Nature.com сайтына кіргеніңіз үшін рахмет.Сіз шектеулі CSS қолдауы бар шолғыш нұсқасын пайдаланып жатырсыз.Ең жақсы тәжірибе үшін жаңартылған шолғышты пайдалануды ұсынамыз (немесе Internet Explorer шолғышында үйлесімділік режимін өшіріңіз).Оған қоса, үздіксіз қолдауды қамтамасыз ету үшін біз сайтты стильсіз және JavaScriptсіз көрсетеміз.
Әр слайдта үш мақаланы көрсететін слайдерлер.Слайдтар арқылы жылжу үшін артқа және келесі түймелерді немесе әр слайд бойынша жылжу үшін соңында слайд контроллері түймелерін пайдаланыңыз.
Оптикалық когерентті томографиялық ангиография (ОКТА) – көз торының тамырларын инвазивті емес визуализациялаудың жаңа әдісі.OCTA көптеген перспективалы клиникалық қолданбаларға ие болғанымен, кескін сапасын анықтау қиын болып қала береді.134 пациенттің 347 сканерлеуінен беткей капиллярлық плексус кескіндерін жіктеу үшін ImageNet көмегімен алдын ала дайындалған ResNet152 нейрондық желі классификаторын пайдаланып терең оқытуға негізделген жүйені жасадық.Бақыланатын оқу үлгісі үшін екі тәуелсіз бағалаушы кескіндерді қолмен шынайы шындық ретінде бағалады.Кескін сапасына қойылатын талаптар клиникалық немесе зерттеу параметрлеріне байланысты өзгеруі мүмкін болғандықтан, біреуі жоғары сапалы кескінді тану үшін, екіншісі төмен сапалы кескінді тану үшін екі үлгі оқытылды.Біздің нейрондық желінің үлгісі қисық астындағы тамаша аумақты (AUC) көрсетеді, 95% CI 0,96-0,99, \(\kappa\) = 0,81), бұл құрылғы хабарлаған сигнал деңгейінен (AUC = 0,82, 95) айтарлықтай жақсырақ. % CI).0,77–0,86, \(\каппа\) = 0,52 және AUC = 0,78, 95% CI 0,73-0,83, \(\каппа\) = 0,27 тиісінше).Біздің зерттеуіміз машиналық оқыту әдістерін OCTA кескіндері үшін икемді және сенімді сапаны бақылау әдістерін әзірлеу үшін пайдалануға болатынын көрсетеді.
Оптикалық когерентті томографиялық ангиография (ОКТА) – оптикалық когерентті томографияға (ОКТ) негізделген салыстырмалы түрде жаңа әдіс, ол тордың микротамырларының инвазивті емес визуализациясы үшін пайдаланылуы мүмкін.OCTA тордың бір аймағындағы қайталанатын жарық импульстарының шағылысу үлгілерінің айырмашылығын өлшейді, содан кейін реконструкцияларды бояғыштарды немесе басқа контраст агенттерін инвазивті қолданбастан қан тамырларын анықтау үшін есептеуге болады.OCTA сонымен қатар терең ажыратымдылықтағы тамырларды бейнелеуге мүмкіндік береді, бұл емхана дәрігерлеріне тамырлардың үстіңгі және терең қабаттарын бөлек тексеруге мүмкіндік береді, хориоретинальды ауруларды ажыратуға көмектеседі.
Бұл әдіс перспективалы болғанымен, кескін сапасының вариациясы кескіннің интерпретациясын қиындатып, кең таралған клиникалық қабылдауды болдырмайтын кескінді сенімді талдау үшін негізгі мәселе болып қала береді.OCTA бірнеше қатарынан OCT сканерлеуін пайдаланатындықтан, ол стандартты OCT қарағанда кескін артефактілеріне сезімталырақ.Көптеген коммерциялық OCTA платформалары Сигнал күші (SS) немесе кейде Сигнал күші индексі (SSI) деп аталатын өздерінің кескін сапасының көрсеткіштерін береді.Дегенмен, жоғары SS немесе SSI мәні бар кескіндер кескін артефактілерінің жоқтығына кепілдік бермейді, бұл кез келген кейінгі кескін талдауына әсер етуі және дұрыс емес клиникалық шешімдерге әкелуі мүмкін.OCTA кескінінде пайда болуы мүмкін жалпы кескін артефактілеріне қозғалыс артефактілері, сегменттеу артефактілері, медиа мөлдірлік артефактілері және проекциялық артефакттар жатады1,2,3.
