Ви благодариме што ја посетивте Nature.com.Користите верзија на прелистувач со ограничена поддршка за CSS.За најдобро искуство, препорачуваме да користите ажуриран прелистувач (или да го оневозможите режимот на компатибилност во Internet Explorer).Дополнително, за да обезбедиме континуирана поддршка, ја прикажуваме страницата без стилови и JavaScript.
Лизгачи кои прикажуваат три статии по слајд.Користете ги копчињата за назад и следно за да се движите низ слајдовите или копчињата на контролорот на слајдовите на крајот за да се движите низ секој слајд.
Оптичка кохерентна томографска ангиографија (OCTA) е нов метод за неинвазивна визуелизација на крвните садови на мрежницата.Иако OCTA има многу ветувачки клинички апликации, определувањето на квалитетот на сликата останува предизвик.Развивме систем базиран на длабоко учење користејќи го класификаторот на невронска мрежа ResNet152, претходно обучен со ImageNet за да ги класифицира сликите на површинскиот капиларен плексус од 347 скенирања на 134 пациенти.Сликите беа рачно оценети како вистинска вистина од двајца независни оценувачи за надгледуван модел на учење.Бидејќи барањата за квалитет на сликата може да варираат во зависност од клиничките или истражувачките поставки, беа обучени два модели, еден за препознавање на слики со висок квалитет, а другиот за препознавање на слики со низок квалитет.Нашиот модел на невронска мрежа покажува одлична површина под кривата (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), што е значително подобро од нивото на сигнал што го пријавила машината (AUC = 0,82, 95 % CI).0,77-0,86, \(\kappa\) = 0,52 и AUC = 0,78, 95% CI 0,73-0,83, \(\kappa\) = 0,27, соодветно).Нашата студија покажува дека методите за машинско учење може да се користат за развој на флексибилни и робусни методи за контрола на квалитетот за OCTA слики.
Оптичка кохерентна томографска ангиографија (OCTA) е релативно нова техника базирана на оптичка кохерентна томографија (OCT) која може да се користи за неинвазивна визуелизација на микроваскулатурата на мрежницата.OCTA ја мери разликата во шемите на рефлексија од повторените светлосни импулси во истата област на мрежницата, а потоа може да се пресметаат реконструкции за да се откријат крвните садови без инвазивна употреба на бои или други контрастни средства.OCTA, исто така, овозможува васкуларно снимање со резолуција во длабочина, дозволувајќи им на лекарите одделно да ги испитаат површните и длабоките слоеви на крвните садови, помагајќи да се направи разлика помеѓу хориоретиналната болест.
Иако оваа техника ветува, варијацијата на квалитетот на сликата останува главен предизвик за сигурна анализа на сликата, што го отежнува толкувањето на сликата и спречува широко распространето клиничко прифаќање.Бидејќи OCTA користи повеќе последователни OCT скенирања, таа е почувствителна на артефакти на сликата отколку стандардниот OCT.Повеќето комерцијални OCTA платформи обезбедуваат сопствена метрика за квалитет на сликата наречена Сигнална сила (SS) или понекогаш Индекс на јачина на сигналот (SSI).Сепак, сликите со висока вредност на SS или SSI не гарантираат отсуство на артефакти на сликата, што може да влијае на секоја последователна анализа на сликата и да доведе до неточни клинички одлуки.Вообичаените артефакти на сликата што може да се појават при сликањето OCTA вклучуваат артефакти на движење, артефакти за сегментација, артефакти за непроѕирност на медиумите и артефакти на проекција1,2,3.
Бидејќи мерките добиени од OCTA, како што е васкуларната густина, се повеќе се користат во преведувачките истражувања, клиничките испитувања и клиничката пракса, постои итна потреба да се развијат робусни и сигурни процеси за контрола на квалитетот на сликата за да се елиминираат артефактите на сликата4.Прескокните конекции, познати и како преостанати врски, се проекции во архитектурата на невронската мрежа што овозможуваат информациите да ги заобиколат конволуционите слоеви додека складираат информации во различни размери или резолуции5.Бидејќи артефактите на сликата можат да влијаат на перформансите на сликите во мали и општи големи размери, невронските мрежи со прескокнување на поврзување се добро прилагодени за автоматизирање на оваа задача за контрола на квалитетот5.Неодамна објавената работа покажа ветување за длабоки конволутивни невронски мрежи обучени со користење на висококвалитетни податоци од човечки проценувачи6.
