Hvala što ste posjetili Nature.com.Koristite verziju preglednika s ograničenom CSS podrškom.Za najbolje iskustvo preporučujemo da koristite ažurirani preglednik (ili onemogućite način kompatibilnosti u Internet Exploreru).Osim toga, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stilova i JavaScripta.
Klizači koji prikazuju tri članka po slajdu.Za pomicanje kroz slajdove koristite gumbe za povratak i sljedeći ili gumbe za upravljanje slajdovima na kraju za pomicanje kroz svaki slajd.
Optička koherentna tomografska angiografija (OCTA) je nova metoda neinvazivne vizualizacije retinalnih žila.Iako OCTA ima mnoge obećavajuće kliničke primjene, određivanje kvalitete slike ostaje izazov.Razvili smo sustav koji se temelji na dubokom učenju pomoću klasifikatora neuronske mreže ResNet152 prethodno obučenog s ImageNetom za klasificiranje slika površnih kapilarnih pleksusa iz 347 snimaka 134 pacijenta.Slike su također ručno ocijenjene kao istinite od strane dva neovisna ocjenjivača za model učenja pod nadzorom.Budući da zahtjevi za kvalitetom slike mogu varirati ovisno o kliničkim ili istraživačkim postavkama, obučena su dva modela, jedan za prepoznavanje slike visoke kvalitete, a drugi za prepoznavanje slike niske kvalitete.Naš model neuronske mreže pokazuje izvrsno područje ispod krivulje (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), što je značajno bolje od razine signala koju je prijavio stroj (AUC = 0,82, 95 % CI).0,77–0,86, \(\kappa\) = 0,52 i AUC = 0,78, 95% CI 0,73–0,83, \(\kappa\) = 0,27, respektivno).Naša studija pokazuje da se metode strojnog učenja mogu koristiti za razvoj fleksibilnih i robusnih metoda kontrole kvalitete za OCTA slike.
Optička koherentna tomografska angiografija (OCTA) je relativno nova tehnika koja se temelji na optičkoj koherentnoj tomografiji (OCT) koja se može koristiti za neinvazivnu vizualizaciju retinalne mikrovaskulature.OCTA mjeri razliku u obrascima refleksije ponovljenih svjetlosnih impulsa u istom području mrežnice, a zatim se mogu izračunati rekonstrukcije za otkrivanje krvnih žila bez invazivne upotrebe boja ili drugih kontrastnih sredstava.OCTA također omogućuje vaskularno oslikavanje dubinske rezolucije, omogućujući kliničarima odvojeno ispitivanje površinskih i dubokih slojeva krvnih žila, pomažući u razlikovanju korioretinalne bolesti.
Iako ova tehnika obećava, varijacija kvalitete slike ostaje veliki izazov za pouzdanu analizu slike, što otežava interpretaciju slike i sprječava široku kliničku primjenu.Budući da OCTA koristi više uzastopnih OCT skeniranja, osjetljiviji je na artefakte slike nego standardni OCT.Većina komercijalnih OCTA platformi nudi vlastitu metriku kvalitete slike koja se naziva Jačina signala (SS) ili ponekad Indeks jačine signala (SSI).Međutim, slike s visokom SS ili SSI vrijednošću ne jamče odsutnost artefakata slike, što može utjecati na bilo koju naknadnu analizu slike i dovesti do netočnih kliničkih odluka.Uobičajeni artefakti slike koji se mogu pojaviti u OCTA snimanju uključuju artefakte kretanja, artefakte segmentacije, artefakte neprozirnosti medija i artefakte projekcije1,2,3.