Тамырлардың тығыздығы сияқты OCTA-дан алынған өлшемдер трансляциялық зерттеулерде, клиникалық сынақтарда және клиникалық тәжірибеде көбірек қолданылып жатқандықтан, кескін артефактілерін жою үшін сенімді және сенімді кескін сапасын бақылау процестерін дамытудың шұғыл қажеттілігі туындайды4.Өткізіп жіберу қосылымдары, сондай-ақ қалдық қосылымдар ретінде белгілі, әртүрлі масштабта немесе ажыратымдылықта ақпаратты сақтау кезінде ақпаратқа конволюциялық қабаттарды айналып өтуге мүмкіндік беретін нейрондық желі архитектурасындағы проекциялар.Кескін артефактілері шағын масштабты және жалпы ауқымды кескін өнімділігіне әсер етуі мүмкін болғандықтан, өткізіп-қосу нейрондық желілер осы сапаны бақылау тапсырмасын автоматтандыруға жақсы сәйкес келеді5.Жақында жарияланған жұмыс адам бағалаушыларының жоғары сапалы деректерін пайдалана отырып оқытылатын терең конволюционды нейрондық желілерге белгілі бір уәде берді6.
Бұл зерттеуде біз OCTA кескіндерінің сапасын автоматты түрде анықтау үшін қосылымды өткізіп жіберетін конволюциялық нейрондық желіні жаттықтырамыз.Біз жоғары сапалы кескіндерді және төмен сапалы кескіндерді анықтау үшін бөлек үлгілерді әзірлеу арқылы алдыңғы жұмыстарды негізге аламыз, себебі кескін сапасына қойылатын талаптар нақты клиникалық немесе зерттеу сценарийлері үшін әр түрлі болуы мүмкін.Терең оқыту аясында түйіршіктіліктің бірнеше деңгейлеріндегі мүмкіндіктерді қосудың мәнін бағалау үшін біз осы желілердің нәтижелерін қосылымдары жоқ конволюционды нейрондық желілермен салыстырамыз.Содан кейін біз өз нәтижелерімізді өндірушілер ұсынатын сурет сапасының жалпы қабылданған өлшемі болып табылатын сигнал күшімен салыстырдық.
Зерттеуімізге 2017 жылдың 11 тамызы мен 2019 жылдың 11 сәуірі аралығында Йель көз орталығына барған қант диабетімен ауыратын науқастар қамтылды. Кез келген диабеттік емес хориоретинальды ауруы бар науқастар алынып тасталды.Жасына, жынысына, нәсіліне, сурет сапасына немесе кез келген басқа факторға негізделген қосу немесе алып тастау критерийлері болған жоқ.
OCTA кескіндері AngioPlex платформасы арқылы Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) 8\(\times\)8 мм және 6\(\times\)6 мм кескіндеу протоколдарымен алынды.Зерттеуге қатысуға ақпараттандырылған келісім әрбір зерттеу қатысушысынан алынды және Йель университетінің институционалдық шолу кеңесі (IRB) осы пациенттердің барлығы үшін жаһандық фотосуреттермен ақпараттандырылған келісімді пайдалануды мақұлдады.Хельсинки декларациясының қағидаттарына сүйене отырып.Зерттеуді Йель университетінің IRB мақұлдады.
Беткі пластина кескіндері бұрын сипатталған Қозғалыс артефакті көрсеткіші (MAS), бұрын сипатталған Сегментация артефакті көрсеткіші (SAS), фовеа орталығы, ортаның мөлдірлігінің болуы және кескін бағалаушысы анықтаған шағын капиллярлардың жақсы визуализациясы негізінде бағаланды.Суреттерді екі тәуелсіз бағалаушы (RD және JW) талдады.Кескіннің бағаланған ұпайы 2 (қолайлы), егер келесі критерийлердің барлығы орындалса: кескіннің ортасында орналасқан (кескіннің ортасынан 100 пикселден аз), MAS 1 немесе 2, SAS 1 және медиа мөлдірлігі 1-ден аз. Өлшемі / 16 кескіндерде көрсетіледі, ал 15/16 өлшемінен үлкен кескіндерде кішкентай капиллярлар көрінеді.Кескін 0 (бағасыз) деп бағаланады, егер келесі критерийлердің кез келгені орындалса: кескін орталықтан тыс, MAS 4 болса, SAS 2 болса немесе орташа мөлдірлік кескіннің 1/4 бөлігінен үлкен болса және кішкентай капиллярларды ажырату үшін 1 суреттен артық реттеуге болмайды /4.0 немесе 2 бағалау критерийлеріне сәйкес келмейтін барлық басқа суреттер 1 (қиып алу) ретінде бағаланады.