Во оваа студија, ние тренираме конволутивна невронска мрежа што прескокнува поврзување за автоматски да го одредува квалитетот на OCTA сликите.Ние се надоврзуваме на претходната работа со развивање на посебни модели за идентификување слики со висок квалитет и слики со низок квалитет, бидејќи барањата за квалитет на сликата може да се разликуваат за одредени клинички или истражувачки сценарија.Ги споредуваме резултатите од овие мрежи со конволутивните невронски мрежи без врски што недостасуваат за да ја оцениме вредноста на вклучувањето карактеристики на повеќе нивоа на грануларност во рамките на длабокото учење.Потоа ги споредивме нашите резултати со јачината на сигналот, општоприфатена мерка за квалитетот на сликата обезбедена од производителите.
Нашата студија опфати пациенти со дијабетес кои присуствуваа на очниот центар Јеил помеѓу 11 август 2017 година и 11 април 2019 година. Пациентите со која било недијабетична хориоретинална болест беа исклучени.Немаше критериуми за вклучување или исклучување врз основа на возраст, пол, раса, квалитет на сликата или кој било друг фактор.
Сликите OCTA беа добиени со помош на платформата AngioPlex на Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Даблин, Калифорнија) под протоколи за сликање од 8 \(\пати\) 8 mm и 6 \(\times\) 6 mm.Информирана согласност за учество во студијата беше добиена од секој учесник во студијата, а Одборот за институционален преглед на Универзитетот Јеил (IRB) одобри употреба на информирана согласност со глобална фотографија за сите овие пациенти.Следејќи ги принципите на Декларацијата од Хелсинки.Студијата беше одобрена од Универзитетот Јеил IRB.
Сликите на површинската плоча беа евалуирани врз основа на претходно опишаниот рејтинг на артефакт на движење (MAS), претходно опишаниот рејтинг на артефакт за сегментирање (SAS), фовеалниот центар, присуството на непроѕирност на медиумот и добрата визуелизација на малите капилари како што е определено од оценувачот на сликата.Сликите беа анализирани од двајца независни оценувачи (RD и JW).Сликата има оценета оценка од 2 (погодна) ако се исполнети сите следни критериуми: сликата е центриран во фовеата (помалку од 100 пиксели од центарот на сликата), MAS е 1 или 2, SAS е 1 и непроѕирноста на медиумите е помала од 1. Присутна на слики со големина / 16, а мали капилари се гледаат на слики поголеми од 15/16.Сликата е оценета со 0 (без оцена) ако некој од следниве критериуми е исполнет: сликата е надвор од центарот, ако MAS е 4, ако SAS е 2 или просечната непроѕирност е поголема од 1/4 од сликата, и малите капилари не можат да се прилагодат повеќе од 1 слика /4 за да се разликуваат.Сите други слики кои не ги исполнуваат критериумите за бодување 0 или 2 се оценуваат како 1 (клипинг).
На сл.1 покажува примерок на слики за секоја од намалените проценки и артефакти на сликата.Веродостојноста меѓу оценувачите на поединечните резултати беше оценета со пондерирање на капа на Коен8.Индивидуалните оценки на секој оценувач се сумираат за да се добие вкупен резултат за секоја слика, кој се движи од 0 до 4. Сликите со вкупен резултат од 4 се сметаат за добри.Сликите со вкупен резултат од 0 или 1 се сметаат за низок квалитет.
Конволутивна невронска мрежа ResNet152 архитектура (сл. 3A.i) претходно обучена на слики од базата на ImageNet беше генерирана со користење на fast.ai и PyTorch рамка5, 9, 10, 11. Конволутивната невронска мрежа е мрежа која користи научено филтри за скенирање на фрагменти од слики за проучување на просторни и локални карактеристики.Нашиот обучен ResNet е невронска мрежа со 152 слоја која се карактеризира со празнини или „преостанати врски“ кои истовремено пренесуваат информации со повеќе резолуции.Со проектирање информации со различна резолуција преку мрежата, платформата може да ги научи карактеристиките на сликите со низок квалитет на повеќе нивоа на детали.Покрај нашиот модел ResNet, исто така го обучивме AlexNet, добро проучена архитектура на невронска мрежа, без да недостасуваат врски за споредба (Слика 3A.ii)12.Без врски што недостасуваат, оваа мрежа нема да може да снима функции со поголема грануларност.