Budući da se mjere izvedene iz OCTA-e, kao što je vaskularna gustoća, sve više koriste u translacijskim istraživanjima, kliničkim ispitivanjima i kliničkoj praksi, postoji hitna potreba za razvojem robusnih i pouzdanih procesa kontrole kvalitete slike kako bi se uklonili artefakti slike4.Veze preskakanja, također poznate kao rezidualne veze, projekcije su u arhitekturi neuronske mreže koje omogućuju informacijama da zaobiđu konvolucijske slojeve dok pohranjuju informacije u različitim razmjerima ili rezolucijama5.Budući da artefakti slike mogu utjecati na izvedbu slika malih i velikih razmjera, neuronske mreže s preskakanjem prikladne su za automatizaciju ovog zadatka kontrole kvalitete5.Nedavno objavljen rad pokazao je neka obećanja za duboke konvolucijske neuronske mreže trenirane korištenjem visokokvalitetnih podataka ljudskih procjenitelja6.
U ovoj studiji obučavamo konvolucionarnu neuronsku mrežu koja preskače vezu da automatski odredi kvalitetu OCTA slika.Nadovezujemo se na prethodni rad razvijajući zasebne modele za identifikaciju slika visoke kvalitete i slika niske kvalitete jer se zahtjevi za kvalitetom slike mogu razlikovati za specifične kliničke ili istraživačke scenarije.Uspoređujemo rezultate ovih mreža s konvolucijskim neuronskim mrežama bez propuštanja veza kako bismo procijenili vrijednost uključivanja značajki na više razina granularnosti unutar dubokog učenja.Zatim smo svoje rezultate usporedili sa snagom signala, općenito prihvaćenom mjerom kvalitete slike koju osiguravaju proizvođači.
Naše je istraživanje uključilo bolesnike s dijabetesom koji su pohađali Yale Eye Center između 11. kolovoza 2017. i 11. travnja 2019. Isključeni su pacijenti s bilo kojom nedijabetičnom korioretinalnom bolešću.Nije bilo kriterija za uključivanje ili isključivanje na temelju dobi, spola, rase, kvalitete slike ili bilo kojeg drugog čimbenika.
OCTA slike su dobivene korištenjem platforme AngioPlex na Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) pod protokolima snimanja od 8\(\times\)8 mm i 6\(\times\)6 mm.Informirani pristanak za sudjelovanje u studiji dobiven je od svakog sudionika studije, a Institucionalni revizijski odbor Sveučilišta Yale (IRB) odobrio je korištenje informiranog pristanka s globalnom fotografijom za sve te pacijente.Slijedeći načela Helsinške deklaracije.Studiju je odobrio IRB Sveučilišta Yale.
Slike površinske ploče procijenjene su na temelju prethodno opisane ocjene artefakata kretanja (MAS), prethodno opisane ocjene artefakata segmentacije (SAS), fovealnog centra, prisutnosti neprozirnosti medija i dobre vizualizacije malih kapilara kako je utvrdio evaluator slike.Slike su analizirala dva neovisna evaluatora (RD i JW).Slika ima ocijenjenu ocjenu 2 (prihvatljiva) ako su zadovoljeni svi sljedeći kriteriji: slika je centrirana u fovei (manje od 100 piksela od središta slike), MAS je 1 ili 2, SAS je 1 i neprozirnost medija je manja od 1. Prisutna na slikama veličine / 16, a male kapilare vide se na slikama većim od 15/16.Slika se ocjenjuje 0 (bez ocjene) ako je ispunjen bilo koji od sljedećih kriterija: slika nije u središtu, ako je MAS 4, ako je SAS 2 ili je prosječna neprozirnost veća od 1/4 slike i male kapilare se ne mogu podesiti više od 1 slike /4 za razlikovanje.Sve ostale slike koje ne zadovoljavaju kriterij bodovanja 0 ili 2 boduju se s 1 (isječak).
Na sl.Slika 1 prikazuje uzorke slika za svaku skaliranu procjenu i artefakte slike.Međuocjenjivačka pouzdanost pojedinačnih rezultata procijenjena je Cohenovim kappa ponderiranjem8.Pojedinačne ocjene svakog ocjenjivača zbrajaju se kako bi se dobila ukupna ocjena za svaku sliku, u rasponu od 0 do 4. Slike s ukupnom ocjenom 4 smatraju se dobrima.Slike s ukupnom ocjenom 0 ili 1 smatraju se niskom kvalitetom.
