Nature.com'u ziyaret ettiğiniz için teşekkür ederiz.Sınırlı CSS desteğine sahip bir tarayıcı sürümü kullanıyorsunuz.En iyi deneyim için güncellenmiş bir tarayıcı kullanmanızı (veya Internet Explorer'da Uyumluluk Modunu devre dışı bırakmanızı) öneririz.Ayrıca desteğin sürekliliğini sağlamak için siteyi stiller ve JavaScript olmadan gösteriyoruz.
Slayt başına üç makale gösteren kaydırıcılar.Slaytlar arasında ilerlemek için geri ve ileri düğmelerini veya her slaytta ilerlemek için sondaki slayt denetleyici düğmelerini kullanın.
Optik koherens tomografik anjiyografi (OCTA), retina damarlarının invazif olmayan bir şekilde görüntülenmesi için yeni bir yöntemdir.OCTA'nın gelecek vaat eden pek çok klinik uygulaması olmasına rağmen görüntü kalitesinin belirlenmesi hala bir zorluktur.134 hastanın 347 taramasından elde edilen yüzeysel kılcal damar pleksus görüntülerini sınıflandırmak için ImageNet ile önceden eğitilmiş ResNet152 sinir ağı sınıflandırıcısını kullanarak derin öğrenmeye dayalı bir sistem geliştirdik.Görüntüler ayrıca denetimli bir öğrenme modeli için iki bağımsız değerlendirici tarafından gerçek doğruluk açısından manuel olarak değerlendirildi.Görüntü kalitesi gereksinimleri klinik veya araştırma ortamlarına bağlı olarak değişebileceğinden, biri yüksek kaliteli görüntü tanıma ve diğeri düşük kaliteli görüntü tanıma için olmak üzere iki model eğitildi.Sinir ağı modelimiz mükemmel bir eğri altında alan (AUC), %95 CI 0,96-0,99, \(\kappa\) = 0,81) göstermektedir; bu, makinenin rapor ettiği sinyal seviyesinden (AUC = 0,82, 95) önemli ölçüde daha iyidir. % GA).0,77–0,86, \(\kappa\) = 0,52 ve AUC = 0,78, %95 GA 0,73–0,83, \(\kappa\) = 0,27).Çalışmamız, OCTA görüntüleri için esnek ve sağlam kalite kontrol yöntemleri geliştirmek için makine öğrenme yöntemlerinin kullanılabileceğini göstermektedir.
Optik koherens tomografik anjiyografi (OCTA), retina mikro damar sisteminin invazif olmayan bir şekilde görüntülenmesi için kullanılabilen, optik koherens tomografiye (OCT) dayanan nispeten yeni bir tekniktir.OCTA, retinanın aynı bölgesinde tekrarlanan ışık darbelerinden yansıma desenlerindeki farkı ölçer ve daha sonra yeniden yapılanmalar, boyaların veya diğer kontrast maddelerinin istilacı kullanımı olmadan kan damarlarını ortaya çıkarmak için hesaplanabilir.OCTA ayrıca derinlik çözünürlüklü vasküler görüntülemeye olanak tanıyarak klinisyenlerin yüzeysel ve derin damar katmanlarını ayrı ayrı incelemesine olanak tanıyarak koryoretinal hastalık arasında ayrım yapılmasına yardımcı olur.
Bu teknik umut verici olsa da, görüntü kalitesindeki değişkenlik, güvenilir görüntü analizi için büyük bir zorluk olmayı sürdürüyor; bu da görüntünün yorumlanmasını zorlaştırıyor ve yaygın klinik benimsenmeyi engelliyor.OCTA birden fazla ardışık OCT taraması kullandığından görüntü artefaktlarına karşı standart OCT'ye göre daha duyarlıdır.Çoğu ticari OCTA platformu, Sinyal Gücü (SS) veya bazen Sinyal Gücü Endeksi (SSI) adı verilen kendi görüntü kalitesi ölçümlerini sağlar.Ancak yüksek SS veya SSI değerine sahip görüntüler, sonraki görüntü analizlerini etkileyebilecek ve yanlış klinik kararlara yol açabilecek görüntü artefaktlarının bulunmadığını garanti etmez.OCTA görüntülemede meydana gelebilecek yaygın görüntü yapaylıkları arasında hareket yapaylıkları, segmentasyon yapaylıkları, medya opaklık yapaylıkları ve projeksiyon yapaylıkları1,2,3 yer alır.