Суретте.1 масштабталған бағалаулар мен кескін артефактілерінің әрқайсысы үшін үлгі кескіндерді көрсетеді.Жеке ұпайлардың бағалаушылар аралық сенімділігі Коэннің каппа салмағымен бағаланды8.Әрбір бағалаушының жеке ұпайлары әрбір сурет үшін 0-ден 4-ке дейінгі жалпы ұпай алу үшін жинақталады. Жалпы ұпайы 4 болатын кескіндер жақсы деп саналады.Жалпы ұпайы 0 немесе 1 болатын суреттер сапасыз болып саналады.
ImageNet дерекқорындағы кескіндерге алдын ала дайындалған ResNet152 архитектуралық конволюционды нейрондық желі (3A.i-сурет) fast.ai және PyTorch Framework5, 9, 10, 11 көмегімен жасалды. Конволюционды нейрондық желі - үйренген деректерді пайдаланатын желі. кеңістіктік және жергілікті мүмкіндіктерді зерттеу үшін кескін фрагменттерін сканерлеуге арналған сүзгілер.Біздің дайындалған ResNet - бұл 152-қабатты нейрондық желі, ол бір уақытта бірнеше ажыратымдылықпен ақпаратты жіберетін бос орындармен немесе «қалдық қосылымдармен» сипатталады.Желі арқылы әртүрлі ажыратымдылықтағы ақпаратты проекциялау арқылы платформа егжей-тегжейлердің бірнеше деңгейінде төмен сапалы кескіндердің мүмкіндіктерін біле алады.ResNet үлгісіне қоса, біз салыстыру үшін қосылымдарды жоғалтпай жақсы зерттелген нейрондық желі архитектурасы AlexNet-ті де оқыттық (3A.ii сурет)12.Қосылымдар жоқ болса, бұл желі мүмкіндіктерді жоғары дәрежеде түсіре алмайды.
Түпнұсқа 8\(\times\)8мм OCTA13 кескін жинағы көлденең және тік шағылысу әдістерін қолдану арқылы жақсартылды.Содан кейін толық деректер жинағы кескін деңгейінде кездейсоқ түрде scikit-learn құралдар жинағы python14 көмегімен оқыту (51,2%), тестілеу (12,8%), гиперпараметрлерді баптау (16%) және тексеру (20%) деректер жиындарына бөлінді.Екі жағдай қарастырылды, біреуі тек ең жоғары сапалы кескіндерді анықтауға негізделген (жалпы балл 4), екіншісі ең төмен сапалы кескіндерді ғана анықтауға негізделген (жалпы балл 0 немесе 1).Әрбір жоғары және төмен сапалы пайдалану жағдайы үшін нейрондық желі біздің кескін деректерімізде бір рет қайта оқытылады.Әрбір пайдалану жағдайында нейрондық желі 10 дәуірге оқытылды, ең жоғары қабат салмақтарынан басқасының бәрі қатырылды және барлық ішкі параметрлердің салмақтары 40 дәуір үшін кросс-энтропия жоғалту функциясы 15, дискриминативті оқыту жылдамдығы әдісі арқылы үйренді, 16..Айқас энтропия жоғалту функциясы болжанған желі белгілері мен нақты деректер арасындағы сәйкессіздіктің логарифмдік шкаласы өлшемі болып табылады.Жаттығу кезінде жоғалтуларды азайту үшін нейрондық желінің ішкі параметрлері бойынша градиент түсіру орындалады.Оқыту жылдамдығы, оқудан шығу жылдамдығы және салмақты азайту гиперпараметрлері 2 кездейсоқ бастапқы нүкте және 10 итерациясы бар Байес оңтайландыруы арқылы реттелді, ал деректер жиынындағы AUC 17 мақсат ретінде гиперпараметрлер арқылы реттелді.
Беткей капиллярлық плексустардың 8 × 8 мм OCTA кескіндерінің репрезентативті мысалдары 2 (A, B), 1 (C, D) және 0 (E, F) ұпайларын алды.Көрсетілген кескін артефактілеріне жыпылықтайтын сызықтар (көрсеткілер), сегменттеу артефактілері (жұлдызшалар) және медиа мөлдірлігі (көрсеткілер) кіреді.Кескін (E) де орталықтан тыс.
Содан кейін барлық нейрондық желі үлгілері үшін қабылдағыштың жұмыс сипаттамалары (ROC) қисықтары жасалады және әрбір сапасыз және жоғары сапалы пайдалану жағдайы үшін қозғалтқыш сигналының күші туралы есептер жасалады.Қисық астындағы аудан (AUC) pROC R пакетінің көмегімен есептелді, ал 95% сенімділік интервалдары мен p-мәндері DeLong әдісімен есептелді18,19.Адамдық бағалаушылардың жиынтық ұпайлары барлық ROC есептеулері үшін базалық сызық ретінде пайдаланылады.Құрылғы хабарлаған сигнал күші үшін AUC екі рет есептелді: бір рет жоғары сапалы Масштабтау баллының кесіндісі үшін және бір рет төмен сапалы Масштабтау баллының кесіндісі үшін.Нейрондық желі өзінің оқыту және бағалау шарттарын көрсететін AUC сигнал күшімен салыстырылады.