Konvolucijska neuronska mreža arhitekture ResNet152 (Sl. 3A.i) unaprijed obučena na slikama iz baze podataka ImageNet generirana je pomoću fast.ai i okvira PyTorch5, 9, 10, 11. Konvolucijska neuronska mreža je mreža koja koristi naučeno filteri za skeniranje fragmenata slike za proučavanje prostornih i lokalnih značajki.Naš obučeni ResNet je 152-slojna neuronska mreža koju karakteriziraju praznine ili "preostale veze" koje istovremeno prenose informacije s više rezolucija.Projiciranjem informacija u različitim rezolucijama preko mreže, platforma može naučiti značajke slika niske kvalitete na više razina detalja.Uz naš ResNet model, također smo trenirali AlexNet, dobro proučenu arhitekturu neuronske mreže, bez propuštanja veza za usporedbu (Slika 3A.ii)12.Bez veza koje nedostaju, ova mreža neće moći uhvatiti značajke s većom granularnošću.
Izvorni skup slika 8\(\times\)8mm OCTA13 poboljšan je tehnikama vodoravne i okomite refleksije.Puni skup podataka zatim je nasumično podijeljen na razini slike u skupove podataka za obuku (51,2%), testiranje (12,8%), podešavanje hiperparametara (16%) i validaciju (20%) pomoću scikit-learn toolbox python14.Razmotrena su dva slučaja, jedan koji se temelji na otkrivanju samo slika najviše kvalitete (ukupna ocjena 4), a drugi koji se temelji na otkrivanju samo slika najniže kvalitete (ukupna ocjena 0 ili 1).Za svaki visokokvalitetni i nekvalitetni slučaj upotrebe, neuronska mreža se ponovno uvježbava jednom na našim slikovnim podacima.U svakom slučaju upotrebe, neuronska mreža je uvježbana za 10 epoha, sve osim najviših težina slojeva su bile zamrznute, a težine svih unutarnjih parametara su naučene za 40 epoha korištenjem metode diskriminativne stope učenja s funkcijom unakrsnog entropijskog gubitka 15, 16..Funkcija gubitka unakrsne entropije mjera je logaritamske skale odstupanja između predviđenih mrežnih oznaka i stvarnih podataka.Tijekom treninga, gradijentni spust se izvodi na unutarnjim parametrima neuronske mreže kako bi se gubici sveli na minimum.Stopa učenja, stopa odustajanja i hiperparametri smanjenja tjelesne težine podešeni su pomoću Bayesove optimizacije s 2 nasumične početne točke i 10 ponavljanja, a AUC na skupu podataka podešen je pomoću hiperparametara kao cilja od 17.
Reprezentativni primjeri 8 × 8 mm OCTA slika površinskih kapilarnih pleksusa ocijenjeni su s 2 (A, B), 1 (C, D) i 0 (E, F).Prikazani artefakti slike uključuju treperave linije (strelice), artefakte segmentacije (zvjezdice) i neprozirnost medija (strelice).Slika (E) također nije u središtu.
Zatim se generiraju krivulje radnih karakteristika prijemnika (ROC) za sve modele neuronske mreže, a izvješća o snazi ​​signala motora generiraju se za svaki slučaj upotrebe niske i visoke kvalitete.Površina ispod krivulje (AUC) izračunata je pomoću pROC R paketa, a 95% intervali pouzdanosti i p-vrijednosti izračunati su pomoću DeLong metode18,19.Kumulativni rezultati ljudskih ocjenjivača koriste se kao osnova za sve ROC izračune.Za snagu signala koju je prijavio stroj, AUC je izračunat dvaput: jednom za granicu ocjene skalabilnosti visoke kvalitete i jednom za granicu ocjene skalabilnosti niske kvalitete.Neuronska mreža se uspoređuje s AUC snagom signala koja odražava vlastito treniranje i uvjete procjene.
