Þakka þér fyrir að heimsækja Nature.com.Þú ert að nota vafraútgáfu með takmarkaðan CSS stuðning.Til að fá bestu upplifunina mælum við með því að þú notir uppfærðan vafra (eða slökkva á eindrægnistillingu í Internet Explorer).Að auki, til að tryggja áframhaldandi stuðning, sýnum við síðuna án stíla og JavaScript.
Rennistikur sem sýna þrjár greinar á hverri glæru.Notaðu til baka og næsta hnappa til að fara í gegnum glærurnar, eða rennibrautarhnappana í lokin til að fara í gegnum hverja glæru.
Optical coherence tomographic angiography (OCTA) er ný aðferð til að sýna ekki ífarandi sjónræna sjónæðar.Þrátt fyrir að OCTA hafi mörg efnileg klínísk forrit, er það enn áskorun að ákvarða myndgæði.Við þróuðum djúpt nám byggt kerfi með því að nota ResNet152 tauganetflokkarann ​​sem var forþjálfaður með ImageNet til að flokka yfirborðsmyndir af háræðsfléttu úr 347 skönnunum á 134 sjúklingum.Myndirnar voru einnig handvirkt metnar sem sannan sannleika af tveimur óháðum matsaðilum fyrir námslíkan undir eftirliti.Vegna þess að kröfur um myndgæði geta verið mismunandi eftir klínískum eða rannsóknarstillingum voru tvær gerðir þjálfaðar, önnur fyrir hágæða myndgreiningu og hin fyrir lággæða myndgreiningu.Taugakerfislíkanið okkar sýnir frábært svæði undir ferlinum (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), sem er marktækt betra en merkjastigið sem vélin greinir frá (AUC = 0,82, 95 % CI).0,77–0,86, \(\kappa\) = 0,52 og AUC = 0,78, 95% CI 0,73–0,83, \(\kappa\) = 0,27, í sömu röð).Rannsókn okkar sýnir að hægt er að nota vélanámsaðferðir til að þróa sveigjanlegar og öflugar gæðaeftirlitsaðferðir fyrir OCTA myndir.
Optical coherence tomographic angiography (OCTA) er tiltölulega ný tækni sem byggir á optical coherence tomoography (OCT) sem hægt er að nota til að sýna ekki ífarandi sjón á smáæðakerfi sjónhimnu.OCTA mælir muninn á endurskinsmynstri frá endurteknum ljóspúlsum á sama svæði sjónhimnunnar og síðan má reikna út endurbyggingar til að sýna æðar án ífarandi notkunar litarefna eða annarra skuggaefna.OCTA gerir einnig kleift að mynda æðar með dýptarupplausn, sem gerir læknum kleift að skoða sérstaklega yfirborðslög og djúp æðalög, sem hjálpar til við að greina á milli æðasjúkdóma.
Þó að þessi tækni sé efnileg, er breytileiki í myndgæðum áfram mikil áskorun fyrir áreiðanlega myndgreiningu, sem gerir myndtúlkun erfiða og kemur í veg fyrir útbreidda klíníska notkun.Vegna þess að OCTA notar margar OCT-skannanir í röð, er það næmari fyrir myndgripum en venjulegt OCT.Flestir OCTA vettvangar í atvinnuskyni bjóða upp á eigin myndgæðamælikvarða sem kallast Signal Strength (SS) eða stundum Signal Strength Index (SSI).Hins vegar, myndir með hátt SS- eða SSI-gildi ábyrgjast ekki að myndgripir séu ekki til staðar, sem geta haft áhrif á allar síðari myndgreiningar og leitt til rangra klínískra ákvarðana.Algengar myndgripir sem geta komið fram í OCTA myndgreiningu eru hreyfigripir, skiptingargripir, ógagnsæisgripir fjölmiðla og vörpun gripir1,2,3.
