Dankon pro vizito de Nature.com.Vi uzas retumilon kun limigita CSS-subteno.Por la plej bona sperto, ni rekomendas, ke vi uzu ĝisdatigitan retumilon (aŭ malŝaltu Kongruo-Reĝimon en Internet Explorer).Krome, por certigi daŭran subtenon, ni montras la retejon sen stiloj kaj JavaScript.
Glitiloj montrante tri artikolojn per diapozitivo.Uzu la malantaŭan kaj sekvan butonojn por moviĝi tra la lumbildoj, aŭ la butonojn de glit-regiloj ĉe la fino por moviĝi tra ĉiu lumbildo.
Optika kohera tomografia angiografio (OCTA) estas nova metodo por ne-invasiva bildigo de retinaj vaskuloj.Kvankam OCTA havas multajn esperigajn klinikajn aplikojn, determini bildkvaliton restas defio.Ni evoluigis profundan lernadon bazitan sistemon uzante la ResNet152 neŭrala reto klasigilo antaŭtrejnita kun ImageNet por klasifiki supraĵajn kapilarajn plexus bildojn de 347 skanadoj de 134 pacientoj.La bildoj ankaŭ estis mane taksitaj kiel vera vero fare de du sendependaj taksantoj por kontrolita lerna modelo.Ĉar bildkvalitpostuloj povas varii dependi de klinikaj aŭ esploraj agordoj, du modeloj estis trejnitaj, unu por altkvalita bildrekono kaj la alia por malaltkvalita bildrekono.Nia neŭrala reto-modelo montras bonegan areon sub la kurbo (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), kiu estas signife pli bona ol la signalnivelo raportita de la maŝino (AUC = 0.82, 95). % CI).0.77-0.86, \(\kappa\) = 0.52 kaj AUC = 0.78, 95% CI 0.73-0.83, \(\kappa\) = 0.27, respektive).Nia studo pruvas, ke maŝinlernadaj metodoj povas esti uzataj por disvolvi flekseblajn kaj fortigajn kvalitkontrolajn metodojn por OCTA-bildoj.
Optika kohera tomografia angiografio (OCTA) estas relative nova tekniko bazita sur optika kohera tomografio (OCT) kiu povas esti uzita por ne-invasiva bildigo de la retina mikrovaskulaturo.OCTA mezuras la diferencon en reflektaj ŝablonoj de ripetaj lumpulsoj en la sama areo de la retino, kaj rekonstruoj tiam povas esti kalkulitaj por malkaŝi sangajn glasojn sen la enpenetra uzo de tinkturfarboj aŭ aliaj kontrastaj agentoj.OCTA ankaŭ ebligas profund-rezolucian angian bildigon, permesante al klinikistoj aparte ekzameni supraĵajn kaj profundajn vaztavolojn, helpante diferenciĝi inter korioretina malsano.
Dum ĉi tiu tekniko estas promesplena, bildkvalita vario restas grava defio por fidinda bildanalizo, malfaciligante bildinterpreton kaj malhelpante ĝeneraligitan klinikan adopton.Ĉar OCTA uzas multoblajn sinsekvajn OCT-skanaĵojn, ĝi estas pli sentema al bildaj artefaktoj ol norma OCT.Plej komercaj OCTA-platformoj disponigas sian propran bildkvalitan metrikon nomitan Signal Strength (SS) aŭ foje Signal Strength Index (SSI).Tamen, bildoj kun alta SS aŭ SSI-valoro ne garantias la foreston de bildaj artefaktoj, kiuj povas influi ajnan postan bildan analizon kaj konduki al malĝustaj klinikaj decidoj.Oftaj bildaj artefaktoj, kiuj povas okazi en OCTA-bildigo, inkluzivas moviĝajn artefaktojn, segmentigajn artefaktojn, amaskomunikilajn opakecajn artefaktojn kaj projekciajn artefaktojn1,2,3.
