaten en 1,7% fan oare rassen (tabel 1).).De leeftydferdieling fan pasjinten mei OCTA ferskilde signifikant ôfhinklik fan de kwaliteit fan it byld (p <0.001).It persintaazje ôfbyldings fan hege kwaliteit yn jongere pasjinten fan 18-45 jier wie 33.8% yn ferliking mei 12.2% fan lege kwaliteitsôfbyldings (tabel 1).De ferdieling fan diabetyske retinopathy-status feroare ek signifikant yn byldkwaliteit (p <0.017).Under alle ôfbyldings fan hege kwaliteit wie it persintaazje pasjinten mei PDR 18.8% yn ferliking mei 38.8% fan alle lege kwaliteitsôfbyldings (tabel 1).
Yndividuele wurdearrings fan alle ôfbyldings lieten matige oant sterke inter-rating betrouberens sjen tusken minsken dy't de ôfbyldings lêze (Cohen's gewichtige kappa = 0.79, 95% CI: 0.76-0.82), en d'r wiene gjin ôfbyldingspunten wêr't beoarders mei mear as 1 ferskille (Fig. 2A)..Sinjalintensiteit korrelearre signifikant mei hânmjittich skoare (Pearson produktmomint korrelaasje = 0.58, 95% CI 0.51-0.65, p <0.001), mar in protte bylden waarden identifisearre as hawwende hege sinjaal yntinsiteit, mar lege hân skoare (Fig. .2B).
Tidens de training fan 'e ResNet152- en AlexNet-arsjitektueren falt it cross-entropy-ferlies op falidaasje en training oer 50-epochs (figuer 3B, C).Validaasjekrektens yn 'e lêste trainingstiid is mear dan 90% foar gebrûk fan sawol hege kwaliteit as lege kwaliteit.
Prestaasjekurven fan 'e ûntfanger litte sjen dat it ResNet152-model de sinjaalmacht rapporteart troch de masine yn sawol lege as hege kwaliteit gebrûksgefallen signifikant better presteart (p <0.001).It ResNet152-model prestearret ek signifikant better as de AlexNet-arsjitektuer (p = 0.005 en p = 0.014 foar respektivelik gefallen fan lege kwaliteit en hege kwaliteit).De resultearjende modellen foar elk fan dizze taken koene AUC-wearden fan respektivelik 0.99 en 0.97 berikke, wat signifikant better is as de oerienkommende AUC-wearden fan 0.82 en 0.78 foar de yndeks fan 'e masinesinjaalsterkte of 0.97 en 0.94 foar AlexNet ..(ôfb. 3).It ferskil tusken ResNet en AUC yn sinjaalsterkte is heger by it werkennen fan ôfbyldings fan hege kwaliteit, wat oanjout oanfoljende foardielen fan it brûken fan ResNet foar dizze taak.
De grafiken litte it fermogen fan elke ûnôfhinklike rater sjen om te skoaren en te fergelykjen mei de sinjaalsterkte rapporteare troch de masine.(A) De som fan 'e punten dy't wurde beoardiele wurdt brûkt om it totale oantal punten te meitsjen dy't wurde beoardiele.Ofbyldings mei in algemiene skaalberensskoare fan 4 wurde fan hege kwaliteit tawiisd, wylst ôfbyldings mei in algemiene skalberensskoare fan 1 of minder lege kwaliteit wurde tawiisd.(B) Sinjaalintensiteit korrelearret mei hânmjittige skatten, mar ôfbyldings mei hege sinjaalintensiteit kinne fan mindere kwaliteit wêze.De reade stippelline jout de oanbefellende kwaliteitsdrompel fan de fabrikant oan op basis fan sinjaalsterkte (sinjaalsterkte \(\ge\)6).