Оқытылған терең оқыту моделін бөлек деректер жиынында әрі қарай сынау үшін Йель университетінен жиналған 32 толық бет 6\(\рет\) 6мм беттік тақта кескінінің өнімділігін бағалауға жоғары сапалы және төмен сапалы үлгілер тікелей қолданылды.Көз массасы кескінмен бір уақытта 8 \(\рет \) 8 мм ортада орналасқан.6\(\×\) 6 мм кескіндерді 8\(\×\) 8 мм кескіндер сияқты бірдей бағалаушылар (RD және JW) қолмен бағалады, AUC, дәлдік пен Коэн каппасы есептелді. .тең.
Класс теңгерімсіздігінің коэффициенті төмен сапа үлгісі үшін 158:189 (\(\rho = 1,19\)) және жоғары сапалы үлгі үшін 80:267 (\(\rho = 3,3\)) болып табылады.Класс теңгерімсіздігінің қатынасы 1:4-тен аз болғандықтан, сынып теңгерімсіздігін түзету үшін арнайы архитектуралық өзгерістер жасалмаған20,21.
Оқу процесін жақсырақ бейнелеу үшін барлық төрт оқытылған терең оқыту моделі үшін сыныпты белсендіру карталары жасалды: жоғары сапалы ResNet152 үлгісі, төмен сапалы ResNet152 моделі, жоғары сапалы AlexNet моделі және төмен сапалы AlexNet моделі.Классты белсендіру карталары осы төрт модельдің кіріс конвульционды қабаттарынан жасалады, ал жылу карталары 8 × 8 мм және 6 × 6 мм валидация жиынтықтарынан бастапқы кескіндермен қабаттасу арқылы белсендіру карталары жасалады22, 23.
Барлық статистикалық есептеулер үшін R нұсқасы 4.0.3 пайдаланылды, ал көрнекіліктер ggplot2 графикалық құралдар кітапханасы арқылы жасалды.
Біз 134 адамнан 8 \(\ есе \)8 мм болатын беткей капиллярлық өрімінің 347 фронтальды суретін жинадық.Құрылғы сигнал күшін барлық кескіндер үшін 0-ден 10-ға дейінгі шкала бойынша хабарлады (орташа мән = 6,99 ± 2,29).Алынған 347 суреттің зерттеу кезіндегі орташа жасы 58,7 ± 14,6 жасты құрады, ал 39,2%-ы ер адамдардан болды.Барлық суреттердің 30,8% кавказдықтардан, 32,6% қара нәсілдерден, 30,8% испандықтардан, 4% азиялықтардан және 1,7% басқа нәсілдерден болды (1-кесте).).OCTA бар науқастардың жас бойынша бөлінуі кескіннің сапасына байланысты айтарлықтай ерекшеленді (p <0,001).18-45 жас аралығындағы жас пациенттердегі жоғары сапалы кескіндердің пайызы сапасыз кескіндердің 12,2%-ымен салыстырғанда 33,8%-ды құрады (1-кесте).Диабеттік ретинопатия күйінің таралуы кескін сапасында да айтарлықтай өзгерді (p <0,017).Барлық жоғары сапалы кескіндердің арасында PDR бар науқастардың пайызы барлық төмен сапалы кескіндердің 38,8%-ымен салыстырғанда 18,8%-ды құрады (1-кесте).
Барлық кескіндердің жеке рейтингтері суреттерді оқитын адамдар арасында орташа және күшті рейтингаралық сенімділікті көрсетті (Коэннің өлшенген каппа = 0,79, 95% CI: 0,76-0,82) және бағалаушылар 1-ден артық айырмашылығы бар кескін нүктелері болған жоқ (Cурет 1). 2A)..Сигнал қарқындылығы қолмен бағалаумен айтарлықтай корреляцияланды (Пирсон өнімінің моменті корреляциясы = 0,58, 95% CI 0,51–0,65, p<0,001), бірақ көптеген кескіндер сигналдың қарқындылығы жоғары, бірақ қолмен бағалаудың төмен екендігі анықталды (Cурет .2B).
ResNet152 және AlexNet архитектурасын оқыту кезінде валидация мен оқытудағы кросс-энтропия жоғалуы 50 дәуірден асады (3B,C-сурет).Соңғы оқу дәуіріндегі валидация дәлдігі жоғары және төмен сапалы пайдалану жағдайлары үшін 90%-дан асады.