Ĉar OCTA-derivitaj mezuroj kiel ekzemple angia denseco estas ĉiam pli uzataj en traduka esplorado, klinikaj provoj kaj klinika praktiko, estas urĝa bezono evoluigi fortikajn kaj fidindajn bildajn kvalitkontrolajn procezojn por forigi bildajn artefaktojn4.Skip-konektoj, ankaŭ konataj kiel restaj ligoj, estas projekcioj en neŭrala reto-arkitekturo, kiuj permesas al informoj preteriri konvoluciajn tavolojn konservante informojn je malsamaj skaloj aŭ rezolucioj5.Ĉar bildaj artefaktoj povas influi malgrand-skalan kaj ĝeneralan grandskalan bild-efikecon, preterkonektaj neŭralaj retoj bone taŭgas por aŭtomatigi ĉi tiun kvalitkontrolan taskon5.Lastatempe publikigita laboro montris iun promeson por profundaj konvoluciaj neŭralaj retoj trejnitaj uzante altkvalitajn datumojn de homaj taksantoj6.
En ĉi tiu studo, ni trejnas konekt-saltantan konvolucian neŭralan reton por aŭtomate determini la kvaliton de OCTA-bildoj.Ni konstruas antaŭan laboron disvolvante apartajn modelojn por identigi altkvalitajn bildojn kaj malaltkvalitajn bildojn, ĉar bildkvalitaj postuloj povas malsami por specifaj klinikaj aŭ esploraj scenaroj.Ni komparas la rezultojn de ĉi tiuj retoj kun konvoluciaj neŭralaj retoj sen mankantaj ligoj por taksi la valoron inkluzivi ecojn sur multoblaj niveloj de granulareco ene de profunda lernado.Ni tiam komparis niajn rezultojn kun signalforto, komune akceptita mezuro de bildkvalito provizita de produktantoj.
Nia studo inkludis pacientojn kun diabeto, kiuj ĉeestis al la Yale Eye Center inter la 11-a de aŭgusto 2017 kaj la 11-a de aprilo 2019. Pacientoj kun iu ajn ne-diabeta korioretina malsano estis ekskluditaj.Ne ekzistis kriterioj pri inkludo aŭ ekskludo bazitaj sur aĝo, sekso, raso, bildkvalito aŭ iu ajn alia faktoro.
OCTA-bildoj estis akiritaj uzante la AngioPlex-platformon sur Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublino, CA) sub 8\(\times\)8 mm kaj 6\(\times\)6 mm bildigaj protokoloj.Informita konsento por partopreno en la studo estis akirita de ĉiu studpartoprenanto, kaj la Yale University Institutional Review Board (IRB) aprobis la uzon de informita konsento kun tutmonda fotado por ĉiuj ĉi tiuj pacientoj.Sekvante la principojn de la Deklaracio de Helsinko.La studo estis aprobita de la Universitato Yale IRB.
Surfacaj teleraj bildoj estis taksitaj surbaze de la antaŭe priskribita Motion Artifact Score (MAS), la antaŭe priskribita Segmentation Artifact Score (SAS), la fovea centro, la ĉeesto de amaskomunikila opakeco kaj bona bildigo de malgrandaj kapilaroj kiel determinite de la bilda taksisto.La bildoj estis analizitaj de du sendependaj analizistoj (RD kaj JW).Bildo havas gradigitan poentaron de 2 (elektebla) se ĉiuj jenaj kriterioj estas plenumitaj: bildo estas centrita ĉe la foveo (malpli ol 100 pikseloj de la centro de la bildo), MAS estas 1 aŭ 2, SAS estas 1, kaj amaskomunikila opakeco estas malpli ol 1. Prezentas sur bildoj de grandeco / 16, kaj malgrandaj kapilaroj vidiĝas en bildoj pli grandaj ol 15/16.Bildo estas taksita 0 (neniu takso) se iu el la sekvaj kriterioj estas plenumita: la bildo estas malcentra, se MAS estas 4, se SAS estas 2, aŭ la meza maldiafaneco estas pli granda ol 1/4 de la bildo, kaj la malgrandaj kapilaroj ne povas ĝustigi pli ol 1 bildo /4 por distingi.Ĉiuj aliaj bildoj, kiuj ne plenumas la poentkriteriojn 0 aŭ 2, estas notitaj kiel 1 (tondado).
Sur fig.1 montras specimenajn bildojn por ĉiu el la skalitaj taksoj kaj bildaj artefaktoj.Inter-taksa fidindeco de individuaj poentoj estis taksita per la kappa ponderado de Cohen8.La individuaj poentaroj de ĉiu taksanto estas sumitaj por akiri totalan poentaron por ĉiu bildo, intervalante de 0 ĝis 4. Bildoj kun totala poentaro de 4 estas konsiderataj bonaj.Bildoj kun totala poentaro de 0 aŭ 1 estas konsiderataj malalta kvalito.