Оригиналниот сет на слики од 8\(\times\) 8mm OCTA13 е подобрен со помош на техники на хоризонтална и вертикална рефлексија.Целосната база на податоци потоа беше случајно поделена на ниво на слика на обуки (51,2%), тестирање (12,8%), подесување на хиперпараметри (16%) и валидација (20%) на збирки на податоци со помош на алатникот python14 од scikit-learn.Беа разгледани два случаи, еден врз основа на откривање само слики со највисок квалитет (вкупен резултат 4), а другиот врз основа на откривање само слики со најнизок квалитет (вкупен резултат 0 или 1).За секој случај на употреба со висок квалитет и низок квалитет, невронската мрежа се преквалификува еднаш на нашите податоци за слики.Во секој случај на употреба, невронската мрежа беше обучена за 10 епохи, сите тежини на слоеви освен највисоките беа замрзнати, а тежините на сите внатрешни параметри беа научени за 40 епохи со користење на метод на дискриминативна стапка на учење со функција за губење вкрстена ентропија 15, 16..Функцијата за загуба на вкрстената ентропија е мерка за логаритамската скала на несовпаѓањето помеѓу предвидените мрежни ознаки и реалните податоци.За време на тренингот, спуштањето на градиент се врши на внатрешните параметри на невронската мрежа за да се минимизираат загубите.Стапката на учење, стапката на напуштање и хиперпараметрите за намалување на телесната тежина беа подесени со помош на Бејсова оптимизација со 2 случајни почетни точки и 10 повторувања, а AUC на базата на податоци беше подесена со користење на хиперпараметрите како цел од 17.
Репрезентативни примери на 8 × 8 mm OCTA слики на површни капиларни плексуси оценети 2 (A, B), 1 (C, D) и 0 (E, F).Прикажаните артефакти на сликата вклучуваат линии што треперат (стрелки), артефакти за сегментација (ѕвездички) и непроѕирност на медиумот (стрелки).Сликата (E) е исто така надвор од центарот.
Потоа се генерираат кривите на оперативните карактеристики на ресиверот (ROC) за сите модели на невронски мрежи, а извештаите за јачината на сигналот на моторот се генерираат за секој случај на употреба со низок и висок квалитет.Областа под кривата (AUC) беше пресметана со помош на пакетот pROC R, а 95% интервали на доверба и p-вредности беа пресметани со помош на методот DeLong18,19.Кумулативните резултати на човечките оценувачи се користат како основна линија за сите пресметки на ROC.За јачината на сигналот пријавена од машината, AUC се пресметуваше двапати: еднаш за висококвалитетно исклучување на оценката за приспособливост и еднаш за нискоквалитетно исклучување на оценката за приспособливост.Невронската мрежа се споредува со јачината на AUC сигналот што ги одразува сопствените услови за обука и евалуација.
За понатамошно тестирање на обучениот модел за длабоко учење на посебна база на податоци, моделите со висок квалитет и низок квалитет беа директно применети за евалуација на перформансите на 32 слики со површинска плоча од 6\(\times\) 6 мм, собрани од Универзитетот Јеил.Масата на очите е центриран истовремено со сликата 8 \(\пати \) 8 mm.Сликите од 6 \(\×\) 6 mm беа рачно оценети од истите оценувачи (RD и JW) на ист начин како и сликите од 8 \(\×\) 8 mm, AUC беше пресметан како и точноста и капа на Коен .подеднакво.
Односот на нерамнотежа на класата е 158:189 (\(\rho = 1,19\)) за моделот со низок квалитет и 80:267 (\(\rho = 3,3\)) за моделот со висок квалитет.Бидејќи односот на класната нерамнотежа е помал од 1:4, не се направени конкретни архитектонски промени за да се поправи дисбалансот на класите20,21.
За подобро визуелизирање на процесот на учење, беа генерирани мапи за активирање на часовите за сите четири обучени модели за длабоко учење: висококвалитетен модел ResNet152, модел ResNet152 со низок квалитет, модел AlexNet со висок квалитет и модел AlexNet со низок квалитет.Картите за активирање на класите се генерираат од влезните конволуциони слоеви на овие четири модели, а мапите за топлина се генерираат со преклопување на мапите за активирање со изворни слики од множествата за валидација 8 × 8 mm и 6 × 6 mm22, 23.
R верзијата 4.0.3 се користеше за сите статистички пресметки, а визуелизациите беа креирани со помош на библиотеката со графички алатки ggplot2.