Қабылдағыш өнімділігінің қисықтары ResNet152 моделінің төмен және жоғары сапалы пайдалану жағдайларында (p < 0,001) құрылғы хабарлаған сигнал қуатынан айтарлықтай асып түсетінін көрсетеді.ResNet152 моделі де AlexNet архитектурасынан айтарлықтай асып түседі (сәйкесінше төмен сапалы және жоғары сапалы жағдайлар үшін p = 0,005 және p = 0,014).Осы тапсырмалардың әрқайсысы үшін алынған үлгілер сәйкесінше 0,99 және 0,97 AUC мәндеріне қол жеткізе алды, бұл машинаның сигнал күшінің индексі үшін 0,82 және 0,78 немесе AlexNet үшін 0,97 және 0,94 сәйкес AUC мәндерінен айтарлықтай жақсырақ. ..(Cурет 3).ResNet және AUC арасындағы сигнал күшіндегі айырмашылық жоғары сапалы кескіндерді тану кезінде жоғарырақ болады, бұл осы тапсырма үшін ResNet пайдаланудың қосымша артықшылықтарын көрсетеді.
Графиктер әрбір тәуелсіз бағалаушының балл жинау және құрылғы хабарлаған сигнал күшімен салыстыру мүмкіндігін көрсетеді.(A) Бағаланатын ұпайлардың қосындысы бағаланатын ұпайлардың жалпы санын құру үшін пайдаланылады.Жалпы масштабтау баллы 4 болатын кескіндерге жоғары сапа тағайындалады, ал жалпы масштабтау баллы 1 немесе одан төмен кескіндерге төмен сапа тағайындалады.(B) Сигнал қарқындылығы қолмен бағалауға сәйкес келеді, бірақ сигнал қарқындылығы жоғары кескіндердің сапасы нашар болуы мүмкін.Қызыл нүктелі сызық сигнал күшіне негізделген өндіруші ұсынған сапа шегін көрсетеді (сигнал күші \(\ge\)6).
ResNet трансферті оқыту машинада хабарланған сигнал деңгейлерімен салыстырғанда төмен және жоғары сапалы пайдалану жағдайлары үшін кескін сапасын анықтауды айтарлықтай жақсартуды қамтамасыз етеді.(A) Алдын ала дайындалған (i) ResNet152 және (ii) AlexNet архитектураларының жеңілдетілген архитектуралық диаграммалары.(B) Машина хабарлаған сигнал күші және AlexNet төмен сапа критерийлерімен салыстырғанда ResNet152 үшін жаттығу тарихы мен қабылдағыш өнімділігі қисықтары.(C) ResNet152 ресиверінің жаттығу тарихы мен өнімділік қисықтары машинаның хабарланған сигнал күшімен және AlexNet жоғары сапа критерийлерімен салыстырғанда.
Шешім қабылдау шекарасының шегін реттегеннен кейін ResNet152 моделінің максималды болжау дәлдігі төмен сапалы жағдай үшін 95,3% және жоғары сапалы жағдай үшін 93,5% құрайды (2-кесте).AlexNet моделінің максималды болжау дәлдігі төмен сапалы корпус үшін 91,0% және жоғары сапалы корпус үшін 90,1% құрайды (2-кесте).Сигнал күшін болжаудың максималды дәлдігі төмен сапалы пайдалану жағдайы үшін 76,1% және жоғары сапалы пайдалану жағдайы үшін 77,8% құрайды.Коэннің каппа (\(\kappa\)) сәйкес ResNet152 моделі мен бағалаушылар арасындағы келісім төмен сапалы жағдай үшін 0,90 және жоғары сапалы корпус үшін 0,81.Коэннің AlexNet kappa көрсеткіші төмен және жоғары сапалы пайдалану жағдайлары үшін сәйкесінше 0,82 және 0,71 болып табылады.Коэннің сигнал күші каппа төмен және жоғары сапалы пайдалану жағдайлары үшін сәйкесінше 0,52 және 0,27 құрайды.
6 мм жалпақ пластинадағы 6\(\x\) кескіндеріндегі жоғары және төмен сапалы тану үлгілерін тексеру оқытылған модельдің кескін сапасын әртүрлі кескіндеу параметрлері бойынша анықтау мүмкіндігін көрсетеді.Бейнелеу сапасы үшін 6\(\x\) 6 мм таяз тақталарды пайдаланған кезде, төмен сапалы үлгіде AUC 0,83 (95% CI: 0,69–0,98) және жоғары сапалы үлгіде AUC 0,85 болды.(95% CI: 0,55–1,00) (2-кесте).