ResNet152-arkitekturo konvolucia neŭrala reto (Fig. 3A.i) antaŭtrejnita sur bildoj de la ImageNet datumbazo estis generita uzante fast.ai kaj la PyTorch kadro5, 9, 10, 11. Konvolucia neŭrala reto estas reto kiu uzas la lernitan. filtriloj por skanado de bildoj fragmentoj por studi spacajn kaj lokajn trajtojn.Nia trejnita ResNet estas 152-tavola neŭrala reto karakterizita de breĉoj aŭ "restantaj ligoj", kiuj samtempe transdonas informojn kun multoblaj rezolucioj.Projekzante informojn ĉe malsamaj rezolucioj tra la reto, la platformo povas lerni la trajtojn de malaltkvalitaj bildoj je multoblaj niveloj de detalo.Krom nia modelo ResNet, ni ankaŭ trejnis AlexNet, bone studitan neŭralan retan arkitekturon, sen mankantaj konektoj por komparo (Figuro 3A.ii)12.Sen mankantaj konektoj, ĉi tiu reto ne povos kapti funkciojn kun pli alta granulareco.
La originala bildaro de 8\(\times\)8mm OCTA13 estis plibonigita per horizontalaj kaj vertikalaj reflektaj teknikoj.La plena datumaro tiam estis hazarde dividita ĉe la bildnivelo en trejnadon (51.2%), testadon (12.8%), hiperparametran agordon (16%), kaj validumado (20%) datumarojn uzante la scikit-learn ilarkeston python14.Du kazoj estis pripensitaj, unu bazita sur detektado de nur la plej altkvalitaj bildoj (totala poentaro 4) kaj la alia bazita sur detektado de nur la plej malaltkvalitaj bildoj (totala poentaro 0 aŭ 1).Por ĉiu altkvalita kaj malaltkvalita uzokazo, la neŭrala reto estas retrejnita unufoje sur niaj bildaj datumoj.En ĉiu uzkazo, la neŭrala reto estis trejnita por 10 epokoj, ĉiuj krom la plej altaj tavolpezoj estis frostigitaj, kaj la pezoj de ĉiuj internaj parametroj estis lernitaj dum 40 epokoj uzante diskriminacian lernprocentmetodon kun kruc-entropia perdfunkcio 15, 16..La krucentropia perdfunkcio estas kvanto de la logaritma skalo de la diferenco inter antaŭdiritaj retaj etikedoj kaj realaj datenoj.Dum trejnado, gradienta deveno estas farita sur la internaj parametroj de la neŭrala reto por minimumigi perdojn.La hiperparametroj de lernado, eliro kaj pezo-redukto estis agorditaj uzante Bajezan optimumigo kun 2 hazardaj deirpunktoj kaj 10 ripetoj, kaj la AUC sur la datumaro estis agordita uzante la hiperparametrojn kiel celon de 17.
Reprezentaj ekzemploj de 8 × 8 mm OCTA-bildoj de supraĵaj kapilaraj pleksoj gajnis 2 (A, B), 1 (C, D) kaj 0 (E, F).Bildaj artefaktoj montritaj inkluzivas flagrantajn liniojn (sagoj), segmentigajn artefaktojn (asteriskoj), kaj amaskomunikilan opakecon (sagoj).Bildo (E) ankaŭ estas malcentra.
Ricevilaj operaciaj karakterizaĵoj (ROC) kurboj tiam estas generitaj por ĉiuj neŭralaj retaj modeloj, kaj motoraj signalfortaj raportoj estas generitaj por ĉiu malaltkvalita kaj altkvalita uzokazo.Areo sub la kurbo (AUC) estis kalkulita per la pROC R-pakaĵo, kaj 95% konfidencaj intervaloj kaj p-valoroj estis kalkulitaj per la metodo DeLong18,19.La akumulaj interpunkcioj de la homaj taksantoj estas utiligitaj kiel la bazlinio por ĉiuj ROC-kalkuloj.Por la signalforto raportita de la maŝino, la AUC estis kalkulita dufoje: unufoje por la altkvalita Scalability Score-tranĉo kaj unufoje por la malaltkvalita Scalability Score-tranĉo.La neŭrala reto estas komparita kun la AUC-signalforto reflektanta siajn proprajn trejnadon kaj taksadkondiĉojn.