Þar sem mælikvarðar á vegum OCTA eins og æðaþéttleiki eru í auknum mæli notaðir við þýðingarrannsóknir, klínískar rannsóknir og klínískar framkvæmdir, er brýn þörf á að þróa öflugt og áreiðanlegt myndgæðaeftirlitsferli til að útrýma myndgripum4.Skiptengingar, einnig þekktar sem leifartengingar, eru vörpun í taugakerfisarkitektúr sem gera upplýsingum kleift að komast framhjá sveigjulögum á meðan upplýsingar eru geymdar á mismunandi mælikvarða eða upplausn5.Vegna þess að myndgripir geta haft áhrif á afköst myndar í litlum mæli og almennum stórum stíl, henta taugakerfi með slepptutengingu vel til að gera þetta gæðaeftirlitsverkefni sjálfvirkt5.Nýlega birt vinna hefur sýnt nokkur loforð um djúpt snúnings taugakerfi sem eru þjálfuð með því að nota hágæða gögn frá mannlegum matsmönnum6.
Í þessari rannsókn þjálfum við snúningstauganet sem sleppir tengingu til að ákvarða sjálfkrafa gæði OCTA mynda.Við byggjum á fyrri vinnu með því að þróa aðskilin líkön til að bera kennsl á hágæða myndir og myndir í lágum gæðum, þar sem kröfur um myndgæði geta verið mismunandi fyrir tilteknar klínískar eða rannsóknaraðstæður.Við berum saman niðurstöður þessara neta við snúningstauganet án þess að tengingar vanti til að meta gildi þess að hafa eiginleika á mörgum kornstigum innan djúpnáms.Við bárum síðan niðurstöður okkar saman við merkisstyrk, sem er almennt viðurkenndur mælikvarði á myndgæði frá framleiðendum.
Rannsóknin okkar náði til sjúklinga með sykursýki sem sóttu Yale Eye Center á milli 11. ágúst 2017 og 11. apríl 2019. Sjúklingar með hvers kyns æðasjúkdóma án sykursýki voru útilokaðir.Það voru engin skilyrði fyrir þátttöku eða útilokun byggð á aldri, kyni, kynþætti, myndgæðum eða öðrum þáttum.
OCTA myndir voru teknar með því að nota AngioPlex vettvang á Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, Kaliforníu) undir 8\(\times\)8 mm og 6\(\times\)6 mm myndareglum.Upplýst samþykki fyrir þátttöku í rannsókninni var fengið frá hverjum þátttakanda í rannsókninni og samþykkti Yale University Institutional Review Board (IRB) notkun upplýsts samþykkis með alþjóðlegri ljósmyndun fyrir alla þessa sjúklinga.Fylgt meginreglum Helsinki-yfirlýsingarinnar.Rannsóknin var samþykkt af Yale University IRB.
Yfirborðsplötumyndir voru metnar út frá áður lýstu Motion Artifact Score (MAS), áður lýstu Segmentation Artifact Score (SAS), foveal miðju, nærveru ógagnsæis miðils og góðri sjónrænni lítillar háræða eins og myndmatsmaðurinn ákvarðar.Myndirnar voru greindar af tveimur óháðum matsaðilum (RD og JW).Mynd hefur einkunnina 2 (hæfur) ef öll eftirfarandi skilyrði eru uppfyllt: mynd er miðuð við fovea (minna en 100 dílar frá miðju myndarinnar), MAS er 1 eða 2, SAS er 1, og ógagnsæi fjölmiðla er minna en 1. Til staðar á myndum af stærð / 16, og litlar háræðar sjást á myndum stærri en 15/16.Mynd fær einkunnina 0 (engin einkunn) ef eitthvað af eftirfarandi skilyrðum er uppfyllt: myndin er ekki í miðju, ef MAS er 4, ef SAS er 2, eða meðalógagnsæi er meira en 1/4 af myndinni, og litlu háræðunum er ekki hægt að stilla meira en 1 mynd /4 til að greina á milli.Allar aðrar myndir sem uppfylla ekki stigaskilyrðin 0 eða 2 fá einkunnina 1 (klippa).
Á mynd.1 sýnir sýnishorn af myndum fyrir hverja skalaða áætlun og myndgripi.Áreiðanleiki einstakra einkunna var metinn með kappavigtun Cohen8.Einstaklingseinkunn hvers og einstaks metanda er tekin saman til að fá heildareinkunn fyrir hverja mynd, á bilinu 0 til 4. Myndir með heildareinkunn 4 þykja góðar.Myndir með heildareinkunn 0 eða 1 teljast lítil gæði.