Кіріс қабатының класын белсендіру карталарын визуалды тексеру барлық оқытылған нейрондық желілер кескінді жіктеу кезінде кескін мүмкіндіктерін пайдаланғанын көрсетті (сурет 4А, В).8 \(\ есе \) 8 мм және 6 \(\ есе \) 6 мм кескіндер үшін ResNet белсендіру кескіндері ретинальды тамырларды мұқият бақылайды.AlexNet белсендіру карталары да ретинальды тамырларды қадағалайды, бірақ дөрекі рұқсатпен.
ResNet152 және AlexNet үлгілеріне арналған сыныпты белсендіру карталары кескін сапасына қатысты мүмкіндіктерді бөлектейді.(A) 8 \(\ есе \) 8 мм валидация кескіндерінде беткі торлы қантамырлардан кейін когерентті белсендіруді және (B) 6 \(\ есе \) 6 мм валидация кескіндерінде (B) ауқымын көрсететін класс белсендіру картасы.LQ моделі төмен сапа критерийлері бойынша оқытылды, HQ моделі жоғары сапа критерийлері бойынша оқытылды.
Кескін сапасы OCTA кескіндерінің кез келген сандық көрсеткіштеріне қатты әсер етуі мүмкін екені бұрын көрсетілген.Сонымен қатар, ретинопатияның болуы сурет артефактілерінің жиілігін арттырады7,26.Шын мәнінде, біздің деректерімізде, алдыңғы зерттеулерге сәйкес, біз жастың ұлғаюы мен торлы қабық ауруларының ауырлығы мен кескін сапасының нашарлауы арасында маңызды байланысты таптық (сәйкесінше жас және DR күйі үшін p <0,001, p = 0,017; 1-кесте) 27 Сондықтан OCTA кескіндерінің кез келген сандық талдауын орындамас бұрын кескін сапасын бағалау өте маңызды.OCTA кескіндерін талдайтын зерттеулердің көпшілігі төмен сапалы кескіндерді жоққа шығару үшін машинада хабарланған сигнал қарқындылығының шектерін пайдаланады.Сигнал қарқындылығы OCTA параметрлерінің сандық көрсеткіштеріне әсер ететіні көрсетілгенімен, жоғары сигнал қарқындылығы кескін артефактілері бар кескіндерді жоққа шығару үшін жеткіліксіз болуы мүмкін2,3,28,29.Сондықтан кескін сапасын бақылаудың неғұрлым сенімді әдісін жасау қажет.Осы мақсатта біз бақыланатын терең оқыту әдістерінің өнімділігін құрылғы хабарлаған сигнал күшімен салыстырамыз.
Біз кескін сапасын бағалауға арналған бірнеше үлгіні әзірледік, себебі әртүрлі OCTA пайдалану жағдайларында кескін сапасына қойылатын талаптар әртүрлі болуы мүмкін.Мысалы, суреттер жоғары сапалы болуы керек.Сонымен қатар, қызығушылықтың нақты сандық параметрлері де маңызды.Мысалы, фовеальды аваскулярлық аймақтың ауданы орталық емес ортаның бұлыңғырлығына байланысты емес, тамырлардың тығыздығына әсер етеді.Біздің зерттеулеріміз қандай да бір нақты сынақтың талаптарына байланысты емес, бірақ құрылғы хабарлаған сигнал күшін тікелей ауыстыруға арналған кескін сапасына жалпы көзқарасқа баса назар аударуды жалғастырып жатқанымен, біз пайдаланушыларға бақылаудың жоғары дәрежесін береміз деп үміттенеміз. пайдаланушыны қызықтыратын нақты көрсеткішті таңдай алады.қолайлы деп саналатын кескін артефактілерінің максималды дәрежесіне сәйкес келетін үлгіні таңдаңыз.
Төмен сапалы және жоғары сапалы көріністер үшін AUC сәйкесінше 0,97 және 0,99 және төмен сапалы үлгілері бар қосылыссыз терең конволюционды нейрондық желілердің тамаша өнімділігін көрсетеміз.Сондай-ақ, біз тек машиналар хабарлаған сигнал деңгейлерімен салыстырғанда терең оқыту әдісіміздің жоғары өнімділігін көрсетеміз.Өткізіп жіберу қосылымдары нейрондық желілерге кескіндердің жақсырақ аспектілерін (мысалы, контраст) және жалпы мүмкіндіктерді (мысалы, кескінді орталықтандыру30,31) түсіре отырып, егжей-тегжейдің бірнеше деңгейлеріндегі мүмкіндіктерді үйренуге мүмкіндік береді.Кескін сапасына әсер ететін кескін артефактілері кең ауқымда жақсы анықталғандықтан, қосылымдары жоқ нейрондық желі архитектуралары кескін сапасын анықтау тапсырмалары жоқтарға қарағанда жақсы өнімділікті көрсете алады.