Vasküler yoğunluk gibi OCTA'dan türetilmiş ölçümler çeviri araştırmalarında, klinik denemelerde ve klinik uygulamalarda giderek daha fazla kullanıldıkça, görüntü yapaylıklarını ortadan kaldırmak için sağlam ve güvenilir görüntü kalitesi kontrol süreçlerinin geliştirilmesine acil bir ihtiyaç vardır4.Artık bağlantılar olarak da bilinen atlama bağlantıları, bilgiyi farklı ölçeklerde veya çözünürlüklerde depolarken bilginin evrişimli katmanları atlamasına izin veren sinir ağı mimarisindeki projeksiyonlardır5.Görüntü yapaylıkları küçük ölçekli ve genel büyük ölçekli görüntü performansını etkileyebileceğinden, atlamalı bağlantı sinir ağları bu kalite kontrol görevini otomatikleştirmek için çok uygundur5.Yakın zamanda yayınlanan çalışmalar, insan tahmincilerden6 alınan yüksek kaliteli veriler kullanılarak eğitilen derin evrişimli sinir ağları için bazı umutlar vaat ediyor.
Bu çalışmada, OCTA görüntülerinin kalitesini otomatik olarak belirlemek için bağlantı atlayan evrişimli bir sinir ağını eğitiyoruz.Görüntü kalitesi gereksinimleri belirli klinik veya araştırma senaryolarına göre farklılık gösterebileceğinden, yüksek kaliteli görüntüleri ve düşük kaliteli görüntüleri tanımlamak için ayrı modeller geliştirerek önceki çalışmalarımızı temel alıyoruz.Derin öğrenmeye birden fazla ayrıntı düzeyi düzeyindeki özellikleri dahil etmenin değerini değerlendirmek için bu ağların sonuçlarını, eksik bağlantıları olmayan evrişimli sinir ağlarıyla karşılaştırıyoruz.Daha sonra sonuçlarımızı, üreticiler tarafından sağlanan görüntü kalitesinin yaygın olarak kabul edilen bir ölçüsü olan sinyal gücüyle karşılaştırdık.
Çalışmamıza 11 Ağustos 2017 ile 11 Nisan 2019 tarihleri ​​arasında Yale Göz Merkezine başvuran diyabetli hastalar dahil edildi. Diyabetik olmayan koryoretinal hastalığı olan hastalar çalışma dışı bırakıldı.Yaş, cinsiyet, ırk, görüntü kalitesi veya başka herhangi bir faktöre dayalı hiçbir dahil etme veya hariç tutma kriteri yoktu.
OCTA görüntüleri, 8\(\times\)8 mm ve 6\(\times\)6 mm görüntüleme protokolleri altında bir Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) üzerinde AngioPlex platformu kullanılarak elde edildi.Çalışmaya katılım için her çalışma katılımcısından bilgilendirilmiş onam alındı ​​ve Yale Üniversitesi Kurumsal İnceleme Kurulu (IRB), tüm bu hastalar için küresel fotoğrafla birlikte bilgilendirilmiş onam kullanımını onayladı.Helsinki Bildirgesi ilkelerini takip etmek.Çalışma Yale Üniversitesi IRB tarafından onaylandı.
Yüzey plakası görüntüleri, daha önce açıklanan Hareket Artifakt Skoru (MAS), daha önce tarif edilen Segmentasyon Artifakt Skoru (SAS), fovea merkezi, medya opaklığının varlığı ve görüntü değerlendiricisi tarafından belirlenen küçük kılcal damarların iyi görselleştirilmesine dayalı olarak değerlendirildi.Görüntüler iki bağımsız değerlendirici (RD ve JW) tarafından analiz edildi.Aşağıdaki kriterlerin tümü karşılanırsa bir görüntünün dereceli puanı 2'dir (uygun): görüntü foveada ortalanmıştır (görüntünün merkezinden 100 pikselden az), MAS 1 veya 2'dir, SAS 1'dir ve medya opaklığı 1'den azdır. / 16 boyutunda görüntülerde bulunur ve 15/16'dan büyük görüntülerde küçük kılcal damarlar görülür.Aşağıdaki kriterlerden herhangi biri karşılanırsa görüntü 0 olarak derecelendirilir (derecelendirme yok): görüntü merkezden uzaktaysa, MAS 4 ise, SAS 2 ise veya ortalama opaklık görüntünün 1/4'ünden büyükse ve küçük kılcal damarları ayırt etmek için 1 görüntü /4'ten fazla ayarlanamaz.0 veya 2 puanlama kriterlerini karşılamayan diğer tüm görüntüler 1 (kırpma) olarak puanlanır.
Şek.Şekil 1, ölçeklendirilmiş tahminlerin ve görüntü yapaylıklarının her biri için örnek görüntüleri göstermektedir.Bireysel puanların değerlendiriciler arası güvenilirliği Cohen'in kappa ağırlıklandırması8 ile değerlendirildi.Her değerlendiricinin bireysel puanları toplanır ve her görüntü için 0 ile 4 arasında değişen genel bir puan elde edilir. Toplam puanı 4 olan görüntüler iyi olarak kabul edilir.Toplam puanı 0 veya 1 olan görseller düşük kaliteli olarak kabul edilir.