Snúningstauganet með ResNet152 arkitektúr (mynd 3A.i) sem var fyrirfram þjálfað á myndum úr ImageNet gagnagrunninum var búið til með fast.ai og PyTorch ramma5, 9, 10, 11. Snúningstauganet er net sem notar lærða síur til að skanna myndbrot til að rannsaka staðbundna og staðbundna eiginleika.Þjálfað ResNet okkar er 152 laga tauganet sem einkennist af eyðum eða „afgangstengingum“ sem senda samtímis upplýsingar með mörgum upplausnum.Með því að varpa upplýsingum í mismunandi upplausnum yfir netið getur pallurinn lært eiginleika lággæða mynda á mörgum smáatriðum.Til viðbótar við ResNet líkanið okkar þjálfuðum við einnig AlexNet, vel rannsakaðan taugakerfisarkitektúr, án þess að vanta tengingar til samanburðar (Mynd 3A.ii)12.Án þess að tengingar vanti mun þetta net ekki geta fanga eiginleika með meiri nákvæmni.
Upprunalega 8\(\times\)8mm OCTA13 myndasettið hefur verið endurbætt með láréttri og lóðréttri endurspeglun.Öllu gagnasafninu var síðan skipt af handahófi á myndstigi í þjálfun (51,2%), prófun (12,8%), fínstillingu (16%) og sannprófun (20%) gagnapakka með scikit-learn verkfærakistunni python14.Tvö tilvik voru tekin til greina, annað byggt á því að greina aðeins myndirnar í hæstu gæðum (heildareinkunn 4) og hitt byggðist á því að greina aðeins myndirnar í minnstu gæðum (heildareinkunn 0 eða 1).Fyrir hvert hágæða og lággæða notkunartilvik er tauganetið endurþjálfað einu sinni á myndgögnum okkar.Í hverju notkunartilviki var tauganetið þjálfað í 10 tímabil, öll þyngd nema hæsta laganna var fryst og þyngd allra innri breytu var lærð í 40 tímabil með því að nota mismunandi námshraðaaðferð með krossorkutapsfalli 15, 16..Cross entropy tap fallið er mælikvarði á logaritmískan mælikvarða á misræmi milli spáðra netmerkja og raunverulegra gagna.Meðan á þjálfun stendur er hallafall framkvæmt á innri breytum taugakerfisins til að lágmarka tap.Námshraði, brottfallshlutfall og þyngdarminnkun var stillt með Bayesískri fínstillingu með 2 handahófi upphafspunktum og 10 endurtekningum, og AUC á gagnasafninu var stillt með því að nota ofbreyturnar sem markmið upp á 17.
Dæmi um dæmi um 8 × 8 mm OCTA myndir af yfirborðsháræðafléttum fengu 2 (A, B), 1 (C, D) og 0 (E, F).Myndargripir sem sýndir eru eru flöktandi línur (örvar), skiptingargripir (stjörnur) og ógagnsæi fjölmiðla (örvar).Mynd (E) er líka utan miðju.
Rekstrareiginleikar móttakara (ROC) ferlar eru síðan búnir til fyrir öll taugakerfislíkön og skýrslur um styrkleika hreyfils eru búnar til fyrir hvert lággæða og hágæða notkunartilvik.Flatarmál undir ferlinum (AUC) var reiknað með pROC R pakkanum og 95% öryggisbil og p-gildi voru reiknuð með DeLong aðferðinni18,19.Uppsöfnuð stig mannlegs matsmanna eru notuð sem grunnlína fyrir alla ROC útreikninga.Fyrir merkisstyrkinn sem vélin greindi frá var AUC reiknað tvisvar: einu sinni fyrir hágæða stigstærðarskorun og einu sinni fyrir lággæða stigstærðarskor.Tauganetið er borið saman við AUC merkjastyrkinn sem endurspeglar eigin þjálfunar- og matsaðstæður.