Үлгімізді 6\(\×6мм) OCTA кескіндерінде сынаған кезде біз жіктеуге үйретілген үлгі өлшемінен айырмашылығы жоғары және төмен сапалы үлгілер үшін жіктеу өнімділігінің төмендеуін байқадық (Cурет 2).ResNet үлгісімен салыстырғанда, AlexNet моделінің құлдырауы үлкенірек.ResNet-тің салыстырмалы түрде жақсырақ өнімділігі қалдық қосылымдардың ақпаратты бірнеше масштабта беру мүмкіндігіне байланысты болуы мүмкін, бұл модельді әртүрлі масштабта және/немесе үлкейтуде түсірілген кескіндерді жіктеу үшін сенімдірек етеді.
8 \(\×\) 8 мм кескіндер мен 6 \(\×\) 6 мм кескіндер арасындағы кейбір айырмашылықтар нашар жіктелуге әкелуі мүмкін, соның ішінде фовеальды қан тамырлары аймақтары бар кескіндердің салыстырмалы жоғары үлесі, көрінудегі өзгерістер, тамырлы аркадалар және суретте көру жүйкесі жоқ 6×6 мм.Осыған қарамастан, біздің жоғары сапалы ResNet моделі 6 \(\x\) 6 мм кескіндер үшін AUC 85% қол жеткізе алды, конфигурация модель оқытылмаған, бұл кескін сапасы туралы ақпарат нейрондық желіде кодталғанын көрсетеді. қолайлы.оқудан тыс бір кескін өлшемі немесе машина конфигурациясы үшін (2-кесте).8 \(\ есе \) 8 мм және 6 \(\ есе \) 6 мм кескіндердің ResNet және AlexNet тәрізді белсендіру карталары екі жағдайда да көз торының тамырларын ерекшелей алды, бұл модельде маңызды ақпарат бар екенін көрсетеді.OCTA кескіндерінің екі түрін де жіктеу үшін қолданылады (Cурет 4).
Лауэрман және т.б.OCTA кескіндеріндегі кескін сапасын бағалау дәл осылай Inception архитектурасы арқылы орындалды, басқа өткізіп-қосу конвульционды нейрондық желі6,32 терең оқыту әдістерін қолдана отырып.Олар сондай-ақ зерттеуді үстіңгі капиллярлық плексус кескіндерімен шектеді, бірақ тек Optovue AngioVue-ден кішірек 3 × 3 мм кескіндерді пайдаланады, дегенмен әртүрлі хориоретинальды аурулары бар науқастар да қамтылған.Біздің жұмысымыз олардың негіздеріне, соның ішінде кескін сапасының әртүрлі шектерін шешуге және әртүрлі өлшемдегі кескіндер үшін нәтижелерді тексеруге арналған бірнеше үлгілерді қамтиды.Біз сондай-ақ машиналық оқыту үлгілерінің AUC метрикасын хабарлаймыз және төмен сапалы (96%) және жоғары сапалы (95,7%) үлгілері үшін олардың қазірдің өзінде әсерлі дәлдігін (90%) арттырамыз6.
Бұл оқытудың бірнеше шектеулері бар.Біріншіден, суреттер тек бір OCTA құрылғысымен алынды, оның ішінде тек 8\(\рет\)8 мм және 6\(\уақыт\)6 мм беткейлік капиллярлық өрім кескіндері.Кескіндерді тереңірек қабаттардан алып тастаудың себебі проекциялық артефактілер кескіндерді қолмен бағалауды қиындатады және сәйкестікті азайтады.Сонымен қатар, суреттер тек диабеттік науқастарда ғана алынды, олар үшін OCTA маңызды диагностикалық және болжамдық құрал ретінде пайда болады33,34.Нәтижелердің сенімді екендігіне көз жеткізу үшін үлгімізді әртүрлі өлшемдегі суреттерде сынағанымызға қарамастан, әртүрлі орталықтардан сәйкес деректер жиынын анықтай алмадық, бұл модельдің жалпылану мүмкіндігін бағалауды шектеді.Суреттер бір ғана орталықтан алынғанымен, олар әртүрлі этникалық және нәсілдік топтардағы пациенттерден алынды, бұл біздің зерттеуіміздің ерекше күші.Жаттығу процесіне әртүрлілікті қосу арқылы біздің нәтижелеріміз кеңірек мағынада жалпыланады және біз жаттықтыратын үлгілерде нәсілдік көзқарасты кодтаудан аулақ боламыз деп үміттенеміз.
Біздің зерттеу OCTA кескін сапасын анықтауда жоғары өнімділікке қол жеткізу үшін қосылымды өткізіп жіберетін нейрондық желілерді үйретуге болатынын көрсетеді.Біз бұл үлгілерді әрі қарай зерттеу үшін құрал ретінде береміз.Әртүрлі көрсеткіштерде кескін сапасына қойылатын талаптар әртүрлі болуы мүмкін болғандықтан, осы жерде орнатылған құрылымды пайдалана отырып, әрбір көрсеткіш үшін сапаны бақылаудың жеке үлгісін жасауға болады.