Kako bi se dodatno testirao uvježbani model dubinskog učenja na zasebnom skupu podataka, modeli visoke i niske kvalitete izravno su primijenjeni na procjenu performansi 32 slike ploča s punim licem 6\(\times\) 6mm prikupljene sa Sveučilišta Yale.Masa oka centrirana je u isto vrijeme kao i slika 8 \(\times \) 8 mm.Slike od 6\(\×\) 6 mm ručno su ocijenili isti ocjenjivači (RD i JW) na isti način kao i slike od 8\(\×\) 8 mm, AUC je izračunat kao i točnost i Cohenova kappa .jednako .
Omjer neravnoteže klase je 158:189 (\(\rho = 1,19\)) za model niske kvalitete i 80:267 (\(\rho = 3,3\)) za model visoke kvalitete.Budući da je omjer neravnoteže klasa manji od 1:4, nisu napravljene nikakve specifične arhitektonske promjene da bi se ispravila neravnoteža klasa20,21.
Kako bi se bolje vizualizirao proces učenja, mape aktivacije razreda generirane su za sva četiri obučena modela dubokog učenja: ResNet152 model visoke kvalitete, ResNet152 model niske kvalitete, AlexNet model visoke kvalitete i AlexNet model niske kvalitete.Aktivacijske karte klase generiraju se iz ulaznih konvolucijskih slojeva ova četiri modela, a toplinske karte generiraju se preklapanjem aktivacijskih mapa s izvornim slikama iz validacijskih skupova 8 × 8 mm i 6 × 6 mm22, 23.
R verzija 4.0.3 korištena je za sve statističke izračune, a vizualizacije su stvorene korištenjem biblioteke grafičkih alata ggplot2.
Prikupili smo 347 frontalnih slika površnog kapilarnog pleksusa veličine 8 \(\times \)8 mm od 134 osobe.Stroj je izvijestio o jačini signala na ljestvici od 0 do 10 za sve slike (srednja vrijednost = 6,99 ± 2,29).Od 347 snimljenih slika, srednja dob pri pregledu bila je 58,7 ± 14,6 godina, a 39,2% bilo je od muških pacijenata.Od svih slika, 30,8% bilo je od bijelaca, 32,6% od crnaca, 30,8% od latinoamerikanaca, 4% od Azijata i 1,7% od drugih rasa (Tablica 1).).Dobna distribucija bolesnika s OCTA-om značajno se razlikovala ovisno o kvaliteti slike (p < 0,001).Postotak visokokvalitetnih slika u mlađih pacijenata u dobi od 18 do 45 godina iznosio je 33,8% u usporedbi s 12,2% slika niske kvalitete (Tablica 1).Distribucija statusa dijabetičke retinopatije također je značajno varirala u kvaliteti slike (p < 0,017).Među svim slikama visoke kvalitete, postotak bolesnika s PDR-om bio je 18,8% u usporedbi s 38,8% svih slika niske kvalitete (Tablica 1).
Pojedinačne ocjene svih slika pokazale su umjerenu do jaku međuocjenjivačku pouzdanost između ljudi koji su čitali slike (Cohenov ponderirani kappa = 0,79, 95% CI: 0,76-0,82), a nije bilo točaka slike u kojima su se ocjenjivači razlikovali za više od 1 (Sl. 2A)..Intenzitet signala značajno je korelirao s ručnim bodovanjem (korelacija momenta Pearsonovog produkta = 0,58, 95% CI 0,51–0,65, p<0,001), ali je za mnoge slike identificirano da imaju visok intenzitet signala, ali nisko ručno ocjenjivanje (Sl. .2B).
Tijekom obuke ResNet152 i AlexNet arhitektura, unakrsni gubitak entropije na validaciji i obuci pada preko 50 epoha (Slika 3B,C).Točnost provjere valjanosti u završnoj epohi obuke je preko 90% za slučajeve upotrebe visoke i niske kvalitete.
