Дзякуй за наведванне Nature.com.Вы выкарыстоўваеце версію браўзера з абмежаванай падтрымкай CSS.Для найлепшага вопыту мы рэкамендуем вам выкарыстоўваць абноўлены браўзер (або адключыць рэжым сумяшчальнасці ў Internet Explorer).Акрамя таго, каб забяспечыць пастаянную падтрымку, мы паказваем сайт без стыляў і JavaScript.
Паўзункі, якія паказваюць тры артыкулы на слайдзе.Для перамяшчэння па слайдах выкарыстоўвайце кнопкі "Назад" і "Далей" або кнопкі кантролера слайдаў у канцы для перамяшчэння па кожным слайдзе.
Аптычная кагерэнтная тамаграфічная ангіяграфія (ОКТА) - новы метад неинвазивной візуалізацыі сасудаў сятчаткі.Нягледзячы на ​​тое, што OCTA мае шмат перспектыўных клінічных прыкладанняў, вызначэнне якасці выявы застаецца складанай задачай.Мы распрацавалі сістэму, заснаваную на глыбокім навучанні, выкарыстоўваючы класіфікатар нейронных сетак ResNet152, падрыхтаваны да ImageNet, каб класіфікаваць выявы павярхоўнага капілярнага спляцення з 347 сканаванняў 134 пацыентаў.Выявы таксама былі ўручную ацэненыя як праўдзівыя двума незалежнымі ацэншчыкамі для мадэлі навучання пад наглядам.Паколькі патрабаванні да якасці відарыса могуць вар'іравацца ў залежнасці ад клінічных або даследчых налад, былі падрыхтаваны дзве мадэлі: адна для высакаякаснага распазнавання відарысаў, а другая - для нізкаякаснага.Наша мадэль нейронавай сеткі паказвае выдатную плошчу пад крывой (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), што значна лепш, чым узровень сігналу, які паведамляе машына (AUC = 0,82, 95 % дзі).0,77–0,86, \(\капа\) = 0,52 і AUC = 0,78, 95% дзі 0,73–0,83, \(\капа\) = 0,27 адпаведна).Наша даследаванне дэманструе, што метады машыннага навучання можна выкарыстоўваць для распрацоўкі гнуткіх і надзейных метадаў кантролю якасці для малюнкаў OCTA.
Аптычная кагерэнтная тамаграфічная ангіяграфія (ОКТА) - адносна новая методыка, заснаваная на аптычнай кагерэнтнай тамаграфіі (ОКТ), якая можа выкарыстоўвацца для неінвазіўнай візуалізацыі мікрасасудзістай сістэмы сятчаткі.OCTA вымярае розніцу ў мадэлях адлюстравання ад паўторных светлавых імпульсаў у адной і той жа вобласці сятчаткі, і затым можна разлічыць рэканструкцыі, каб выявіць крывяносныя пасудзіны без інвазівнага выкарыстання фарбавальнікаў або іншых кантрасных рэчываў.OCTA таксама забяспечвае візуалізацыю сасудаў з глыбінным дазволам, дазваляючы клініцыстам асобна даследаваць павярхоўныя і глыбокія пласты сасудаў, дапамагаючы дыферэнцаваць хориоретинальное захворванне.
Нягледзячы на ​​тое, што гэты метад з'яўляецца перспектыўным, змяненне якасці выявы застаецца галоўнай праблемай для надзейнага аналізу выявы, што ўскладняе інтэрпрэтацыю выявы і перашкаджае шырокаму клінічнаму прымяненню.Паколькі OCTA выкарыстоўвае некалькі паслядоўных сканаванняў OCT, ён больш адчувальны да артэфактаў выявы, чым стандартны OCT.Большасць камерцыйных платформаў OCTA забяспечваюць уласную метрыку якасці выявы, званую сілай сігналу (SS) або часам індэксам сілы сігналу (SSI).Аднак выявы з высокім значэннем SS або SSI не гарантуюць адсутнасці артэфактаў выявы, якія могуць паўплываць на любы наступны аналіз выявы і прывесці да няправільных клінічных рашэнняў.Распаўсюджаныя артэфакты выявы, якія могуць узнікнуць пры візуалізацыі OCTA, уключаюць артэфакты руху, артэфакты сегментацыі, артэфакты непразрыстасці носьбіта і артэфакты праекцыі1,2,3.