Til að prófa þjálfaða djúpnámslíkanið frekar á sérstöku gagnasafni, voru hágæða og lággæða líkön notuð beint til að meta frammistöðu á 32 6\(\x sinnum\) 6mm yfirborðsplötumyndum í fullri lengd sem safnað var frá Yale háskólanum.Augnmassi er fyrir miðju á sama tíma og myndin 8 \(\ sinnum \) 8 mm.6\(\×\) 6 mm myndirnar voru metnar handvirkt af sömu meturum (RD og JW) á sama hátt og 8\(\×\) 8 mm myndirnar, AUC var reiknað auk nákvæmni og Cohen's kappa .jafnt.
Ójafnvægishlutfall flokka er 158:189 (\(\rho = 1.19\)) fyrir lággæða líkanið og 80:267 (\(\rho = 3.3\)) fyrir hágæða líkanið.Vegna þess að flokkaójafnvægishlutfallið er minna en 1:4, hafa engar sérstakar byggingarbreytingar verið gerðar til að leiðrétta flokkaójafnvægi20,21.
Til að sjá betur námsferlið voru virkjunarkort í bekknum búin til fyrir öll fjögur þjálfuðu djúpnámslíkönin: hágæða ResNet152 líkan, lággæða ResNet152 líkan, hágæða AlexNet líkan og lággæða AlexNet líkan.Klassavirkjunarkort eru mynduð úr inntakssveiflulögum þessara fjögurra líkana og hitakort eru mynduð með því að leggja virkjunarkort yfir með upprunamyndum úr 8 × 8 mm og 6 × 6 mm löggildingarsettunum22, 23.
R útgáfa 4.0.3 var notuð fyrir alla tölfræðilega útreikninga og sjónmyndir voru búnar til með því að nota ggplot2 grafíkverkfærasafnið.
Við söfnuðum 347 framhliðum myndum af yfirborðsháræðafléttunni sem mældist 8 \(\x 8 mm) frá 134 einstaklingum.Vélin tilkynnti merkisstyrk á kvarðanum 0 til 10 fyrir allar myndir (meðaltal = 6,99 ± 2,29).Af 347 myndum sem teknar voru var meðalaldur við skoðun 58,7 ± 14,6 ár og 39,2% voru frá karlkyns sjúklingum.Af öllum myndum voru 30,8% frá Kákasíumönnum, 32,6% frá svertingjum, 30,8% frá Rómönsku, 4% frá Asíubúum og 1,7% frá öðrum kynþáttum (tafla 1).).Aldursdreifing sjúklinga með OCTA var marktæk mismunandi eftir gæðum myndarinnar (p < 0,001).Hlutfall hágæða mynda hjá yngri sjúklingum á aldrinum 18-45 ára var 33,8% samanborið við 12,2% lággæða mynda (tafla 1).Dreifing á stöðu sjónhimnukvilla sykursýki var einnig marktæk breytileg í myndgæðum (p < 0,017).Meðal allra hágæða mynda var hlutfall sjúklinga með PDR 18,8% samanborið við 38,8% allra lággæða mynda (tafla 1).
Einstaklingseinkunnir allra mynda sýndu miðlungs til sterkan áreiðanleika milli einkunna milli fólks sem las myndirnar (vegin kappa Cohens = 0,79, 95% CI: 0,76-0,82), og það voru engir myndpunktar þar sem munur á meturum var meira en 1 (mynd. 2A)..Merkjastyrkur hafði marktæka fylgni við handvirka stigagjöf (Pearson vörustundafylgni = 0,58, 95% CI 0,51–0,65, p<0,001), en margar myndir voru auðkenndar með háan merkjastyrk en lágt handvirkt stig (Mynd .2B).
Meðan á þjálfun ResNet152 og AlexNet arkitektúranna stendur, fellur krossorkuleysið við staðfestingu og þjálfun yfir 50 tímabil (Mynd 3B,C).Staðfestingarnákvæmni á lokaþjálfunartímabilinu er yfir 90% fyrir bæði hágæða og lággæða notkunartilvik.