Krivulje performansi prijemnika pokazuju da model ResNet152 značajno nadmašuje snagu signala koju je stroj prijavio u slučajevima upotrebe niske i visoke kvalitete (p < 0,001).Model ResNet152 također značajno nadmašuje AlexNet arhitekturu (p = 0,005 i p = 0,014 za slučajeve niske kvalitete, odnosno visoke kvalitete).Rezultirajući modeli za svaki od ovih zadataka uspjeli su postići AUC vrijednosti od 0,99 odnosno 0,97, što je znatno bolje od odgovarajućih AUC vrijednosti od 0,82 i 0,78 za indeks snage signala stroja ili 0,97 i 0,94 za AlexNet ..(slika 3).Razlika između ResNet-a i AUC-a u jačini signala veća je pri prepoznavanju visokokvalitetnih slika, što ukazuje na dodatne prednosti korištenja ResNet-a za ovaj zadatak.
Grafikoni pokazuju sposobnost svakog neovisnog ocjenjivača da postigne bodove i usporedi ih sa snagom signala koju je prijavio stroj.(A) Zbroj bodova koji se ocjenjuju koristi se za stvaranje ukupnog broja bodova koji se ocjenjuju.Slikama s ukupnom ocjenom skalabilnosti 4 dodjeljuje se visoka kvaliteta, dok se slikama s ukupnom ocjenom skalabilnosti 1 ili manje dodjeljuje niska kvaliteta.(B) Intenzitet signala korelira s ručnim procjenama, ali slike s visokim intenzitetom signala mogu biti lošije kvalitete.Crvena točkasta linija označava prag kvalitete koji preporučuje proizvođač na temelju jačine signala (jačina signala \(\ge\)6).
ResNet transfer učenje pruža značajno poboljšanje u identifikaciji kvalitete slike za slučajeve upotrebe niske i visoke kvalitete u usporedbi s razinama signala koje strojno prijavljuju.(A) Pojednostavljeni dijagrami arhitekture unaprijed obučenih (i) ResNet152 i (ii) AlexNet arhitektura.(B) Povijest treninga i krivulje performansi prijemnika za ResNet152 u usporedbi sa jačinom signala koju je prijavio stroj i AlexNet kriterijima niske kvalitete.(C) Povijest obuke prijemnika ResNet152 i krivulje performansi u usporedbi sa jačinom signala koju je prijavio stroj i AlexNet kriterijima visoke kvalitete.
Nakon podešavanja graničnog praga odluke, maksimalna točnost predviđanja modela ResNet152 je 95,3% za slučaj niske kvalitete i 93,5% za slučaj visoke kvalitete (Tablica 2).Maksimalna točnost predviđanja AlexNet modela je 91,0% za slučaj niske kvalitete i 90,1% za slučaj visoke kvalitete (Tablica 2).Maksimalna točnost predviđanja jačine signala je 76,1% za slučaj upotrebe niske kvalitete i 77,8% za slučaj upotrebe visoke kvalitete.Prema Cohenovoj kappa (\(\kappa\)), slaganje između modela ResNet152 i procjenitelja iznosi 0,90 za slučaj niske kvalitete i 0,81 za slučaj visoke kvalitete.Cohenov AlexNet kappa iznosi 0,82 odnosno 0,71 za slučajeve upotrebe niske i visoke kvalitete.Cohenova snaga signala kappa iznosi 0,52 odnosno 0,27 za slučajeve upotrebe niske i visoke kvalitete.
Validacija modela prepoznavanja visoke i niske kvalitete na 6\(\x\) slikama ravne ploče od 6 mm pokazuje sposobnost uvježbanog modela da odredi kvalitetu slike kroz različite parametre slike.Pri korištenju plitkih ploča od 6\(\x\) 6 mm za kvalitetu snimanja, model niske kvalitete imao je AUC od 0,83 (95% CI: 0,69–0,98), a model visoke kvalitete imao je AUC od 0,85.(95% CI: 0,55–1,00) (tablica 2).