ImageNet veritabanındaki görüntüler üzerinde önceden eğitilmiş bir ResNet152 mimarili evrişimli sinir ağı (Şekil 3A.i), fast.ai ve PyTorch çerçevesi5, 9, 10, 11 kullanılarak oluşturulmuştur. Evrişimli bir sinir ağı, öğrenilenleri kullanan bir ağdır. Uzamsal ve yerel özellikleri incelemek için görüntü parçalarını taramaya yönelik filtreler.Eğitimli ResNet'imiz, eşzamanlı olarak birden fazla çözünürlükte bilgi ileten boşluklar veya "artık bağlantılar" ile karakterize edilen 152 katmanlı bir sinir ağıdır.Platform, bilgileri ağ üzerinden farklı çözünürlüklerde yansıtarak, düşük kaliteli görüntülerin özelliklerini birden fazla ayrıntı düzeyinde öğrenebilir.ResNet modelimize ek olarak, karşılaştırma amacıyla bağlantıları kaçırmadan, iyi çalışılmış bir sinir ağı mimarisi olan AlexNet'i de eğittik (Şekil 3A.ii)12.Eksik bağlantılar olmadan bu ağ, daha yüksek ayrıntı düzeyindeki özellikleri yakalayamayacak.
Orijinal 8\(\times\)8mm OCTA13 görüntü seti, yatay ve dikey yansıma teknikleri kullanılarak geliştirildi.Daha sonra tüm veri seti, scikit-learn araç kutusu python14 kullanılarak görüntü seviyesinde rastgele eğitim (%51,2), test (%12,8), hiperparametre ayarlama (%16) ve doğrulama (%20) veri setlerine bölündü.Biri yalnızca en yüksek kaliteli görüntülerin tespitine (genel puan 4) ve diğeri yalnızca en düşük kaliteli görüntülerin tespitine (genel puan 0 veya 1) dayanan iki durum dikkate alındı.Her yüksek kaliteli ve düşük kaliteli kullanım durumu için sinir ağı, görüntü verilerimizde bir kez yeniden eğitilir.Her kullanım durumunda, sinir ağı 10 dönem boyunca eğitildi, en yüksek katman ağırlıkları hariç tümü donduruldu ve tüm iç parametrelerin ağırlıkları, çapraz entropi kaybı fonksiyonuna sahip bir ayırt edici öğrenme oranı yöntemi kullanılarak 40 dönem boyunca öğrenildi 15, 16..Çapraz entropi kaybı işlevi, tahmin edilen ağ etiketleri ile gerçek veriler arasındaki tutarsızlığın logaritmik ölçeğinin bir ölçüsüdür.Eğitim sırasında, kayıpları en aza indirmek için sinir ağının iç parametreleri üzerinde gradyan iniş işlemi gerçekleştirilir.Öğrenme oranı, bırakma oranı ve ağırlık azaltma hiperparametreleri, 2 rastgele başlangıç ​​noktası ve 10 yinelemeyle Bayesian optimizasyonu kullanılarak ayarlandı ve veri kümesindeki AUC, hiperparametreler kullanılarak 17 hedefi olarak ayarlandı.
Yüzeysel kılcal pleksusların 8 x 8 mm OCTA görüntülerinin temsili örnekleri 2 (A, B), 1 (C, D) ve 0 (E, F) puan aldı.Gösterilen görüntü yapaylıkları arasında titreyen çizgiler (oklar), segmentasyon yapaylıkları (yıldız işaretleri) ve ortam opaklığı (oklar) yer alır.Görüntü (E) de merkezin dışındadır.
Daha sonra tüm sinir ağı modelleri için alıcı çalışma özellikleri (ROC) eğrileri oluşturulur ve her düşük kaliteli ve yüksek kaliteli kullanım durumu için motor sinyal gücü raporları oluşturulur.Eğri altındaki alan (AUC), pROC R paketi kullanılarak hesaplandı ve %95 güven aralıkları ve p değerleri, DeLong yöntemi18,19 kullanılarak hesaplandı.İnsan değerlendiricilerin kümülatif puanları tüm ROC hesaplamaları için temel olarak kullanılır.Makine tarafından rapor edilen sinyal gücü için AUC iki kez hesaplandı: bir kez yüksek kaliteli Ölçeklenebilirlik Puanı kesme noktası için ve bir kez de düşük kaliteli Ölçeklenebilirlik Puanı kesme noktası için.Sinir ağı, kendi eğitim ve değerlendirme koşullarını yansıtan AUC sinyal gücüyle karşılaştırılır.