Frammistöðuferlar móttakara sýna að ResNet152 líkanið er marktækt betri en merkjaaflið sem vélin greinir frá í bæði lág- og hágæða notkunartilvikum (p < 0,001).ResNet152 líkanið er einnig verulega betri en AlexNet arkitektúrinn (p = 0,005 og p = 0,014 fyrir lággæða og hágæða tilvik, í sömu röð).Líkönin sem fengust fyrir hvert þessara verkefna gátu náð AUC gildi upp á 0,99 og 0,97, í sömu röð, sem er marktækt betra en samsvarandi AUC gildi upp á 0,82 og 0,78 fyrir vélmerkisstyrkstuðul eða 0,97 og 0,94 fyrir AlexNet ..(Mynd 3).Munurinn á ResNet og AUC í merkisstyrk er meiri þegar hágæða myndir eru greind, sem gefur til kynna frekari ávinning af því að nota ResNet fyrir þetta verkefni.
Línuritin sýna getu hvers óháðs matsaðila til að skora og bera saman við merkistyrkinn sem vélin greinir frá.(A) Summa stiganna sem á að meta er notuð til að búa til heildarfjölda stiga sem á að meta.Myndum með stigstærðinni 4 í heild er úthlutað hágæða, en myndir með heildar stigstærðareinkunnina 1 eða minna fá lág gæði.(B) Merkjastyrkur er í samræmi við handvirkt mat, en myndir með háum merkisstyrk geta verið af lakari gæðum.Rauða punktalínan gefur til kynna gæðaþröskuld framleiðanda sem mælt er með á grundvelli merkisstyrks (merkjastyrkur \(\ge\)6).
ResNet flutningsnám veitir umtalsverða framför í auðkenningu myndgæða fyrir bæði lággæða og hágæða notkunartilvik samanborið við vélatilkynnt merkjastig.(A) Einfölduð arkitektúr skýringarmyndir af fyrirfram þjálfuðum (i) ResNet152 og (ii) AlexNet arkitektúr.(B) Þjálfunarferill og frammistöðuferlar móttakara fyrir ResNet152 samanborið við tilkynntan merkjastyrk vélarinnar og AlexNet lággæðaviðmið.(C) ResNet152 móttakara þjálfunarferill og frammistöðuferlar samanborið við tilkynntan merkistyrk og AlexNet hágæðaviðmið.
Eftir að hafa stillt mörk ákvörðunarmarka er hámarksspánákvæmni ResNet152 líkansins 95,3% fyrir lággæðatilvikið og 93,5% fyrir hágæðatilvikið (tafla 2).Hámarksspánákvæmni AlexNet líkansins er 91,0% fyrir lággæða tilfelli og 90,1% fyrir hágæða tilvik (tafla 2).Hámarksnákvæmni fyrir spá um merkistyrk er 76,1% fyrir lággæða notkunartilvik og 77,8% fyrir hágæða notkunartilvik.Samkvæmt Cohen's kappa (\(\kappa\)), er samkomulagið á milli ResNet152 líkansins og áætlana 0,90 fyrir lággæða tilvikið og 0,81 fyrir hágæða tilvikið.AlexNet kappa frá Cohen er 0,82 og 0,71 fyrir lággæða og hágæða notkunartilvik, í sömu röð.Merkisstyrkur kappa Cohen er 0,52 og 0,27 fyrir lág og hágæða notkunartilvik, í sömu röð.
Staðfesting á hágæða og lággæða auðkenningarlíkönum á 6\(\x\) myndum af 6 mm flatri plötu sýnir hæfileika þjálfaðs líkans til að ákvarða myndgæði yfir mismunandi myndbreytur.Þegar notaðar voru 6\(\x\) 6 mm grunnar plötur fyrir myndgæði var lággæðalíkanið með AUC 0,83 (95% CI: 0,69–0,98) og hágæðalíkanið með AUC 0,85.(95% CI: 0,55–1,00) (tafla 2).
Sjónræn skoðun á inntakslagsflokkavirkjunarkortum sýndi að öll þjálfuð taugakerfi notuðu myndeiginleika við myndflokkun (mynd 4A, B).Fyrir 8 \(\ sinnum \) 8 mm og 6 \(\ sinnum \) 6 mm myndir, fylgja ResNet virkjunarmyndirnar náið eftir æðum sjónhimnu.AlexNet virkjunarkort fylgja einnig sjónhimnuæðum, en með grófari upplausn.