Vizualni pregled mapa aktivacije klase ulaznog sloja pokazao je da su sve obučene neuronske mreže koristile značajke slike tijekom klasifikacije slike (Slika 4A, B).Za 8 \(\times \) 8 mm i 6 \(\times \) 6 mm slika, ResNet aktivacijske slike blisko prate vaskulaturu mrežnice.AlexNet aktivacijske karte također prate retinalne žile, ali s grubljom rezolucijom.
Mape aktivacije klase za modele ResNet152 i AlexNet ističu značajke povezane s kvalitetom slike.(A) Mapa aktivacije klase koja prikazuje koherentnu aktivaciju nakon površinske retinalne vaskulature na validacijskim slikama od 8 \(\times \) 8 mm i (B) opseg na manjim validacijskim slikama od 6 \(\times \) 6 mm.LQ model obučen na niskim kriterijima kvalitete, HQ model obučen na visokim kriterijima kvalitete.
Prethodno je pokazano da kvaliteta slike može uvelike utjecati na kvantifikaciju OCTA slika.Osim toga, prisutnost retinopatije povećava učestalost artefakata slike7,26.Zapravo, u našim podacima, u skladu s prethodnim studijama, pronašli smo značajnu povezanost između povećanja dobi i ozbiljnosti bolesti retine i pogoršanja kvalitete slike (p < 0,001, p = 0,017 za dob i status DR; Tablica 1) 27 Stoga je ključno procijeniti kvalitetu slike prije izvođenja bilo kakve kvantitativne analize OCTA slika.Većina studija koje analiziraju OCTA slike koriste strojno prijavljene pragove intenziteta signala kako bi se isključile slike niske kvalitete.Iako se pokazalo da intenzitet signala utječe na kvantifikaciju OCTA parametara, sam visok intenzitet signala možda neće biti dovoljan da se isključe slike sa slikovnim artefaktima2,3,28,29.Stoga je potrebno razviti pouzdaniju metodu kontrole kvalitete slike.U tu svrhu procjenjujemo izvedbu nadziranih metoda dubokog učenja u odnosu na snagu signala koju prijavljuje stroj.
Razvili smo nekoliko modela za procjenu kvalitete slike jer različiti slučajevi upotrebe OCTA-e mogu imati različite zahtjeve za kvalitetom slike.Na primjer, slike bi trebale biti veće kvalitete.Osim toga, važni su i specifični kvantitativni parametri od interesa.Na primjer, područje fovealne avaskularne zone ne ovisi o zamućenosti necentralnog medija, ali utječe na gustoću krvnih žila.Dok se naše istraživanje i dalje usredotočuje na opći pristup kvaliteti slike, koji nije vezan za zahtjeve bilo kojeg određenog testa, već ima za cilj izravnu zamjenu jačine signala koju prijavljuje stroj, nadamo se da ćemo korisnicima dati veći stupanj kontrole kako bi može odabrati specifičnu metriku koja zanima korisnika.odaberite model koji odgovara maksimalnom stupnju artefakata slike koji se smatraju prihvatljivim.
Za scene niske i visoke kvalitete pokazujemo izvrsnu izvedbu dubokih konvolucijskih neuronskih mreža s nedostatkom veze, s AUC-ovima od 0,97 odnosno 0,99 i modelima niske kvalitete.Također pokazujemo superiornu izvedbu našeg pristupa dubokog učenja u usporedbi s razinama signala koje prijavljuju samo strojevi.Preskakanje veza omogućuje neuronskim mrežama učenje značajki na više razina detalja, hvatanje finijih aspekata slika (npr. kontrast) kao i općih značajki (npr. centriranje slike30,31).Budući da se artefakti slike koji utječu na kvalitetu slike vjerojatno najbolje identificiraju u širokom rasponu, arhitekture neuronskih mreža s vezama koje nedostaju mogu pokazivati ​​bolje performanse od onih bez zadataka određivanja kvalitete slike.