Собравме 347 фронтални слики од површинскиот капиларен плексус со димензии 8 \(\пати\) 8 mm од 134 луѓе.Машината пријави јачина на сигналот на скала од 0 до 10 за сите слики (средна вредност = 6,99 ± 2,29).Од 347 добиени слики, просечната возраст при испитувањето беше 58,7 ± 14,6 години, а 39,2% беа од машки пациенти.Од сите слики, 30,8% беа од Кавкајци, 32,6% од Црнци, 30,8% од Хиспанците, 4% од Азијци и 1,7% од други раси (Табела 1).).Возрасната распределба на пациентите со OCTA значително се разликуваше во зависност од квалитетот на сликата (p <0,001).Процентот на висококвалитетни слики кај помлади пациенти на возраст од 18-45 години беше 33,8% во споредба со 12,2% на слики со низок квалитет (Табела 1).Дистрибуцијата на статусот на дијабетична ретинопатија, исто така, значително се разликуваше во квалитетот на сликата (p <0,017).Меѓу сите висококвалитетни слики, процентот на пациенти со PDR беше 18,8% во споредба со 38,8% од сите слики со низок квалитет (Табела 1).
Индивидуалните оценки на сите слики покажаа умерена до силна веродостојност меѓу оценките помеѓу луѓето што ги читаат сликите (Коен пондерирана каппа = 0,79, 95% CI: 0,76-0,82), и немаше точки на слика каде оценувачите се разликуваат за повеќе од 1 (Сл. 2А)..Интензитетот на сигналот значајно корелираше со рачно бодување (корелација на моментот на производ на Пирсон = 0,58, 95% CI 0,51-0,65, p<0,001), но многу слики беа идентификувани како со висок интензитет на сигнал, но ниско рачно бодување (сл. .2Б).
За време на обуката на архитектурите ResNet152 и AlexNet, загубата на вкрстена ентропија при валидација и обука паѓа преку 50 епохи (Слика 3B,C).Точноста на валидација во последната епоха на обука е над 90% и за случаи на употреба со висок и низок квалитет.
Кривите на перформансите на приемникот покажуваат дека моделот ResNet152 значително ја надминува моќноста на сигналот пријавена од машината и во случаи на употреба со низок и висок квалитет (p <0,001).Моделот ResNet152, исто така, значително ја надминува архитектурата на AlexNet (p = 0,005 и p = 0,014 за случаи со низок и висок квалитет, соодветно).Добиените модели за секоја од овие задачи можеа да постигнат AUC вредности од 0,99 и 0,97, соодветно, што е значително подобро од соодветните AUC вредности од 0,82 и 0,78 за индексот на јачината на сигналот на машината или 0,97 и 0,94 за AlexNet ..(сл. 3).Разликата помеѓу ResNet и AUC во јачината на сигналот е поголема кога се препознаваат висококвалитетни слики, што укажува на дополнителни придобивки од користењето на ResNet за оваа задача.
Графиконите ја покажуваат способноста на секој независен оценувач да постигне поени и да се споредува со јачината на сигналот пријавена од машината.(А) Збирот на бодовите што треба да се проценат се користи за да се создаде вкупниот број на бодови што треба да се проценат.На сликите со вкупен резултат за приспособливост од 4 им се доделува висок квалитет, додека на сликите со вкупен резултат за приспособливост од 1 или помалку им се доделува низок квалитет.(Б) Интензитетот на сигналот е во корелација со рачни проценки, но сликите со висок интензитет на сигналот може да бидат со послаб квалитет.Црвената линија со точки го покажува препорачаниот праг на квалитет од производителот врз основа на јачината на сигналот (јачина на сигналот \(\ge\)6).
Учењето за пренос на ResNet обезбедува значително подобрување во идентификацијата на квалитетот на сликата и за случаите на употреба со низок и висок квалитет во споредба со машинските нивоа на сигнал.(А) Поедноставени архитектурни дијаграми на претходно обучени (i) ResNet152 и (ii) архитектури AlexNet.(Б) Историја на обука и криви на перформанси на приемникот за ResNet152 во споредба со јачината на сигналот на машината и критериумите за низок квалитет на AlexNet.(В) Историја на обука на ресиверот ResNet152 и криви на изведба во споредба со машинската јачина на сигналот и критериумите за висок квалитет на AlexNet.