Klassavirkjunarkortin fyrir ResNet152 og AlexNet módelin undirstrika eiginleika sem tengjast myndgæðum.(A) Klassavirkjunarkort sem sýnir samhangandi virkjun eftir yfirborðsleg æðakerfi í sjónhimnu á 8 \(\ sinnum \) 8 mm staðfestingarmyndum og (B) umfang á minni 6 \(\ sinnum \) 6 mm staðfestingarmyndum.LQ líkan þjálfað á lágum gæðaviðmiðum, HQ líkan þjálfað á hágæða viðmiðum.
Áður hefur verið sýnt fram á að myndgæði geta haft mikil áhrif á hvaða magngreiningu sem er á OCTA myndum.Auk þess eykur nærvera sjónhimnukvilla tíðni myndgripa7,26.Reyndar fundum við í gögnum okkar, í samræmi við fyrri rannsóknir, marktæk tengsl milli hækkandi aldurs og alvarleika sjónhimnusjúkdóms og versnandi myndgæða (p < 0,001, p = 0,017 fyrir aldur og DR stöðu, í sömu röð; tafla 1) 27 Þess vegna er mikilvægt að meta myndgæði áður en gerð er magngreining á OCTA myndum.Flestar rannsóknir sem greina OCTA myndir nota vélartilkynnt merki styrkleikaþröskulda til að útiloka lággæða myndir.Þrátt fyrir að sýnt hafi verið fram á að merkistyrkur hafi áhrif á magngreiningu á OCTA breytum, gæti mikill merkistyrkur einn og sér ekki verið nægjanlegur til að útiloka myndir með myndgervi2,3,28,29.Þess vegna er nauðsynlegt að þróa áreiðanlegri aðferð við myndgæðastýringu.Í þessu skyni metum við frammistöðu djúpnámsaðferða undir eftirliti miðað við merkistyrkinn sem vélin greinir frá.
Við höfum þróað nokkrar gerðir til að meta myndgæði vegna þess að mismunandi OCTA notkunartilvik geta haft mismunandi kröfur um myndgæði.Til dæmis ættu myndir að vera í meiri gæðum.Að auki eru sérstakar megindlegar breytur af áhuga einnig mikilvægar.Til dæmis veltur flatarmál æðakerfisins ekki á gruggi miðilsins sem er ekki miðlægur, en hefur áhrif á þéttleika skipanna.Þó að rannsóknir okkar haldi áfram að einbeita sér að almennri nálgun á myndgæði, ekki bundin við kröfur einhvers ákveðins prófs, heldur ætlað að koma beint í stað merkistyrksins sem vélin greinir frá, vonumst við til að veita notendum meiri stjórn þannig að þeir getur valið tiltekna mælikvarða sem vekur áhuga notandans.veldu líkan sem samsvarar hámarksstigi myndgripa sem teljast viðunandi.
Fyrir lággæða og hágæða senur sýnum við framúrskarandi frammistöðu djúpsnúningstauganeta sem vantar tengingar, með AUC upp á 0,97 og 0,99 og lággæða módel, í sömu röð.Við sýnum einnig yfirburða frammistöðu djúpnámsaðferðar okkar samanborið við merkjastig sem aðeins er tilkynnt af vélum.Skiptatengingar gera tauganetum kleift að læra eiginleika á mörgum smáatriðum, fanga fínni hliðar mynda (td birtuskil) sem og almenna eiginleika (td myndmiðju30,31).Þar sem myndgripir sem hafa áhrif á myndgæði eru líklega best auðkenndir á breitt svið, geta taugakerfisarkitektúrar með vantar tengingar sýnt betri frammistöðu en þeir sem eru án myndgæðaákvörðunarverkefna.
Þegar líkanið okkar var prófað á 6\(\×6mm) OCTA myndum tókum við eftir lækkun á flokkunarframmistöðu fyrir bæði hágæða og lággæða módel (mynd 2), öfugt við stærð líkansins sem er þjálfuð fyrir flokkun.Í samanburði við ResNet líkanið hefur AlexNet líkanið stærra fall.Tiltölulega betri árangur ResNet gæti stafað af getu leifartenginganna til að senda upplýsingar á mörgum mælikvarða, sem gerir líkanið öflugra til að flokka myndir sem teknar eru í mismunandi mælikvarða og/eða stækkunum.