ResNet-oerdracht learen leveret in signifikante ferbettering yn identifikaasje fan ôfbyldingskwaliteit foar sawol lege kwaliteit as gebrûk fan hege kwaliteit yn ferliking mei masine-rapporteare sinjaalnivo's.(A) Simplified arsjitektuer diagrammen fan pre-trained (i) ResNet152 en (ii) AlexNet arsjitektuer.(B) Training skiednis en ûntfanger prestaasjes curves foar ResNet152 fergelike mei masine rapportearre sinjaal sterkte en AlexNet lege kwaliteit kritearia.(C) ResNet152 ûntfanger training skiednis en prestaasje curves ferlike mei masine rapportearre sinjaal sterkte en AlexNet hege kwaliteit kritearia.
Nei it oanpassen fan de beslútgrinsdrompel is de maksimale foarsizzingsnauwkeurigens fan it ResNet152-model 95,3% foar it gefal fan lege kwaliteit en 93,5% foar it gefal fan hege kwaliteit (tabel 2).De maksimale foarsizzingskrektens fan it AlexNet-model is 91.0% foar de saak fan lege kwaliteit en 90.1% foar de saak fan hege kwaliteit (tabel 2).De maksimale krektens foar foarsizzing fan sinjaalsterkte is 76,1% foar gebrûk fan lege kwaliteit en 77,8% foar gebrûk fan hege kwaliteit.Neffens Cohen's kappa (\(\kappa\)) is de oerienkomst tusken it ResNet152-model en de skatters 0,90 foar it gefal fan lege kwaliteit en 0,81 foar it gefal fan hege kwaliteit.Cohen's AlexNet kappa is 0.82 en 0.71 foar respektivelik gebrûk fan lege kwaliteit en hege kwaliteit.Cohen syn sinjaal sterkte kappa is 0,52 en 0,27 foar de lege en hege kwaliteit gebrûk gefallen, respektivelik.
Validaasje fan erkenningsmodellen fan hege en lege kwaliteit op 6\(\x\) ôfbyldings fan in 6 mm platte plaat toant it fermogen fan it oplaat model om byldkwaliteit te bepalen oer ferskate ôfbyldingsparameters.By it brûken fan 6\(\x\) 6 mm ûndjippe platen foar ôfbyldingskwaliteit hie it lege kwaliteitsmodel in AUC fan 0.83 (95% CI: 0.69–0.98) en it hege kwaliteitsmodel hie in AUC fan 0.85.(95% CI: 0,55-1,00) (tabel 2).
Fisuele ynspeksje fan 'e aktivearringskaarten fan' e ynfierlaachklasse liet sjen dat alle oplaat neurale netwurken ôfbyldingsfunksjes brûkten by ôfbyldingsklassifikaasje (figuer 4A, B).Foar 8 \(\ kear \) 8 mm en 6 \(\ kear \) 6 mm-ôfbyldings folgje de ResNet-aktivearingsôfbyldings nau de retinale vasculature.AlexNet-aktivearringskaarten folgje ek retinale skippen, mar mei in gruttere resolúsje.
De klasse-aktivearingskaarten foar de ResNet152- en AlexNet-modellen markearje funksjes relatearre oan ôfbyldingskwaliteit.(A) Klasseaktivearringskaart dy't gearhingjende aktivearring toant nei oerflakkige retinale vasculature op 8 \ (\ kear \) 8 mm validaasjeôfbyldings en (B) omfang op lytsere 6 \ (\ kear \) 6 mm validaasjeôfbyldings.LQ-model oplaat op kritearia foar lege kwaliteit, HQ-model oplaat op kritearia fan hege kwaliteit.