Por plue testi la trejnitan profundan lernan modelon sur aparta datumaro, altkvalitaj kaj malaltkvalitaj modeloj estis rekte aplikitaj al agado-takso de 32 plenvizaĝaj 6\(\times\) 6mm surfacaj slabbildoj kolektitaj de Universitato Yale.Okula Maso estas centrita samtempe kun la bildo 8 \(\times \) 8 mm.La 6\(\×\) 6 mm bildoj estis mane taksitaj fare de la samaj taksantoj (RD kaj JW) en la sama maniero kiel la 8\(\×\) 8 mm bildoj, AUC estis kalkulita same kiel precizeco kaj kappao de Cohen. .egale.
La klasa malekvilibroproporcio estas 158:189 (\(\rho = 1.19\)) por la malaltkvalita modelo kaj 80:267 (\(\rho = 3.3\)) por la altkvalita modelo.Ĉar la klasmalekvilibroproporcio estas malpli ol 1:4, neniuj specifaj arkitekturaj ŝanĝoj estis faritaj por korekti klasmalekvilibron20,21.
Por pli bone bildigi la lernprocezon, klasaktivigmapoj estis generitaj por ĉiuj kvar trejnitaj profundaj lernaj modeloj: altkvalita ResNet152-modelo, malaltkvalita ResNet152-modelo, altkvalita AlexNet-modelo, kaj malaltkvalita AlexNet-modelo.Klasaj aktivigaj mapoj estas generitaj de la eniga konvoluciaj tavoloj de ĉi tiuj kvar modeloj, kaj varmomapoj estas generitaj per supermetado de aktivigaj mapoj kun fontbildoj de la validumaroj de 8 × 8 mm kaj 6 × 6 mm22, 23.
R-versio 4.0.3 estis uzita por ĉiuj statistikaj kalkuloj, kaj bildigoj estis kreitaj per la ggplot2 grafika ilbiblioteko.
Ni kolektis 347 alfrontajn bildojn de la supraĵa kapila plekso je 8 \(\times \)8 mm de 134 homoj.La maŝino raportis signalforton sur skalo de 0 ĝis 10 por ĉiuj bildoj (meznombro = 6.99 ± 2.29).El la 347 bildoj akiritaj, la averaĝa aĝo ĉe ekzameno estis 58.7 ± 14.6 jaroj, kaj 39.2% estis de viraj pacientoj.De ĉiuj bildoj, 30.8% estis de kaŭkazanoj, 32.6% de nigruloj, 30.8% de hispanidoj, 4% de azianoj, kaj 1.7% de aliaj rasoj (Tabelo 1).).La aĝdistribuo de pacientoj kun OCTA signife malsamis depende de la kvalito de la bildo (p < 0.001).La procento de altkvalitaj bildoj en pli junaj pacientoj en aĝo de 18-45 jaroj estis 33.8% kompare kun 12.2% de malaltkvalitaj bildoj (Tablo 1).La distribuado de diabeta retinopatia statuso ankaŭ signife variis en bildkvalito (p <0.017).Inter ĉiuj altkvalitaj bildoj, la procento de pacientoj kun PDR estis 18.8% kompare kun 38.8% de ĉiuj malaltkvalitaj bildoj (Tablo 1).
Individuaj taksoj de ĉiuj bildoj montris moderan ĝis fortan inter-taksan fidindecon inter homoj legante la bildojn (la pezbalancita kappa de Cohen = 0.79, 95% CI: 0.76-0.82), kaj ne estis bildaj punktoj kie taksantoj malsamis je pli ol 1 (Fig. 2A)..Signala intenseco korelaciis signife kun mana poentado (Pearson-produkta momento-korelacio = 0.58, 95% CI 0.51-0.65, p <0.001), sed multaj bildoj estis identigitaj kiel havantaj altan signalintensecon sed malaltan manan poentadon (Fig. .2B).
Dum la trejnado de la arkitekturoj ResNet152 kaj AlexNet, la trans-entropia perdo pri validumado kaj trejnado falas pli ol 50-epokojn (Figuro 3B, C).Validprecizeco en la fina trejna epoko estas pli ol 90% por kaj altkvalitaj kaj malaltkvalitaj uzkazoj.