По прилагодувањето на граничниот праг на одлука, максималната точност на предвидување на моделот ResNet152 е 95,3% за случајот со низок квалитет и 93,5% за случајот со висок квалитет (Табела 2).Максималната точност на предвидување на моделот AlexNet е 91,0% за случајот со низок квалитет и 90,1% за случајот со висок квалитет (Табела 2).Максималната точност на предвидување на јачината на сигналот е 76,1% за случајот со низок квалитет и 77,8% за случајот со висок квалитет.Според капата на Коен (\(\kappa\)), договорот помеѓу моделот ResNet152 и проценувачите е 0,90 за случајот со низок квалитет и 0,81 за случајот со висок квалитет.АлексНет капа на Коен е 0,82 и 0,71 за случаи на употреба со низок и висок квалитет, соодветно.Капата на јачината на сигналот на Коен е 0,52 и 0,27 за случаи на употреба со низок и висок квалитет, соодветно.
Потврдувањето на моделите за препознавање со висок и низок квалитет на слики од 6\(\x\) на рамна плоча од 6 mm ја демонстрира способноста на обучениот модел да го одредува квалитетот на сликата преку различни параметри за сликање.При користење на 6\(\x\) плитки плочи од 6 mm за квалитет на сликање, моделот со низок квалитет имаше AUC од 0,83 (95% CI: 0,69–0,98), а моделот со висок квалитет имаше AUC од 0,85.(95% CI: 0,55-1,00) (Табела 2).
Визуелната проверка на мапите за активирање на класата на влезниот слој покажа дека сите обучени невронски мрежи користеле карактеристики на сликата за време на класификацијата на сликите (сл. 4А, Б).За 8 \(\пати \) 8 mm и 6 \(\times \) 6 mm слики, сликите за активирање на ResNet внимателно ја следат ретиналната васкулатура.Мапите за активирање на AlexNet исто така ги следат крвните садови на мрежницата, но со погруба резолуција.
Мапите за активирање на класите за моделите ResNet152 и AlexNet ги истакнуваат карактеристиките поврзани со квалитетот на сликата.(А) Карта за активирање на класата што прикажува кохерентна активација по површна ретинална васкулација на 8 слики за валидација од 8 мм \(\пати) и (Б) обем на помали слики за валидација од 6 \(\пати \) 6 mm.LQ модел обучен на ниски критериуми за квалитет, HQ модел обучен на високи критериуми за квалитет.
Претходно беше докажано дека квалитетот на сликата може многу да влијае на секое квантификација на OCTA сликите.Дополнително, присуството на ретинопатија ја зголемува инциденцата на артефакти на сликата7,26.Всушност, во нашите податоци, во согласност со претходните студии, откривме значајна поврзаност помеѓу зголемувањето на возраста и сериозноста на болеста на мрежницата и влошувањето на квалитетот на сликата (p <0,001, p = 0,017 за возраста и статусот ДР, соодветно; Табела 1) 27 Затоа, важно е да се процени квалитетот на сликата пред да се изврши каква било квантитативна анализа на OCTA слики.Повеќето студии кои анализираат OCTA слики користат прагови за интензитет на сигнал пријавени од машина за да исклучат слики со низок квалитет.Иако се покажа дека интензитетот на сигналот влијае на квантификацијата на OCTA параметрите, само високиот интензитет на сигналот можеби не е доволен за да се исклучат сликите со артефакти на сликата2,3,28,29.Затоа, неопходно е да се развие посигурен метод за контрола на квалитетот на сликата.За таа цел, ги оценуваме перформансите на надгледуваните методи за длабоко учење во однос на јачината на сигналот пријавена од машината.
Развивме неколку модели за оценување на квалитетот на сликата бидејќи различни случаи на употреба на OCTA може да имаат различни барања за квалитет на сликата.На пример, сликите треба да бидат со повисок квалитет.Дополнително, важни се и специфичните квантитативни параметри од интерес.На пример, областа на аваскуларната зона на фовеумот не зависи од заматеноста на нецентралниот медиум, туку влијае на густината на садовите.Додека нашето истражување продолжува да се фокусира на општ пристап кон квалитетот на сликата, кој не е поврзан со барањата на некој конкретен тест, туку е наменет директно да ја замени јачината на сигналот што ја известува машината, се надеваме дека на корисниците ќе им дадеме поголем степен на контрола, така што тие може да ја избере одредената метрика од интерес за корисникот.изберете модел кој одговара на максималниот степен на артефакти на сликата кои се сметаат за прифатливи.