It is earder oantoand dat ôfbyldingskwaliteit in soad ynfloed kin op elke kwantifikaasje fan OCTA-ôfbyldings.Dêrnjonken fergruttet de oanwêzigens fan retinopathy de ynsidinsje fan byld artefakten7,26.Yn feite, yn ús gegevens, yn oerienstimming mei eardere stúdzjes, fûnen wy in signifikante assosjaasje tusken tanimmende leeftyd en earnst fan retinale sykte en efterútgong yn byldkwaliteit (p <0.001, p = 0.017 foar respektivelik leeftyd en DR-status; Tabel 1) 27 Dêrom is it kritysk om de ôfbyldingskwaliteit te beoardieljen foardat jo in kwantitative analyse fan OCTA-ôfbyldings útfiere.De measte stúdzjes dy't OCTA-ôfbyldings analysearje, brûke masine-rapporteare drompels foar sinjaalintensiteit om ôfbyldings fan lege kwaliteit út te sluten.Hoewol't sinjaalintensiteit is oantoand om de kwantifikaasje fan OCTA-parameters te beynfloedzjen, kin hege sinjaalintensiteit allinich net genôch wêze om ôfbyldings mei ôfbyldingsartefakten2,3,28,29 út te sluten.Dêrom is it nedich om in mear betroubere metoade foar kontrôle fan byldkwaliteit te ûntwikkeljen.Foar dit doel evaluearje wy de prestaasjes fan begeliede metoaden foar djippe learen tsjin 'e sinjaalsterkte rapporteare troch de masine.
Wy hawwe ferskate modellen ûntwikkele foar it evaluearjen fan ôfbyldingskwaliteit, om't ferskate OCTA-gebrûksgefallen ferskate easken foar ôfbyldingskwaliteit hawwe kinne.Ofbyldings moatte bygelyks fan hegere kwaliteit wêze.Derneist binne spesifike kwantitative parameters fan belang ek wichtich.Bygelyks, it gebiet fan 'e foveale avaskulêre sône is net ôfhinklik fan' e turbiditeit fan it net-sintraal medium, mar hat ynfloed op 'e tichtens fan' e skippen.Wylst ús ûndersyk trochgiet te rjochtsjen op in algemiene oanpak fan ôfbyldingskwaliteit, net bûn oan 'e easken fan in bepaalde test, mar bedoeld om de sinjaalsterkte direkt te ferfangen troch de masine, hoopje wy brûkers in gruttere kontrôle te jaan sadat se kin de spesifike metrik fan belang foar de brûker selektearje.kies in model dat oerienkomt mei de maksimale graad fan byld artefakten beskôge akseptabel.
Foar sênes fan lege kwaliteit en hege kwaliteit litte wy poerbêste prestaasjes sjen fan ferbining-ûntbrekkende djippe konvolúsjonele neurale netwurken, mei AUC's fan respektivelik 0.97 en 0.99 en modellen fan lege kwaliteit.Wy demonstrearje ek de superieure prestaasjes fan ús oanpak foar djippe learen yn fergeliking mei sinjaalnivo's allinich rapporteare troch masines.Skipferbiningen kinne neurale netwurken funksjes leare op meardere nivo's fan detail, it fêstlizzen fan fynere aspekten fan ôfbyldings (bygelyks kontrast) lykas algemiene funksjes (bgl.Om't ôfbyldingsartefakten dy't de ôfbyldingskwaliteit beynfloedzje, wierskynlik it bêste identifisearre wurde oer in breed berik, kinne neuronale netwurkarsjitektueren mei ûntbrekkende ferbiningen bettere prestaasjes sjen litte dan dy sûnder taken foar it bepalen fan byldkwaliteit.
By it testen fan ús model op 6\(\×6mm) OCTA-ôfbyldings, hawwe wy in fermindering fan klassifikaasjeprestaasjes opmurken foar sawol hege kwaliteit as lege kwaliteitsmodellen (Fig. 2), yn tsjinstelling ta de grutte fan it model dat foar klassifikaasje trainearre is.Yn ferliking mei it ResNet-model hat it AlexNet-model in gruttere falloff.De relatyf bettere prestaasjes fan ResNet kin wêze te tankjen oan it fermogen fan 'e oerbleaune ferbiningen om ynformaasje op meardere skalen te ferstjoeren, wat it model robúster makket foar it klassifisearjen fan ôfbyldings dy't op ferskate skalen en / of fergruttings binne fêstlein.