Eğitilmiş derin öğrenme modelini ayrı bir veri kümesi üzerinde daha ileri düzeyde test etmek için, Yale Üniversitesi'nden toplanan 32 adet tam yüz 6\(\times\) 6mm yüzey levha görüntüsünün performans değerlendirmesine yüksek kaliteli ve düşük kaliteli modeller doğrudan uygulandı.Göz Kütlesi görüntüyle aynı anda 8 \(\times \) 8 mm ortalanır.6\(\×\) 6 mm görüntüler aynı değerlendiriciler (RD ve JW) tarafından 8\(\×\) 8 mm görüntülerle aynı şekilde manuel olarak değerlendirildi, doğruluk ve Cohen kappa'nın yanı sıra AUC de hesaplandı. .eşit olarak.
Sınıf dengesizliği oranı, düşük kaliteli model için 158:189 (\(\rho = 1,19\)) ve yüksek kaliteli model için 80:267 (\(\rho = 3,3\))'dir.Sınıf dengesizliği oranı 1:4'ten az olduğundan sınıf dengesizliğini düzeltmek için herhangi bir özel mimari değişiklik yapılmamıştır20,21.
Öğrenme sürecini daha iyi görselleştirmek için eğitilmiş dört derin öğrenme modelinin tümü için sınıf etkinleştirme haritaları oluşturuldu: yüksek kaliteli ResNet152 modeli, düşük kaliteli ResNet152 modeli, yüksek kaliteli AlexNet modeli ve düşük kaliteli AlexNet modeli.Sınıf aktivasyon haritaları, bu dört modelin giriş konvolüsyonel katmanlarından üretilir ve ısı haritaları, aktivasyon haritalarının 8 × 8 mm ve 6 × 6 mm doğrulama setlerinden kaynak görüntülerle üst üste bindirilmesiyle oluşturulur22, 23.
Tüm istatistiksel hesaplamalar için R 4.0.3 sürümü kullanıldı ve görselleştirmeler ggplot2 grafik araç kütüphanesi kullanılarak oluşturuldu.
134 kişiden 8 \(\times \)8 mm ölçülerinde yüzeysel kılcal pleksusun 347 ön görüntüsünü topladık.Makine tüm görüntüler için sinyal gücünü 0 ila 10 arasında bir ölçekte bildirdi (ortalama = 6,99 ± 2,29).Elde edilen 347 görüntünün ortalama muayene yaşı 58,7 ± 14,6 yıldı ve %39,2'si erkek hastalara aitti.Tüm görsellerin %30,8'i Kafkasyalılardan, %32,6'sı Siyahlardan, %30,8'i Hispaniklerden, %4'ü Asyalılardan ve %1,7'si diğer ırklardandı (Tablo 1).).OCTA'lı hastaların yaş dağılımı görüntü kalitesine bağlı olarak anlamlı farklılık gösterdi (p < 0,001).18-45 yaş arası genç hastalarda yüksek kaliteli görüntülerin yüzdesi %33,8 iken, düşük kaliteli görüntülerin oranı %12,2 idi (Tablo 1).Diyabetik retinopati durumunun dağılımı da görüntü kalitesinde önemli ölçüde değişiklik gösterdi (p < 0,017).Tüm yüksek kaliteli görüntüler arasında PDR'li hastaların yüzdesi %18,8 iken tüm düşük kaliteli görüntülerde bu oran %38,8'di (Tablo 1).
Tüm görüntülerin bireysel derecelendirmeleri, görüntüleri okuyan kişiler arasında orta ila güçlü derecelendirmeler arası güvenilirlik gösterdi (Cohen'in ağırlıklı kappası = 0,79, %95 GA: 0,76-0,82) ve değerlendiricilerin 1'den fazla farklılık gösterdiği hiçbir görüntü noktası yoktu (Şekil 1). 2A)..Sinyal yoğunluğu, manüel puanlamayla anlamlı düzeyde korelasyon gösterdi (Pearson çarpım moment korelasyonu = 0,58, %95 CI 0,51–0,65, p<0,001), ancak birçok görüntünün yüksek sinyal yoğunluğuna sahip olduğu ancak düşük manüel puanlamaya sahip olduğu belirlendi (Şekil .2B).
ResNet152 ve AlexNet mimarilerinin eğitimi sırasında doğrulama ve eğitimdeki çapraz entropi kaybı 50 dönemin üzerine düşer (Şekil 3B,C).Son eğitim dönemindeki doğrulama doğruluğu, hem yüksek kaliteli hem de düşük kaliteli kullanım durumları için %90'ın üzerindedir.