Ricevilaj rendimentokurboj montras, ke la modelo ResNet152 signife superas la signalan potencon raportitan de la maŝino en kaj malaltaj kaj altkvalitaj uzkazoj (p < 0.001).La modelo ResNet152 ankaŭ signife superas la AlexNet-arkitekturon (p = 0.005 kaj p = 0.014 por malaltkvalitaj kaj altkvalitaj kazoj, respektive).La rezultaj modeloj por ĉiu el ĉi tiuj taskoj povis atingi AUC-valorojn de 0.99 kaj 0.97, respektive, kio estas signife pli bona ol la respondaj AUC-valoroj de 0.82 kaj 0.78 por la maŝina signalforta indekso aŭ 0.97 kaj 0.94 por AlexNet. ..(Fig. 3).La diferenco inter ResNet kaj AUC en signalforto estas pli alta kiam oni rekonas altkvalitajn bildojn, indikante kromajn avantaĝojn de uzado de ResNet por ĉi tiu tasko.
La grafikaĵoj montras la kapablon de ĉiu sendependa taksanto gajni kaj kompari kun la signalforto raportita de la maŝino.(A) La sumo de la taksotaj punktoj estas uzata por krei la totalan nombron de la taksotaj punktoj.Bildoj kun totala skalebla poentaro de 4 estas asignitaj altkvalitaj, dum bildoj kun totala skalebla poentaro de 1 aŭ malpli estas asignitaj malalta kvalito.(B) Signalintenseco korelacias kun manaj taksoj, sed bildoj kun alta signalintenseco povas esti de pli malbona kvalito.La ruĝa punktlinio indikas la rekomenditan kvalitan sojlon de la fabrikanto bazitan sur signalforto (signalforto \(\ge\)6).
ResNet-transiga lernado disponigas signifan plibonigon en bildkvalita identigo por kaj malaltkvalitaj kaj altkvalitaj uzkazoj kompare kun maŝin-raportitaj signalniveloj.(A) Simpligitaj arkitekturdiagramoj de antaŭtrejnitaj (i) ResNet152 kaj (ii) AlexNet-arkitekturoj.(B) Trejna historio kaj ricevilaj rendimentokurboj por ResNet152 kompare al maŝino raportita signalforto kaj AlexNet malaltkvalitaj kriterioj.(C) ResNet152-ricevila trejnado-historio kaj agado-kurboj kompare al maŝino raportita signalforto kaj AlexNet altkvalitaj kriterioj.
Post alĝustigo de la decida limsojlo, la maksimuma prognoza precizeco de la modelo ResNet152 estas 95.3% por la malaltkvalita kazo kaj 93.5% por la altkvalita kazo (Tablo 2).La maksimuma prognoza precizeco de la modelo AlexNet estas 91.0% por la malaltkvalita kazo kaj 90.1% por la altkvalita kazo (Tablo 2).La maksimuma signalforta prognoza precizeco estas 76.1% por la malaltkvalita uzkazo kaj 77.8% por la altkvalita uzkazo.Laŭ la kappa de Cohen (\(\kappa\)), la interkonsento inter la modelo ResNet152 kaj la taksantoj estas 0.90 por la malaltkvalita kazo kaj 0.81 por la altkvalita kazo.AlexNet kappa de Cohen estas 0.82 kaj 0.71 por malaltkvalitaj kaj altkvalitaj uzkazoj, respektive.La signalforto kappa de Cohen estas 0.52 kaj 0.27 por la malaltaj kaj altkvalitaj uzkazoj, respektive.
Valumado de altkvalitaj rekonmodeloj sur 6\(\x\) bildoj de 6 mm plata plato montras la kapablon de la edukita modelo por determini bildkvaliton trans diversaj bildigaj parametroj.Dum uzado de 6\(\x\) 6 mm malprofundaj slaboj por bildiga kvalito, la malaltkvalita modelo havis AUC de 0.83 (95% CI: 0.69-0.98) kaj la altkvalita modelo havis AUC de 0.85.(95% CI: 0.55-1.00) (Tabelo 2).