Guon ferskillen tusken 8 \(\×\) 8 mm-ôfbyldings en 6 \(\×\) 6 mm-ôfbyldings kinne liede ta minne klassifikaasje, ynklusyf in relatyf heech oanpart fan bylden dy't foveale avaskulêre gebieten befetsje, feroaringen yn sichtberens, vaskulêre arcades, en gjin optyske senuw op de ôfbylding 6 × 6 mm.Nettsjinsteande dit koe ús ResNet-model fan hege kwaliteit in AUC fan 85% berikke foar 6 \(\x\) 6 mm-ôfbyldings, in konfiguraasje wêrfoar it model net trainearre wie, wat suggerearret dat de ôfbyldingskwaliteitynformaasje kodearre yn it neurale netwurk is geskikt.foar ien ôfbylding grutte of masine konfiguraasje bûten syn training (tabel 2).Gerêststellend, ResNet- en AlexNet-like aktivearringskaarten fan 8 \(\ kear \) 8 mm en 6 \(\ kear \) 6 mm-ôfbyldings koene retinale skippen yn beide gefallen markearje, wat suggerearret dat it model wichtige ynformaasje hat.binne fan tapassing foar it klassifisearjen fan beide soarten OCTA-ôfbyldings (figuer 4).
Lauerman et al.Beoardieling fan ôfbyldingskwaliteit op OCTA-ôfbyldings waard lykwols útfierd mei de Inception-arsjitektuer, in oar skip-ferbining konvolúsjoneel neural netwurk6,32 mei techniken foar djippe learen.Se beheine de stúdzje ek ta bylden fan 'e oerflakkige kapillêre plexus, mar allinich mei de lytsere 3 × 3 mm-ôfbyldings fan Optovue AngioVue, hoewol't pasjinten mei ferskate chorioretinale sykten ek opnommen waarden.Us wurk bout op har fûneminten, ynklusyf meardere modellen om ferskate drompels foar ôfbyldingskwaliteit oan te pakken en resultaten te validearjen foar ôfbyldings fan ferskate grutte.Wy melde ek de AUC-metrysk fan masine-learmodellen en ferheegje har al yndrukwekkende krektens (90%)6 foar sawol lege kwaliteit (96%) as hege kwaliteit (95.7%) modellen6.
Dizze training hat ferskate beheiningen.Earst waarden de ôfbyldings krigen mei mar ien OCTA-masine, ynklusyf allinich ôfbyldings fan 'e oerflakkige kapillêre plexus op 8\(\ kear\) 8 mm en 6\(\ kear\) 6 mm.De reden foar it útsluten fan ôfbyldings fan djippere lagen is dat projeksje-artefakten de hânmjittige evaluaasje fan ôfbyldings dreger en mooglik minder konsekwint meitsje kinne.Fierders binne bylden allinnich oanskaft yn diabetyske pasjinten, foar wa't OCTA opkomt as in wichtich diagnostysk en prognostysk ark33,34.Hoewol wy ús model kinne testen op ôfbyldings fan ferskate grutte om te garandearjen dat de resultaten robúst wiene, wiene wy ​​net yn steat om passende datasets fan ferskate sintra te identifisearjen, wat ús beoardieling fan 'e generalisearberens fan it model beheine.Hoewol de bylden waarden krigen fan mar ien sintrum, waarden se krigen fan pasjinten fan ferskate etnyske en rasiale eftergrûnen, dat is in unike krêft fan ús stúdzje.Troch ferskaat yn ús opliedingsproses op te nimmen, hoopje wy dat ús resultaten yn in bredere betsjutting generalisearre wurde, en dat wy it kodearjen fan rasiale bias yn 'e modellen dy't wy traine sille foarkomme.
Us stúdzje lit sjen dat neurale netwurken dy't ferbining oerslaan kinne wurde oplaat om hege prestaasjes te berikken by it bepalen fan OCTA-ôfbyldingskwaliteit.Wy leverje dizze modellen as ark foar fierder ûndersyk.Om't ferskate metriken ferskillende easken foar ôfbyldingskwaliteit kinne hawwe, kin in yndividueel kwaliteitskontrôlemodel foar elke metrik ûntwikkele wurde mei de hjir fêststelde struktuer.