Einhver munur á 8 \(\×\) 8 mm myndum og 6 \(\×\) 6 mm myndum getur leitt til lélegrar flokkunar, þar á meðal tiltölulega hátt hlutfall mynda sem innihalda fofeal vascular svæði, breytingar á sýnileika, æðaspilum og engin sjóntaug á myndinni 6×6 mm.Þrátt fyrir þetta tókst hágæða ResNet líkaninu okkar að ná AUC upp á 85% fyrir 6 \(\x\) 6 mm myndir, uppsetningu sem líkanið var ekki þjálfað fyrir, sem bendir til þess að upplýsingar um myndgæði séu umritaðar í taugakerfi. hentar.fyrir eina myndastærð eða vélaruppsetningu utan þjálfunar hennar (tafla 2).Það er öruggt að ResNet- og AlexNet-lík virkjunarkort með 8 \(\times \) 8 mm og 6 \(\times \) 6 mm myndum gátu bent á sjónhimnuæðar í báðum tilvikum, sem bendir til þess að líkanið hafi mikilvægar upplýsingar.eiga við til að flokka báðar tegundir OCTA mynda (mynd 4).
Lauerman o.fl.Myndgæðamat á OCTA myndum var á svipaðan hátt framkvæmt með því að nota Inception arkitektúr, annað sleppt tengingar snúnings taugakerfi6,32 með djúpnámsaðferðum.Þeir takmörkuðu rannsóknina einnig við myndir af yfirborðsháræðafléttunni, en notuðu aðeins smærri 3×3 mm myndirnar frá Optovue AngioVue, þó að sjúklingar með ýmsa æðasjúkdóma hafi einnig verið teknir með.Vinna okkar byggir á grunni þeirra, þar á meðal margar gerðir til að mæta ýmsum myndgæðaþröskuldum og sannprófa niðurstöður fyrir myndir af mismunandi stærðum.Við greinum einnig frá AUC mæligildi vélanámslíkana og aukum þegar glæsilega nákvæmni þeirra (90%)6 fyrir bæði lággæða (96%) og hágæða (95,7%) gerðir6.
Þessi þjálfun hefur nokkrar takmarkanir.Í fyrsta lagi voru myndirnar teknar með aðeins einni OCTA vél, þar á meðal aðeins myndir af yfirborðsháræðafléttunni við 8\(\x)8 mm og 6\(\x\)6 mm.Ástæðan fyrir því að myndir eru útilokaðar frá dýpri lögum er sú að vörpun gripir geta gert handvirkt mat á myndum erfiðara og hugsanlega minna samræmi.Ennfremur hafa myndir aðeins náðst hjá sykursýkissjúklingum, sem OCTA er að koma fram sem mikilvægt greiningar- og forspártæki fyrir33,34.Þrátt fyrir að við gátum prófað líkanið okkar á myndum af mismunandi stærðum til að tryggja að niðurstöðurnar væru traustar, gátum við ekki fundið viðeigandi gagnapakka frá mismunandi miðstöðvum, sem takmarkaði mat okkar á alhæfni líkansins.Þó að myndirnar hafi aðeins verið fengnar frá einni miðstöð, voru þær fengnar frá sjúklingum af mismunandi þjóðerni og kynþáttum, sem er einstakur styrkur rannsóknarinnar okkar.Með því að taka fjölbreytileika inn í þjálfunarferli okkar vonum við að niðurstöður okkar verði alhæfðar í víðari skilningi og að við munum forðast að kóða kynþáttafordóma í módelunum sem við þjálfum.
Rannsókn okkar sýnir að hægt er að þjálfa taugakerfi sem sleppa tengingu til að ná háum árangri við að ákvarða OCTA myndgæði.Við útvegum þessi líkön sem tæki til frekari rannsókna.Vegna þess að mismunandi mælikvarðar geta haft mismunandi kröfur um myndgæði, er hægt að þróa einstakt gæðaeftirlitslíkan fyrir hverja mælingu með því að nota uppbygginguna sem hér er komið á.