Alıcı performans eğrileri, ResNet152 modelinin hem düşük hem de yüksek kaliteli kullanım durumlarında makinenin rapor ettiği sinyal gücünden önemli ölçüde daha iyi performans gösterdiğini göstermektedir (p < 0,001).ResNet152 modeli ayrıca AlexNet mimarisinden önemli ölçüde daha iyi performans göstermektedir (düşük kaliteli ve yüksek kaliteli durumlar için sırasıyla p = 0,005 ve p = 0,014).Bu görevlerin her biri için ortaya çıkan modeller, sırasıyla 0,99 ve 0,97 AUC değerlerine ulaşmayı başardı; bu, makine sinyal gücü endeksi için karşılık gelen 0,82 ve 0,78 veya AlexNet için 0,97 ve 0,94 olan AUC değerlerinden önemli ölçüde daha iyidir. ..(Şek. 3).ResNet ile AUC arasındaki sinyal gücü farkı, yüksek kaliteli görüntüleri tanırken daha yüksektir; bu, bu görev için ResNet kullanmanın ek faydalarını gösterir.
Grafikler, her bağımsız değerlendiricinin puan verme ve makine tarafından bildirilen sinyal gücüyle karşılaştırma yeteneğini gösterir.(A) Değerlendirilecek puanların toplamı, değerlendirilecek toplam puan sayısını oluşturmak için kullanılır.Genel ölçeklenebilirlik puanı 4 olan görüntülere yüksek kalite atanırken, genel ölçeklenebilirlik puanı 1 veya daha düşük olan görüntülere düşük kalite atanır.(B) Sinyal yoğunluğu manuel tahminlerle ilişkilidir ancak yüksek sinyal yoğunluğuna sahip görüntülerin kalitesi daha düşük olabilir.Kırmızı noktalı çizgi, sinyal gücüne (sinyal gücü \(\ge\)6) dayalı olarak üreticinin önerdiği kalite eşiğini gösterir.
ResNet aktarım öğrenimi, makine tarafından bildirilen sinyal seviyelerine kıyasla hem düşük kaliteli hem de yüksek kaliteli kullanım durumları için görüntü kalitesi tanımlamasında önemli bir gelişme sağlar.(A) Önceden eğitilmiş (i) ResNet152 ve (ii) AlexNet mimarilerinin basitleştirilmiş mimari diyagramları.(B) ResNet152'nin eğitim geçmişi ve alıcı performans eğrileri, makine tarafından bildirilen sinyal gücü ve AlexNet düşük kalite kriterleriyle karşılaştırıldı.(C) ResNet152 alıcı eğitim geçmişi ve performans eğrileri, makine tarafından bildirilen sinyal gücü ve AlexNet yüksek kalite kriterleriyle karşılaştırıldı.
Karar sınırı eşiğini ayarladıktan sonra ResNet152 modelinin maksimum tahmin doğruluğu, düşük kaliteli durum için %95,3 ve yüksek kaliteli durum için %93,5'tir (Tablo 2).AlexNet modelinin maksimum tahmin doğruluğu, düşük kaliteli durum için %91,0 ve yüksek kaliteli durum için %90,1'dir (Tablo 2).Maksimum sinyal gücü tahmin doğruluğu, düşük kaliteli kullanım durumu için %76,1 ve yüksek kaliteli kullanım durumu için %77,8'dir.Cohen'in kappa'sına (\(\kappa\)) göre ResNet152 modeli ile tahminciler arasındaki uyum düşük kaliteli durum için 0,90, yüksek kaliteli durum için 0,81'dir.Cohen'in AlexNet kappa'sı düşük kaliteli ve yüksek kaliteli kullanım durumları için sırasıyla 0,82 ve 0,71'dir.Cohen'in sinyal gücü kappa'sı düşük ve yüksek kaliteli kullanım durumları için sırasıyla 0,52 ve 0,27'dir.
6 mm'lik düz bir plakanın 6\(\x\) görüntüsü üzerinde yüksek ve düşük kaliteli tanıma modellerinin doğrulanması, eğitilen modelin çeşitli görüntüleme parametrelerinde görüntü kalitesini belirleme yeteneğini gösterir.Görüntüleme kalitesi için 6\(\x\) 6 mm sığ levhalar kullanıldığında, düşük kaliteli modelin AUC'si 0,83 (%95 GA: 0,69-0,98) ve yüksek kaliteli modelin AUC'si 0,85'ti.(%95 GA: 0,55–1,00) (Tablo 2).