Takomstich ûndersyk moat ôfbyldings fan ferskate grutte fan ferskate djipten en ferskate OCTA-masines omfetsje om in proses foar evaluaasje fan djippe learende ôfbyldingskwaliteit te krijen dat kin wurde generalisearre nei OCTA-platfoarms en ôfbyldingsprotokollen.Aktueel ûndersyk is ek basearre op begeliede oanpak foar djippe learen dy't minsklike evaluaasje en byldevaluaasje fereaskje, wat arbeidsintensyf en tiidslinend kin wêze foar grutte datasets.It bliuwt te sjen oft sûnder tafersjoch metoaden foar djippe learen adekwaat ûnderskied kinne tusken ôfbyldings fan lege kwaliteit en ôfbyldings fan hege kwaliteit.
As OCTA-technology trochgiet te evoluearjen en scansnelheden tanimme, kin de ynfal fan ôfbyldingsartefakten en ôfbyldings fan minne kwaliteit ôfnimme.Ferbetteringen yn 'e software, lykas de koartlyn yntrodusearre funksje foar ferwidering fan projeksje artefakt, kinne dizze beheiningen ek ferleegje.In protte problemen bliuwe lykwols, om't ôfbylding fan pasjinten mei minne fixaasje of signifikante media-turbiditeit altyd resulteart yn ôfbyldingsartefakten.As OCTA wurdt mear wiidferspraat brûkt yn klinyske proeven, soarchfâldige oerweging is nedich om fêst te stellen dúdlike rjochtlinen foar akseptabel byld artefakt nivo 's foar ôfbylding analyze.De tapassing fan metoaden foar djippe learen op OCTA-ôfbyldings hâldt grutte belofte en fierder ûndersyk is nedich yn dit gebiet om in robúste oanpak te ûntwikkeljen foar kontrôle fan byldkwaliteit.
De koade brûkt yn it hjoeddeistige ûndersyk is beskikber yn it octa-qc repository, https://github.com/rahuldhodapkar/octa-qc.Datasets generearre en / of analysearre tidens de hjoeddeiske stúdzje binne beskikber fan de respektivelike auteurs op ridlik fersyk.
Spaide, RF, Fujimoto, JG, & Waheed, NK Image artefakten yn optyske gearhing angiography.Retina 35, 2163-2180 (2015).
Fenner, BJ et al.Identifikaasje fan ôfbyldingsfunksjes dy't de kwaliteit en reprodusearberens bepale fan mjittingen fan retinale kapillêre plexus tichtens yn OCT-angiografy.BR.J. Ophthalmol.102, 509-514 (2018).
Lauerman, JL et al.Ynfloed fan eye-tracking technology op 'e byldkwaliteit fan OCT angiografy yn leeftyd-relatearre makulêre degeneraasje.Grave arch.klinysk.Exp.oftalmology.255, 1535-1542 (2017).
Babyuch AS et al.OCTA capillary perfusion tichtens mjittingen wurde brûkt om makulêre ischemia te detektearjen en te evaluearjen.oftalmyske sjirurgy.Retinalaserôfbylding 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S., en Sun, J. Deep Residual Learning for Image Recognition.Yn 2016 by de IEEE Conference on Computer Vision and Pattern Recognition (2016).
Lauerman, JL et al.Automatisearre OCT-angiografyske ôfbyldingskwaliteit beoardieling mei algoritmen foar djippe learen.Grave arch.klinysk.Exp.oftalmology.257, 1641–1648 (2019).
Lauermann, J. et al.De prevalens fan segmentaasjefouten en bewegingsartefakten yn OCT-angiografy hinget ôf fan 'e sykte fan' e retina.Grave arch.klinysk.Exp.oftalmology.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: In ymperatyf, hege prestaasjes Deep Learning Library.Avansearre ferwurking fan neurale ynformaasje.systeem.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: In grutskalige hierarchyske ôfbyldingsdatabase.2009 IEEE-konferinsje oer kompjûterfisy en patroanherkenning.248–255.(2009).
Krizhevsky A., Sutzkever I. en Hinton GE Imagenet-klassifikaasje mei help fan djippe konvolúsjonele neurale netwurken.Avansearre ferwurking fan neurale ynformaasje.systeem.25, 1 (2012).