Vida inspektado de la enirtavolaj aktivigaj mapoj montris, ke ĉiuj trejnitaj neŭralaj retoj uzis bildajn trajtojn dum bilda klasifiko (Fig. 4A, B).Por 8 \(\times \) 8 mm kaj 6 \(\times \) 6 mm bildoj, la ResNet-aktivigaj bildoj atente sekvas la retinan vaskuladon.AlexNet-aktivigaj mapoj ankaŭ sekvas retinajn vazojn, sed kun pli kruda rezolucio.
La klasaktivigaj mapoj por la modeloj ResNet152 kaj AlexNet elstarigas trajtojn ligitajn al bildkvalito.(A) Klasa aktivigmapo montranta koheran aktivigon post supraĵa retina vaskulado sur 8 \(\times \) 8 mm validumbildoj kaj (B) amplekso sur pli malgrandaj 6 \(\times \) 6 mm validumbildoj.LQ-modelo trejnita laŭ malaltkvalitaj kriterioj, HQ-modelo trejnita laŭ altkvalitaj kriterioj.
Antaŭe estis montrite, ke bildkvalito povas multe influi ajnan kvantigon de OCTA-bildoj.Krome, la ĉeesto de retinopatio pliigas la efikon de bildaj artefaktoj7,26.Fakte, en niaj datumoj, konsekvence kun antaŭaj studoj, ni trovis signifan asocion inter kreskanta aĝo kaj severeco de retina malsano kaj malboniĝo de bildkvalito (p < 0,001, p = 0,017 por aĝo kaj DR-statuso, respektive; Tablo 1) 27 Tial, estas kritike taksi bildkvaliton antaŭ fari ajnan kvantan analizon de OCTA-bildoj.Plej multaj studoj analizantaj OCTA-bildojn uzas maŝin-raportitajn signalintensajn sojlojn por ekskludi malaltkvalitajn bildojn.Kvankam signala intenseco estis montrita influi la kvantigon de OCTA-parametroj, alta signala intenseco sole eble ne sufiĉas por ekskludi bildojn kun bildaj artefaktoj2,3,28,29.Tial necesas evoluigi pli fidindan metodon de kontrolo de kvalito de bildo.Tiucele ni taksas la agadon de kontrolitaj profundaj lernaj metodoj kontraŭ la signalforto raportita de la maŝino.
Ni evoluigis plurajn modelojn por taksi bildkvaliton ĉar malsamaj OCTA-uzaj kazoj povas havi malsamajn bildkvalitajn postulojn.Ekzemple, bildoj devus esti de pli alta kvalito.Krome, specifaj kvantaj parametroj de intereso ankaŭ estas gravaj.Ekzemple, la areo de la fovea avaskula zono ne dependas de la malklareco de la ne-centra medio, sed influas la densecon de la vazoj.Dum nia esplorado daŭre koncentriĝas pri ĝenerala aliro al bildkvalito, ne ligita al la postuloj de iu aparta testo, sed intencita rekte anstataŭigi la signalforton raportitan de la maŝino, ni esperas doni al uzantoj pli grandan kontrolon por ke ili povas elekti la specifan metrikon de intereso al la uzanto.elektu modelon, kiu respondas al la maksimuma grado de bildaj artefaktoj konsiderataj akcepteblaj.
Por malaltkvalitaj kaj altkvalitaj scenoj, ni montras bonegan agadon de profundaj konvoluciaj neŭralaj retoj kun mankantaj konekto, kun AUC-oj de 0.97 kaj 0.99 kaj malaltkvalitaj modeloj, respektive.Ni ankaŭ pruvas la superan agadon de nia profunda lernado aliro kompare kun signalniveloj raportitaj nur de maŝinoj.Preterpasi konektojn permesas al neŭralaj retoj lerni funkciojn je multoblaj niveloj de detalo, kaptante pli bonajn aspektojn de bildoj (ekz. kontrasto) same kiel ĝeneralajn trajtojn (ekz. bildcentrado30,31).Ĉar bildaj artefaktoj kiuj influas bildkvaliton estas verŝajne plej bone identigitaj en larĝa gamo, neŭralaj retaj arkitekturoj kun mankantaj ligoj povas elmontri pli bonan efikecon ol tiuj sen bildkvalitdeterminadtaskoj.