Болашақ зерттеулер OCTA платформалары мен кескіндеу протоколдарына жалпылануы мүмкін терең оқу кескін сапасын бағалау процесін алу үшін әртүрлі тереңдіктегі әртүрлі өлшемдегі кескіндерді және әртүрлі OCTA машиналарын қамтуы керек.Ағымдағы зерттеулер сонымен қатар үлкен деректер жинақтары үшін көп еңбекті қажет ететін және уақытты қажет ететін адамды бағалауды және кескінді бағалауды қажет ететін бақыланатын терең оқыту тәсілдеріне негізделген.Бақыланбайтын терең оқыту әдістері төмен сапалы кескіндер мен жоғары сапалы кескіндерді сәйкесінше ажырата алатынын анықтау керек.
OCTA технологиясы дамуын жалғастырып, сканерлеу жылдамдығы артқан сайын кескін артефактілері мен сапасыз кескіндердің жиілігі төмендеуі мүмкін.Жақында енгізілген проекциялық артефактілерді жою мүмкіндігі сияқты бағдарламалық құралдағы жақсартулар да бұл шектеулерді жеңілдетуі мүмкін.Дегенмен, көптеген мәселелер қалады, өйткені нашар бекітілетін пациенттерді кескіндеу немесе медианың айтарлықтай бұлыңғырлығы әрқашан кескін артефактілеріне әкеледі.OCTA клиникалық сынақтарда кеңінен қолданылатын болғандықтан, кескінді талдау үшін қолайлы кескін артефакті деңгейлері үшін нақты нұсқауларды белгілеу үшін мұқият қарастыру қажет.OCTA кескіндеріне терең оқыту әдістерін қолдану үлкен үміт береді және кескін сапасын бақылауға сенімді тәсілді әзірлеу үшін осы салада қосымша зерттеулер қажет.
Ағымдағы зерттеуде пайдаланылған код octa-qc репозиторийінде қолжетімді, https://github.com/rahuldhodapkar/octa-qc.Ағымдағы зерттеу барысында жасалған және/немесе талданған деректер жинақтары негізделген сұрау бойынша тиісті авторлардан қол жетімді.
Spaide, RF, Fujimoto, JG & Waheed, NK Оптикалық когерентті ангиографиядағы кескін артефактілері.Тор қабық 35, 2163–2180 (2015).
Fenner, BJ et al.OCT ангиографиясында ретинальды капиллярлық плексус тығыздығын өлшеудің сапасы мен қайталану мүмкіндігін анықтайтын бейнелеу ерекшеліктерін анықтау.BR.J. Офтальмол.102, 509–514 (2018 ж.).
Lauerman, JL және т.б.Жасқа байланысты макулярлы дегенерация кезінде көзді бақылау технологиясының OCT ангиографиясының кескін сапасына әсері.Мола арка.клиникалық.Exp.офтальмология.255, 1535–1542 (2017).
Babyuch AS және т.б.OCTA капиллярлық перфузияның тығыздығын өлшеу макулярлық ишемияны анықтау және бағалау үшін қолданылады.офтальмологиялық хирургия.Ретинальды лазерлік кескіндеу 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S., and Sun, J. Deep Recidual Learning for Image Recognition.2016 жылы компьютерлік көру және үлгіні тану бойынша IEEE конференциясында (2016).
Lauerman, JL және т.б.Терең оқыту алгоритмдерін пайдалана отырып, автоматтандырылған OCT ангиографиялық кескін сапасын бағалау.Мола арка.клиникалық.Exp.офтальмология.257, 1641–1648 (2019).
Lauermann, J. et al.ОКТ ангиографиясында сегменттеу қателерінің және қозғалыс артефакттарының таралуы көз торының ауруына байланысты.Мола арка.клиникалық.Exp.офтальмология.256, 1807–1816 (2018).
Паск, Адам және т.б.Pytorch: Императивті, жоғары өнімді терең білім беру кітапханасы.Нейрондық ақпаратты кеңейтілген өңдеу.жүйесі.32, 8026–8037 (2019 ж.).
Дэн, Дж. және т.б.ImageNet: Кескіндердің кең ауқымды иерархиялық дерекқоры.2009 IEEE компьютерлік көру және үлгіні тану конференциясы.248–255.(2009).
Крижевский A., Sutzkever I. және Hinton GE Imagenet классификациясы терең конволюциялық нейрондық желілерді пайдалана отырып.Нейрондық ақпаратты кеңейтілген өңдеу.жүйесі.25, 1 (2012).