За сцени со низок и висок квалитет, покажуваме одлични перформанси на длабоки конволутивни невронски мрежи што недостасуваат, со AUC од 0,97 и 0,99 и модели со низок квалитет, соодветно.Ги демонстрираме и супериорните перформанси на нашиот пристап за длабоко учење во споредба со нивоата на сигнал пријавени само од машините.Прескокните врски им овозможуваат на невронските мрежи да учат карактеристики на повеќе нивоа на детали, доловувајќи пофини аспекти на сликите (на пр. контраст), како и општи карактеристики (на пр. центрирање на слика30,31).Бидејќи артефактите на сликата кои влијаат на квалитетот на сликата веројатно најдобро се идентификуваат во широк опсег, архитектурите на нервните мрежи со врски што недостасуваат може да покажат подобри перформанси од оние без задачи за одредување на квалитетот на сликата.
При тестирање на нашиот модел на 6\(\×6mm) OCTA слики, забележавме намалување на перформансите на класификацијата и за висококвалитетните и за моделите со низок квалитет (слика 2), за разлика од големината на моделот обучен за класификација.Во споредба со моделот ResNet, моделот AlexNet има поголем пад.Релативно подобрите перформанси на ResNet може да се должат на способноста на преостанатите врски да пренесуваат информации во повеќе размери, што го прави моделот поробустен за класификација на слики снимени во различни размери и/или зголемувања.
Некои разлики помеѓу 8 \(\×\) слики од 8 mm и 6 \(\×\) слики од 6 mm може да доведат до лоша класификација, вклучувајќи релативно висок процент на слики што содржат фовеални аваскуларни области, промени во видливоста, васкуларни аркади и нема оптички нерв на сликата 6×6 mm.И покрај ова, нашиот висококвалитетен ResNet модел успеа да постигне AUC од 85% за 6 \(\x\) слики од 6 mm, конфигурација за која моделот не беше обучен, што сугерира дека информациите за квалитетот на сликата се кодирани во невронската мрежа е погоден.за една големина на слика или конфигурација на машината надвор од нејзината обука (Табела 2).Уверливо, мапите за активирање слични на ResNet и AlexNet од 8 \(\пати \) 8 mm и 6 \(\пати \) 6 mm беа во можност да ги истакнат крвните садови на мрежницата во двата случаи, што сугерира дека моделот има важни информации.се применливи за класификација на двата типа на OCTA слики (сл. 4).
Лауерман и сор.Проценката на квалитетот на сликата на сликите OCTA беше на сличен начин со користење на архитектурата Inception, друга конволутивна невронска мрежа со прескокнување со поврзување6,32 користејќи техники за длабоко учење.Тие, исто така, ја ограничија студијата на слики од површинскиот капиларен плексус, но само со користење на помалите слики од 3×3 mm од Optovue AngioVue, иако беа вклучени и пациенти со различни болести на хориоретина.Нашата работа се надоврзува на нивните основи, вклучувајќи повеќе модели за решавање на различни прагови за квалитет на сликата и потврдување на резултатите за слики со различни големини.Ја известуваме и метриката AUC на моделите за машинско учење и ја зголемуваме нивната веќе импресивна точност (90%)6 и за моделите со низок квалитет (96%) и за висококвалитетните (95,7%)6.
Оваа обука има неколку ограничувања.Прво, сликите беа добиени со само една OCTA машина, вклучувајќи само слики од површинскиот капиларен плексус на 8 \(\пати\) 8 mm и 6 \ (\пати\) 6 mm.Причината за исклучување на сликите од подлабоките слоеви е тоа што проекциските артефакти може да го отежнат рачното оценување на сликите и можеби помалку конзистентно.Понатаму, сликите се добиени само кај пациенти со дијабетес, за кои OCTA се појавува како важна дијагностичка и прогностичка алатка33,34.Иако можевме да го тестираме нашиот модел на слики со различни големини за да се осигураме дека резултатите се стабилни, не можевме да идентификуваме соодветни збирки на податоци од различни центри, што ја ограничи нашата проценка за генерализираноста на моделот.Иако сликите се добиени само од еден центар, тие се добиени од пациенти со различно етничко и расно потекло, што е единствена сила на нашата студија.Со вклучување на различноста во нашиот процес на обука, се надеваме дека нашите резултати ќе бидат генерализирани во поширока смисла и дека ќе избегнеме кодирање на расна пристрасност во моделите што ги тренираме.