Giriş katmanı sınıfı aktivasyon haritalarının görsel incelemesi, eğitimli tüm sinir ağlarının, görüntü sınıflandırması sırasında görüntü özelliklerini kullandığını gösterdi (Şekil 4A, B).8 \(\times \) 8 mm ve 6 \(\times \) 6 mm görüntüler için ResNet aktivasyon görüntüleri retinal damar sistemini yakından takip eder.AlexNet aktivasyon haritaları da retina damarlarını takip eder ancak daha kaba çözünürlüktedir.
ResNet152 ve AlexNet modellerine yönelik sınıf etkinleştirme haritaları, görüntü kalitesiyle ilgili özellikleri vurgular.(A) 8 \(\times \) 8 mm doğrulama görüntülerinde yüzeysel retinal damar sisteminden sonra tutarlı aktivasyonu ve daha küçük 6 \(\times \) 6 mm doğrulama görüntülerinde (B) kapsamı gösteren sınıf aktivasyon haritası.Düşük kalite kriterlerine göre eğitilmiş LQ modeli, yüksek kalite kriterlerine göre eğitilmiş HQ modeli.
Görüntü kalitesinin OCTA görüntülerinin niceliğini büyük ölçüde etkileyebileceği daha önce gösterilmişti.Ayrıca retinopatinin varlığı görüntü artefaktlarının görülme sıklığını artırır7,26.Aslında verilerimizde önceki çalışmalarla tutarlı olarak artan yaş ve retina hastalığının şiddeti ile görüntü kalitesindeki bozulma arasında anlamlı bir ilişki bulduk (yaş ve DR durumu için sırasıyla p < 0,001, p = 0,017; Tablo 1) 27 Bu nedenle, OCTA görüntülerinin herhangi bir niceliksel analizini yapmadan önce görüntü kalitesini değerlendirmek çok önemlidir.OCTA görüntülerini analiz eden çoğu çalışma, düşük kaliteli görüntüleri dışlamak için makine tarafından bildirilen sinyal yoğunluğu eşiklerini kullanır.Sinyal yoğunluğunun OCTA parametrelerinin niceliğini etkilediği gösterilmiş olsa da, yüksek sinyal yoğunluğu tek başına görüntü artefaktları olan görüntüleri dışlamak için yeterli olmayabilir2,3,28,29.Bu nedenle daha güvenilir bir görüntü kalitesi kontrolü yönteminin geliştirilmesi gerekmektedir.Bu amaçla, denetimli derin öğrenme yöntemlerinin performansını makinenin rapor ettiği sinyal gücüne göre değerlendiriyoruz.
Farklı OCTA kullanım durumlarının farklı görüntü kalitesi gereksinimleri olabileceğinden, görüntü kalitesini değerlendirmek için çeşitli modeller geliştirdik.Örneğin görsellerin daha kaliteli olması gerekir.Ayrıca ilgilenilen spesifik niceliksel parametreler de önemlidir.Örneğin, foveal avasküler bölgenin alanı, merkezi olmayan ortamın bulanıklığına bağlı değildir, ancak damarların yoğunluğunu etkiler.Araştırmamız, herhangi bir testin gerekliliklerine bağlı olmayan, ancak makine tarafından bildirilen sinyal gücünün yerini doğrudan almayı amaçlayan görüntü kalitesine genel bir yaklaşıma odaklanmaya devam ederken, kullanıcılara daha yüksek düzeyde kontrol sunmayı umuyoruz. kullanıcının ilgisini çeken spesifik metriği seçebilir.kabul edilebilir kabul edilen maksimum görüntü kusuru derecesine karşılık gelen bir model seçin.
Düşük kaliteli ve yüksek kaliteli sahneler için, sırasıyla 0,97 ve 0,99 AUC'lerle ve düşük kaliteli modellerle, bağlantısı eksik derin evrişimli sinir ağlarının mükemmel performansını gösteriyoruz.Ayrıca derin öğrenme yaklaşımımızın, yalnızca makineler tarafından rapor edilen sinyal seviyeleriyle karşılaştırıldığında üstün performansını da ortaya koyuyoruz.Atlama bağlantıları, sinir ağlarının, görüntülerin daha ince yönlerini (örneğin kontrast) ve genel özellikleri (örneğin görüntü ortalama30,31) yakalayarak birden çok ayrıntı düzeyindeki özellikleri öğrenmesine olanak tanır.Görüntü kalitesini etkileyen görüntü yapaylıkları muhtemelen en iyi şekilde geniş bir aralıkta tanımlandığından, eksik bağlantılara sahip sinir ağı mimarileri, görüntü kalitesi belirleme görevleri olmayanlardan daha iyi performans sergileyebilir.