Prilikom testiranja našeg modela na 6\(\×6mm) OCTA slikama, primijetili smo smanjenje izvedbe klasifikacije za modele visoke i niske kvalitete (slika 2), za razliku od veličine modela obučenog za klasifikaciju.U usporedbi s ResNet modelom, AlexNet model ima veći pad.Relativno bolja izvedba ResNet-a može biti posljedica sposobnosti preostalih veza da prenose informacije u više razmjera, što model čini robusnijim za klasificiranje slika snimljenih u različitim razmjerima i/ili uvećanjima.
Neke razlike između slika od 8 \(\×\) 8 mm i slika od 6 \(\×\) 6 mm mogu dovesti do loše klasifikacije, uključujući relativno visok udio slika koje sadrže fovealna avaskularna područja, promjene u vidljivosti, vaskularne arkade i nema vidnog živca na snimci 6×6 mm.Unatoč tome, naš ResNet model visoke kvalitete uspio je postići AUC od 85% za slike od 6 \(\x\) 6 mm, konfiguraciju za koju model nije obučen, što sugerira da su informacije o kvaliteti slike kodirane u neuronskoj mreži je prikladan.za jednu veličinu slike ili konfiguraciju stroja izvan svoje obuke (Tablica 2).Ohrabrujuće, aktivacijske mape slične ResNet-u i AlexNetu od 8 \(\times \) 8 mm i 6 \(\times \) 6 mm slika uspjele su istaknuti retinalne žile u oba slučaja, sugerirajući da model ima važne informacije.primjenjivi su za klasifikaciju obje vrste OCTA slika (Sl. 4).
Lauerman i sur.Procjena kvalitete slike na OCTA slikama na sličan je način izvedena pomoću arhitekture Inception, još jedne konvolucijske neuronske mreže s preskakanjem veze6,32 koristeći tehnike dubokog učenja.Također su ograničili studiju na slike površnog kapilarnog pleksusa, ali samo korištenjem manjih slika 3×3 mm iz Optovue AngioVue, iako su uključeni i pacijenti s raznim korioretinalnim bolestima.Naš se rad temelji na njihovim temeljima, uključujući više modela za rješavanje različitih pragova kvalitete slike i potvrđivanje rezultata za slike različitih veličina.Također izvješćujemo o AUC metrici modela strojnog učenja i povećavamo njihovu već impresivnu točnost (90%)6 za modele niske kvalitete (96%) i visoke kvalitete (95,7%)6.
Ovaj trening ima nekoliko ograničenja.Prvo, slike su dobivene sa samo jednim OCTA aparatom, uključujući samo slike površnog kapilarnog pleksusa na 8\(\times\)8 mm i 6\(\times\)6 mm.Razlog za isključivanje slika iz dubljih slojeva je taj što projekcijski artefakti mogu otežati ručnu procjenu slika i možda manje dosljedno.Nadalje, slike su dobivene samo kod pacijenata s dijabetesom, za koje se OCTA pojavljuje kao važan dijagnostički i prognostički alat33,34.Iako smo mogli testirati naš model na slikama različitih veličina kako bismo osigurali da su rezultati robusni, nismo uspjeli identificirati odgovarajuće skupove podataka iz različitih centara, što je ograničilo našu procjenu mogućnosti generalizacije modela.Iako su slike dobivene iz samo jednog centra, dobivene su od pacijenata različitog etničkog i rasnog podrijetla, što je jedinstvena snaga naše studije.Uključivanjem raznolikosti u naš proces obuke, nadamo se da će naši rezultati biti generalizirani u širem smislu te da ćemo izbjeći kodiranje rasne pristranosti u modelima koje treniramo.
Naša studija pokazuje da se neuronske mreže koje preskaču vezu mogu uvježbati za postizanje visokih performansi u određivanju kvalitete OCTA slike.Ove modele pružamo kao alate za daljnja istraživanja.Budući da različite metrike mogu imati različite zahtjeve za kvalitetom slike, može se razviti pojedinačni model kontrole kvalitete za svaku metriku korištenjem ovdje utvrđene strukture.