Provante nian modelon sur 6\(\×6mm) OCTA-bildoj, ni rimarkis malpliiĝon de klasifika agado por ambaŭ altkvalitaj kaj malaltkvalitaj modeloj (Fig. 2), kontraste al la grandeco de la modelo trejnita por klasifiko.Kompare kun la modelo ResNet, la modelo AlexNet havas pli grandan falon.La relative pli bona efikeco de ResNet povas ŝuldiĝi al la kapablo de la restaj ligoj elsendi informojn ĉe multoblaj skaloj, kiu igas la modelon pli fortika por klasifikado de bildoj kaptitaj ĉe malsamaj skaloj kaj/aŭ pligrandigoj.
Kelkaj diferencoj inter 8 \(\×\) 8 mm bildoj kaj 6 \(\×\) 6 mm bildoj povas konduki al malbona klasifiko, inkluzive de relative alta proporcio de bildoj enhavantaj fovealajn avaskulajn areojn, ŝanĝojn en videbleco, vaskulajn arkadojn, kaj neniu optika nervo sur la bildo 6×6 mm.Malgraŭ tio, nia altkvalita ResNet-modelo povis atingi AUC de 85% por 6 \(\x\) 6 mm bildoj, agordo por kiu la modelo ne estis trejnita, sugestante ke la bildkvalita informo ĉifrita en la neŭrala reto. taŭgas.por unu bildograndeco aŭ maŝina agordo ekster ĝia trejnado (Tabelo 2).Trankvilige, ResNet- kaj AlexNet-similaj aktivigaj mapoj de 8 \(\times \) 8 mm kaj 6 \(\times \) 6 mm bildoj povis reliefigi retinajn vazojn en ambaŭ kazoj, sugestante ke la modelo havas gravajn informojn.estas aplikeblaj por klasifiki ambaŭ specojn de OCTA-bildoj (Fig. 4).
Lauerman et al.Bildkvalita takso sur OCTA-bildoj estis simile farita uzante la Inception-arkitekturon, alian skip-konektan konvolucian neŭralan reton6,32 uzante profundajn lernajn teknikojn.Ili ankaŭ limigis la studon al bildoj de la supraĵa kapilara plekso, sed nur uzante la pli malgrandajn 3×3 mm bildojn de Optovue AngioVue, kvankam pacientoj kun diversaj korioretinaj malsanoj ankaŭ estis inkluditaj.Nia laboro baziĝas sur iliaj fundamentoj, inkluzive de pluraj modeloj por trakti diversajn bildkvalitajn sojlojn kaj validigi rezultojn por bildoj de malsamaj grandecoj.Ni ankaŭ raportas la AUC-metrikon de maŝinlernado-modeloj kaj pliigas ilian jam imponan precizecon (90%)6 por kaj malaltkvalitaj (96%) kaj altkvalitaj (95.7%) modeloj6.
Ĉi tiu trejnado havas plurajn limojn.Unue, la bildoj estis akiritaj per nur unu OCTA-maŝino, inkluzive de nur bildoj de la supraĵa kapilara plekso je 8\(\times\)8 mm kaj 6\(\times\)6 mm.La kialo de ekskludo de bildoj de pli profundaj tavoloj estas ke projekciaj artefaktoj povas igi manan taksadon de bildoj pli malfacila kaj eble malpli konsekvenca.Krome, bildoj nur estis akiritaj en diabetaj pacientoj, por kiuj OCTA aperas kiel grava diagnoza kaj prognoza ilo33,34.Kvankam ni povis testi nian modelon sur bildoj de malsamaj grandecoj por certigi, ke la rezultoj estis fortikaj, ni ne povis identigi taŭgajn datumajn arojn de malsamaj centroj, kio limigis nian taksadon de la ĝeneraligo de la modelo.Kvankam la bildoj estis akiritaj de nur unu centro, ili estis akiritaj de pacientoj de malsamaj etnaj kaj rasaj fonoj, kio estas unika forto de nia studo.Inkludante diversecon en nia trejnado, ni esperas, ke niaj rezultoj estos ĝeneraligitaj en pli larĝa signifo, kaj ke ni evitos kodi rasan biason en la modeloj, kiujn ni trejnas.
Nia studo montras, ke konekt-saltante neŭralaj retoj povas esti trejnitaj por atingi altan rendimenton en determini OCTA-bildkvaliton.Ni provizas ĉi tiujn modelojn kiel ilojn por plia esplorado.Ĉar malsamaj metrikoj povas havi malsamajn bildkvalitajn postulojn, individua kvalitkontrolmodelo povas esti evoluigita por ĉiu metriko uzante la strukturon establitan ĉi tie.