Modelimizi 6\(\×6mm) OCTA görüntüleri üzerinde test ederken, sınıflandırma için eğitilen modelin boyutunun aksine, hem yüksek kaliteli hem de düşük kaliteli modeller için sınıflandırma performansında bir düşüş fark ettik (Şekil 2).ResNet modeliyle karşılaştırıldığında AlexNet modelinin daha büyük bir düşüşü var.ResNet'in nispeten daha iyi performansı, artık bağlantıların birden fazla ölçekte bilgi iletme yeteneğinden kaynaklanıyor olabilir; bu da modeli, farklı ölçeklerde ve/veya büyütmelerde yakalanan görüntüleri sınıflandırmak için daha sağlam hale getirir.
8 \(\×\) 8 mm görüntüler ile 6 \(\×\) 6 mm görüntüler arasındaki bazı farklılıklar, foveal avasküler alanlar içeren nispeten yüksek orandaki görüntüler, görünürlükteki değişiklikler, vasküler arkadlar ve 6×6 mm görüntüde optik sinir yok.Buna rağmen yüksek kaliteli ResNet modelimiz, 6 \(\x\) 6 mm görüntüler için %85'lik bir AUC elde edebildi; bu, modelin eğitilmediği bir yapılandırmadır; bu, görüntü kalitesi bilgilerinin sinir ağında kodlandığını gösterir. uygun.eğitiminin dışında bir görüntü boyutu veya makine yapılandırması için (Tablo 2).Güven verici bir şekilde, 8 \(\times \) 8 mm ve 6 \(\times \) 6 mm görüntülerin ResNet ve AlexNet benzeri aktivasyon haritaları, her iki durumda da retina damarlarını vurgulayabildi ve bu da modelin önemli bilgilere sahip olduğunu öne sürdü.her iki tip OCTA görüntüsünün sınıflandırılması için de geçerlidir (Şekil 4).
Lauerman ve diğerleri.OCTA görüntüleri üzerinde görüntü kalitesi değerlendirmesi benzer şekilde, derin öğrenme tekniklerini kullanan başka bir atlama bağlantılı evrişimli sinir ağı6,32 olan Inception mimarisi kullanılarak gerçekleştirildi.Ayrıca çalışmayı yüzeysel kılcal pleksus görüntüleriyle sınırlandırdılar, ancak yalnızca Optovue AngioVue'nun daha küçük 3x3 mm görüntülerini kullandılar, ancak çeşitli koryoretinal hastalıkları olan hastalar da dahil edildi.Çalışmalarımız, çeşitli görüntü kalitesi eşiklerini ele alan ve farklı boyutlardaki görüntüler için sonuçları doğrulayan birden fazla model içeren temeller üzerine kuruludur.Ayrıca makine öğrenimi modellerinin AUC metriğini raporluyor ve hem düşük kaliteli (%96) hem de yüksek kaliteli (%95,7) modeller6 için zaten etkileyici olan doğruluklarını (%90)6 artırıyoruz.
Bu eğitimin çeşitli sınırlamaları vardır.İlk olarak, görüntüler yalnızca 8\(\times\)8 mm ve 6\(\times\)6 mm'deki yüzeysel kılcal pleksusun görüntülerini içeren yalnızca bir OCTA makinesiyle elde edildi.Görüntülerin daha derin katmanlardan hariç tutulmasının nedeni, projeksiyon yapaylıklarının, görüntülerin manuel olarak değerlendirilmesini daha zor ve muhtemelen daha az tutarlı hale getirebilmesidir.Ayrıca görüntüler yalnızca OCTA'nın önemli bir teşhis ve prognostik araç olarak ortaya çıktığı diyabetik hastalardan elde edilmiştir33,34.Sonuçların sağlam olduğundan emin olmak için modelimizi farklı boyutlardaki görüntüler üzerinde test edebilmiş olmamıza rağmen, farklı merkezlerden uygun veri kümelerini belirleyemedik, bu da modelin genelleştirilebilirliğine ilişkin değerlendirmemizi sınırladı.Görüntüler tek merkezden elde edilmiş olmasına rağmen farklı etnik ve ırksal kökene sahip hastalardan elde edilmiş olması çalışmamızın eşsiz bir gücüdür.Çeşitliliği eğitim sürecimize dahil ederek, sonuçlarımızın daha geniş anlamda genelleştirileceğini ve eğittiğimiz modellere ırksal önyargıların kodlanmasından kaçınacağımızı umuyoruz.
Çalışmamız, OCTA görüntü kalitesinin belirlenmesinde yüksek performans elde etmek için bağlantı atlayan sinir ağlarının eğitilebileceğini göstermektedir.Bu modelleri daha ileri araştırmalar için araçlar olarak sağlıyoruz.Farklı metriklerin farklı görüntü kalitesi gereksinimleri olabileceğinden, burada oluşturulan yapı kullanılarak her metrik için ayrı bir kalite kontrol modeli geliştirilebilir.