Framtíðarrannsóknir ættu að fela í sér myndir af mismunandi stærðum frá mismunandi dýpi og mismunandi OCTA vélum til að fá djúpt nám í myndgæðismatsferli sem hægt er að alhæfa yfir á OCTA vettvang og myndgreiningarreglur.Núverandi rannsóknir byggja einnig á djúpnámsaðferðum undir eftirliti sem krefjast mannlegs mats og myndmats, sem getur verið vinnufrek og tímafrekt fyrir stór gagnasöfn.Það á eftir að koma í ljós hvort djúpnámsaðferðir án eftirlits geti gert nægilega greinarmun á lággæðamyndum og hágæðamyndum.
Eftir því sem OCTA tæknin heldur áfram að þróast og skönnunarhraði eykst, getur tíðni myndgripa og lélegra mynda minnkað.Endurbætur á hugbúnaðinum, eins og nýlega kynntur eiginleiki til að fjarlægja vörpun gripa, geta einnig dregið úr þessum takmörkunum.Hins vegar eru mörg vandamál enn þar sem myndataka af sjúklingum með lélega festingu eða verulega grugg í miðlinum leiðir undantekningarlaust til myndgervinga.Eftir því sem OCTA verður meira notað í klínískum rannsóknum þarf að íhuga vandlega til að koma á skýrum leiðbeiningum um ásættanlegt magn myndgripa fyrir myndgreiningu.Notkun djúpnámsaðferða á OCTA myndir lofar góðu og frekari rannsókna er þörf á þessu sviði til að þróa öfluga nálgun við myndgæðastýringu.
Kóðinn sem notaður er í núverandi rannsókn er fáanlegur í octa-qc geymslunni, https://github.com/rahuldhodapkar/octa-qc.Gagnasöfn sem myndast og/eða greind meðan á yfirstandandi rannsókn stendur eru fáanleg hjá viðkomandi höfundum gegn sanngjörnu beiðni.
Spaide, RF, Fujimoto, JG & Waheed, NK Myndargripir í sjónsamhengi æðamyndatöku.Retina 35, 2163–2180 (2015).
Fenner, BJ o.fl.Greining á myndgreiningareiginleikum sem ákvarða gæði og endurgerðanleika þéttleikamælinga á háræðafléttu í sjónhimnu í OCT æðamyndatöku.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL o.fl.Áhrif augnmælingartækni á myndgæði OCT æðamyndatöku í aldurstengdri macular hrörnun.Grafarbogi.klínískt.Exp.augnlækningum.255, 1535–1542 (2017).
Babyuch AS o.fl.OCTA háræð gegnflæðisþéttleikamælingar eru notaðar til að greina og meta blóðþurrð í auga.augnskurðaðgerð.Retinal Laser Imaging 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. og Sun, J. Deep Residual Learning for Image Recognition.Árið 2016 á IEEE ráðstefnunni um tölvusjón og mynsturþekkingu (2016).
Lauerman, JL o.fl.Sjálfvirkt OCT angiógrafískt myndgæðamat með djúpnámi reikniritum.Grafarbogi.klínískt.Exp.augnlækningum.257, 1641–1648 (2019).
Lauermann, J. o.fl.Algengi skekkjuvillna og hreyfiatriða í OCT æðamyndatöku fer eftir sjúkdómnum í sjónhimnu.Grafarbogi.klínískt.Exp.augnlækningum.256, 1807–1816 (2018).
Pask, Adam o.fl.Pytorch: Mikilvægt, afkastamikið djúpnámsbókasafn.Ítarleg vinnsla taugaupplýsinga.kerfi.32, 8026–8037 (2019).
Deng, J. o.fl.ImageNet: Stór-skala stigveldismyndagagnagrunnur.2009 IEEE ráðstefna um tölvusjón og mynsturþekkingu.248–255.(2009).
Krizhevsky A., Sutzkever I. og Hinton GE Imagenet flokkun með djúpum snúnings tauganetum.Ítarleg vinnsla taugaupplýsinga.kerfi.25, 1 (2012).