Нашата студија покажува дека невронските мрежи со прескокнување конекции може да се обучат за да постигнат високи перформанси во одредувањето на квалитетот на сликата OCTA.Овие модели ги обезбедуваме како алатки за понатамошно истражување.Бидејќи различни метрики може да имаат различни барања за квалитет на сликата, може да се развие индивидуален модел за контрола на квалитетот за секоја метрика користејќи ја структурата утврдена овде.
Идните истражувања треба да вклучуваат слики со различни големини од различни длабочини и различни OCTA машини за да се добие процес на евалуација на квалитетот на сликата за длабоко учење што може да се генерализира на OCTA платформи и протоколи за сликање.Тековните истражувања се засноваат и на надгледувани пристапи за длабоко учење кои бараат човечка евалуација и евалуација на сликата, што може да биде трудоинтензивно и одзема време за големи збирки податоци.Останува да се види дали методите за длабоко учење без надзор можат адекватно да разликуваат слики со низок квалитет и слики со висок квалитет.
Како што OCTA технологијата продолжува да се развива и брзината на скенирање се зголемува, инциденцата на артефакти на слики и слики со слаб квалитет може да се намали.Подобрувањата во софтверот, како што е неодамна воведената функција за отстранување на артефакт на проекција, исто така може да ги ублажат овие ограничувања.Сепак, остануваат многу проблеми бидејќи снимањето на пациенти со слаба фиксација или значителна медиумска заматеност секогаш резултира со артефакти на сликата.Како што OCTA станува се пошироко користен во клиничките испитувања, потребно е внимателно разгледување за да се воспостават јасни упатства за прифатливи нивоа на артефакт на сликата за анализа на сликата.Примената на методите за длабоко учење на OCTA слики ветува многу и потребни се дополнителни истражувања во оваа област за да се развие робустен пристап за контрола на квалитетот на сликата.
Кодот што се користи во тековното истражување е достапен во складиштето octa-qc, https://github.com/rahuldhodapkar/octa-qc.Збирките на податоци генерирани и/или анализирани за време на тековната студија се достапни од соодветните автори на разумно барање.
Spaide, RF, Fujimoto, JG & Waheed, NK артефакти на слика во оптичка кохерентна ангиографија.Ретина 35, 2163-2180 (2015).
Фенер, БЈ и сор.Идентификација на карактеристики на слики кои го одредуваат квалитетот и репродуктивноста на мерењата на густината на ретиналниот капиларен плексус во ангиографијата ОКТ.БР.Ј. Офталмол.102, 509-514 (2018).
Lauerman, JL et al.Влијание на технологијата за следење очи врз квалитетот на сликата на ангиографијата ОКТ кај макуларна дегенерација поврзана со возраста.Гробен лак.клинички.Exp.офталмологија.255, 1535–1542 (2017).
Babyuch AS et al.Мерењата на густината на капиларна перфузија OCTA се користат за откривање и евалуација на макуларна исхемија.офталмолошка хирургија.Ретинална ласерска слика 51, S30-S36 (2020).
He, K., Zhang, X., Ren, S. и Sun, J. Deep Residual Learning for Image Recognition.Во 2016 година на IEEE Conference on Computer Vision and Pattern Recognition (2016).
Lauerman, JL et al.Автоматизирана OCT ангиографска проценка на квалитетот на сликата користејќи алгоритми за длабоко учење.Гробен лак.клинички.Exp.офталмологија.257, 1641–1648 (2019).
Lauermann, J. et al.Распространетоста на грешките во сегментацијата и артефактите на движење во OCT ангиографијата зависи од болеста на мрежницата.Гробен лак.клинички.Exp.офталмологија.256, 1807–1816 (2018).
Паск, Адам и сор.Pytorch: императивна библиотека за длабоко учење со високи перформанси.Напредна обработка на нервните информации.систем.32, 8026-8037 (2019).
Денг, Ј. и сор.ImageNet: Хиерархиска база на податоци за слики од големи размери.2009 IEEE Конференција за компјутерска визија и препознавање на модели.248–255.(2009).
Krizhevsky A., Sutzkever I. и Hinton GE Imagenet класификација користејќи длабоки конволуциони невронски мрежи.Напредна обработка на нервните информации.систем.25, 1 (2012).