Buduća bi istraživanja trebala uključivati ​​slike različitih veličina s različitih dubina i različitih OCTA strojeva kako bi se dobio proces procjene kvalitete slike dubokog učenja koji se može generalizirati na OCTA platforme i protokole za snimanje.Trenutno se istraživanje također temelji na pristupima nadziranog dubokog učenja koji zahtijevaju ljudsku procjenu i procjenu slike, što može biti radno intenzivno i dugotrajno za velike skupove podataka.Ostaje za vidjeti mogu li nenadzirane metode dubokog učenja na odgovarajući način razlikovati slike niske kvalitete od slika visoke kvalitete.
Kako se OCTA tehnologija nastavlja razvijati i brzine skeniranja povećavaju, učestalost artefakata slike i slika loše kvalitete može se smanjiti.Poboljšanja u softveru, kao što je nedavno uvedena značajka uklanjanja artefakata projekcije, također mogu ublažiti ova ograničenja.Međutim, ostaju mnogi problemi jer slikanje pacijenata s lošom fiksacijom ili značajnom zamućenošću medija neizbježno rezultira artefaktima slike.Kako se OCTA sve više koristi u kliničkim ispitivanjima, potrebno je pažljivo razmatranje kako bi se uspostavile jasne smjernice za prihvatljive razine artefakata slike za analizu slike.Primjena metoda dubokog učenja na OCTA slike mnogo obećava i potrebna su daljnja istraživanja u ovom području kako bi se razvio robustan pristup kontroli kvalitete slike.
Kod korišten u trenutnom istraživanju dostupan je u repozitoriju octa-qc, https://github.com/rahuldhodapkar/octa-qc.Skupovi podataka generirani i/ili analizirani tijekom trenutne studije dostupni su od odgovarajućih autora na razuman zahtjev.
Spaide, RF, Fujimoto, JG & Waheed, NK Artefakti slike u optičkoj koherentnoj angiografiji.Retina 35, 2163-2180 (2015).
Fenner, BJ i sur.Identifikacija slikovnih značajki koje određuju kvalitetu i ponovljivost mjerenja gustoće retinalnog kapilarnog pleksusa u OCT angiografiji.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL i sur.Utjecaj eye-tracking tehnologije na kvalitetu slike OCT angiografije kod makularne degeneracije povezane sa starenjem.Grobni luk.klinički.Exp.oftalmologija.255, 1535-1542 (2017).
Babyuch AS i sur.OCTA mjerenja gustoće kapilarne perfuzije koriste se za otkrivanje i procjenu makularne ishemije.oftalmološka kirurgija.Retinalno lasersko snimanje 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. i Sun, J. Duboko rezidualno učenje za prepoznavanje slika.2016. godine na IEEE konferenciji o računalnom vidu i prepoznavanju uzoraka (2016.).
Lauerman, JL i sur.Automatizirana OCT angiografska procjena kvalitete slike pomoću algoritama dubokog učenja.Grobni luk.klinički.Exp.oftalmologija.257, 1641-1648 (2019).
Lauermann, J. i sur.Prevalencija segmentacijskih pogrešaka i artefakata pokreta u OCT angiografiji ovisi o bolesti retine.Grobni luk.klinički.Exp.oftalmologija.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Imperativna knjižnica za duboko učenje visokih performansi.Napredna obrada neuralnih informacija.sustav.32, 8026-8037 (2019).
Deng, J. i sur.ImageNet: Velika hijerarhijska baza podataka slika.IEEE konferencija o računalnom vidu i prepoznavanju uzoraka 2009.248–255 (prikaz, stručni).(2009).
Križhevsky A., Sutzkever I. i Hinton GE Imagenet klasifikacija pomoću dubokih konvolucijskih neuronskih mreža.Napredna obrada neuralnih informacija.sustav.25, 1 (2012).