Estonta esplorado devus inkludi bildojn de malsamaj grandecoj de malsamaj profundoj kaj malsamaj OCTA-maŝinoj por akiri profundan lernan bildkvalitan taksadprocezon kiu povas esti ĝeneraligita al OCTA-platformoj kaj bildigaj protokoloj.Nuna esplorado ankaŭ estas bazita sur kontrolitaj profundaj lernaj aliroj kiuj postulas homan taksadon kaj bildtakson, kiuj povas esti laborintensaj kaj tempopostulaj por grandaj datumaroj.Restas vidi ĉu nekontrolitaj profundaj lernaj metodoj povas adekvate distingi inter malaltkvalitaj bildoj kaj altkvalitaj bildoj.
Ĉar OCTA-teknologio daŭre evoluas kaj skanaj rapidecoj pliiĝas, la incidenco de bildaj artefaktoj kaj malbonkvalitaj bildoj povas malpliiĝi.Pliboniĝoj en la programaro, kiel ekzemple la lastatempe enkondukita projekcia artefakto forigo trajto, ankaŭ povas mildigi tiujn limigojn.Tamen, multaj problemoj restas ĉar bildigo de pacientoj kun malbona fiksado aŭ signifa amaskomunikila malklareco senescepte rezultigas bildajn artefaktojn.Ĉar OCTA iĝas pli vaste uzita en klinikaj provoj, zorgema konsidero estas necesa por establi klarajn gvidliniojn por akcepteblaj bildaj artefaktaj niveloj por bildanalizo.La apliko de profundaj lernaj metodoj al OCTA-bildoj havas grandan promeson kaj plia esplorado estas necesa en ĉi tiu areo por evoluigi fortikan aliron al bilda kvalitkontrolo.
La kodo uzata en la nuna esplorado estas disponebla en la deponejo octa-qc, https://github.com/rahuldhodapkar/octa-qc.Datumaroj generitaj kaj/aŭ analizitaj dum la nuna studo estas haveblaj de la respektivaj aŭtoroj laŭ akceptebla peto.
Spaide, RF, Fujimoto, JG & Waheed, NK Bildaj artefaktoj en optika koherenca angiografio.Retino 35, 2163–2180 (2015).
Fenner, BJ et al.Identigo de bildigaj trajtoj kiuj determinas la kvaliton kaj reprodukteblecon de retina kapilaraj plekso-densecmezuradoj en OCT-angiografio.BR.J. Oftalmolo.102, 509–514 (2018).
Lauerman, JL et al.Influo de okulspura teknologio sur la bildkvalito de OCT-angiografio en aĝ-rilata makula degenero.Grava arko.klinika.Eksp.oftalmologio.255, 1535-1542 (2017).
Babyuch AS et al.OCTA-kapilaraj trafluaj densecmezuradoj kutimas detekti kaj taksi makulan iskemion.oftalma kirurgio.Retina Laser Bildigo 51, S30–S36 (2020).
Li, K., Zhang, X., Ren, S., kaj Suno, J. Deep Residual Learning for Image Recognition.En 2016 ĉe la IEEE-Konferenco pri Komputila Vizio kaj Pattern Recognition (2016).
Lauerman, JL et al.Aŭtomatigita OCT angiografia bildkvalita takso uzante profundajn lernajn algoritmojn.Grava arko.klinika.Eksp.oftalmologio.257, 1641-1648 (2019).
Lauermann, J. et al.La tropezo de segmentigaj eraroj kaj moviĝartefaktoj en OCT-angiografio dependas de la malsano de la retino.Grava arko.klinika.Eksp.oftalmologio.256, 1807-1816 (2018).
Pask, Adam et al.Pytorch: Imperativa, Alt-Efikeca Profunda Lernado-Biblioteko.Altnivela prilaborado de neŭralaj informoj.sistemo.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Grand-Skala Hierarkia Bilda Datumbazo.2009 IEEE-Konferenco pri Komputila Vizio kaj Pattern Recognition.248–255.(2009).
Krizhevsky A., Sutzkever I. kaj Hinton GE Imaget-klasifiko uzanta profundajn konvoluciajn neŭralajn retojn.Altnivela prilaborado de neŭralaj informoj.sistemo.25, 1 (2012).