Gelecekteki araştırmalar, OCTA platformlarına ve görüntüleme protokollerine genelleştirilebilecek bir derin öğrenme görüntü kalitesi değerlendirme süreci elde etmek için farklı derinliklerden ve farklı OCTA makinelerinden farklı boyutlarda görüntüler içermelidir.Mevcut araştırmalar aynı zamanda insan değerlendirmesi ve görüntü değerlendirmesi gerektiren, büyük veri kümeleri için emek yoğun ve zaman alıcı olabilen denetimli derin öğrenme yaklaşımlarına da dayanmaktadır.Denetimsiz derin öğrenme yöntemlerinin düşük kaliteli görüntüler ile yüksek kaliteli görüntüler arasında yeterince ayrım yapıp yapamayacağı henüz bilinmiyor.
OCTA teknolojisi gelişmeye devam ettikçe ve tarama hızları arttıkça, görüntü bozuklukları ve düşük kaliteli görüntüler görülme sıklığı azalabilir.Yakın zamanda tanıtılan projeksiyon artefaktını kaldırma özelliği gibi yazılımdaki iyileştirmeler de bu sınırlamaları hafifletebilir.Bununla birlikte, zayıf fiksasyonu olan veya belirgin ortam bulanıklığı olan hastaların görüntülenmesi her zaman görüntüde artefaktlarla sonuçlandığından pek çok sorun devam etmektedir.OCTA klinik deneylerde daha yaygın olarak kullanıldıkça, görüntü analizi için kabul edilebilir görüntü artefaktı seviyelerine yönelik net kılavuzlar oluşturmak için dikkatli bir değerlendirme yapılması gerekmektedir.Derin öğrenme yöntemlerinin OCTA görüntülerine uygulanması büyük umut vaat ediyor ve görüntü kalitesi kontrolüne sağlam bir yaklaşım geliştirmek için bu alanda daha fazla araştırmaya ihtiyaç var.
Mevcut araştırmada kullanılan kod, https://github.com/rahuldhodapkar/octa-qc adresindeki octa-qc deposunda mevcuttur.Mevcut çalışma sırasında oluşturulan ve/veya analiz edilen veri kümeleri, makul talep üzerine ilgili yazarlardan temin edilebilir.
Spaide, RF, Fujimoto, JG & Waheed, NK Optik koherens anjiyografide görüntü eserleri.Retina 35, 2163–2180 (2015).
Fenner, BJ ve ark.OCT anjiyografide retina kapiller pleksus yoğunluğu ölçümlerinin kalitesini ve tekrarlanabilirliğini belirleyen görüntüleme özelliklerinin tanımlanması.BR.J. Oftalmol.102, 509–514 (2018).
Lauerman, JL ve diğerleri.Yaşa bağlı makula dejenerasyonunda göz izleme teknolojisinin OCT anjiyografinin görüntü kalitesi üzerine etkisi.Mezar kemeri.klinik.Tecrübe.oftalmoloji.255, 1535–1542 (2017).
Babyuch AS ve ark.OCTA kılcal perfüzyon yoğunluğu ölçümleri, maküla iskemisini tespit etmek ve değerlendirmek için kullanılır.oftalmik cerrahi.Retinal Lazer Görüntüleme 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. ve Sun, J. Görüntü Tanıma için Derin Kalıntı Öğrenme.2016 yılında IEEE Bilgisayarla Görme ve Örüntü Tanıma Konferansında (2016).
Lauerman, JL ve diğerleri.Derin öğrenme algoritmalarını kullanan otomatik OCT anjiyografik görüntü kalitesi değerlendirmesi.Mezar kemeri.klinik.Tecrübe.oftalmoloji.257, 1641–1648 (2019).
Lauermann, J. ve diğerleri.OCT anjiyografide segmentasyon hatalarının ve hareket artefaktlarının görülme sıklığı retina hastalığına bağlıdır.Mezar kemeri.klinik.Tecrübe.oftalmoloji.256, 1807–1816 (2018).
Pask, Adam ve ark.Pytorch: Zorunlu, Yüksek Performanslı Bir Derin Öğrenme Kütüphanesi.Sinirsel bilgilerin ileri düzeyde işlenmesi.sistem.32, 8026–8037 (2019).
Deng, J. ve diğerleri.ImageNet: Büyük Ölçekli Hiyerarşik Görüntü Veritabanı.2009 IEEE Bilgisayarla Görme ve Örüntü Tanıma Konferansı.248–255.(2009).
Krizhevsky A., Sutzkever I. ve Hinton GE, derin evrişimli sinir ağlarını kullanan Imagenet sınıflandırması.Sinirsel bilgilerin ileri düzeyde işlenmesi.sistem.25, 1 (2012).