Паколькі паказчыкі, атрыманыя з дапамогай OCTA, такія як шчыльнасць сасудаў, усё часцей выкарыстоўваюцца ў трансляцыйных даследаваннях, клінічных выпрабаваннях і клінічнай практыцы, існуе вострая неабходнасць у распрацоўцы надзейных і надзейных працэсаў кантролю якасці выявы для ліквідацыі артэфактаў выявы4.Прапускаючыя злучэнні, таксама вядомыя як рэшткавыя злучэнні, - гэта праекцыі ў архітэктуры нейроннай сеткі, якія дазваляюць інфармацыі абыходзіць згорткавыя пласты, захоўваючы інфармацыю ў розных маштабах або раздзяленнях5.Паколькі артэфакты выявы могуць уплываць на прадукцыйнасць маламаштабных і агульных буйнамаштабных выяваў, нейронавыя сеткі з пропускам злучэння добра падыходзяць для аўтаматызацыі гэтай задачы кантролю якасці5.Нядаўна апублікаваная праца паказала пэўныя перспектывы для глыбокіх згортачных нейронавых сетак, навучаных з выкарыстаннем высакаякасных даных ад ацэншчыкаў6.
У гэтым даследаванні мы навучаем згортачную нейронную сетку, якая прапускае злучэнне, аўтаматычна вызначаць якасць малюнкаў OCTA.Мы абапіраемся на папярэднюю працу, распрацоўваючы асобныя мадэлі для ідэнтыфікацыі выяваў высокай і нізкай якасці, паколькі патрабаванні да якасці выявы могуць адрознівацца для канкрэтных клінічных або даследчых сцэнарыяў.Мы параўноўваем вынікі гэтых сетак са згорткавымі нейронавымі сеткамі без адсутнасці злучэнняў, каб ацаніць каштоўнасць уключэння функцый на некалькіх узроўнях дэталізацыі ў рамках глыбокага навучання.Затым мы параўналі нашы вынікі з магутнасцю сігналу, агульнапрынятай мерай якасці выявы, якую прадастаўляюць вытворцы.
Наша даследаванне ўключала пацыентаў з цукровым дыябетам, якія наведвалі Ельскі вочны цэнтр у перыяд з 11 жніўня 2017 г. па 11 красавіка 2019 г. Пацыенты з любым недыябетычным хориоретинальным захворваннем былі выключаны.Не было ніякіх крытэрыяў уключэння або выключэння на аснове ўзросту, полу, расы, якасці выявы або любога іншага фактару.
Выявы OCTA былі атрыманы з дапамогай платформы AngioPlex на Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Дублін, Каліфорнія) па пратаколах візуалізацыі 8\(\times\)8 мм і 6\(\times\)6 мм.Інфармаваная згода на ўдзел у даследаванні была атрымана ад кожнага ўдзельніка даследавання, і Інстытуцыйны аглядны савет Ельскага універсітэта (IRB) ухваліў выкарыстанне інфармаванай згоды з глабальнай фатаграфіяй для ўсіх гэтых пацыентаў.Прытрымліваючыся прынцыпаў Хельсінкскай дэкларацыі.Даследаванне было ўхвалена IRB Ельскага універсітэта.
Выявы паверхневых пласцін ацэньваліся на аснове раней апісанай ацэнкі артэфактаў руху (MAS), апісанай раней ацэнкі артэфактаў сегментацыі (SAS), фовеальнага цэнтра, наяўнасці непразрыстасці носьбіта і добрай візуалізацыі дробных капіляраў, як вызначана ацэншчыкам выявы.Выявы былі прааналізаваны двума незалежнымі ацэншчыкамі (RD і JW).Выява мае адзнаку 2 (прыдатная), калі выконваюцца ўсе наступныя крытэрыі: выява знаходзіцца ў цэнтры ямкі (менш за 100 пікселяў ад цэнтра выявы), MAS роўны 1 або 2, SAS роўны 1 і непразрыстасць асяроддзя менш за 1. Прысутнічае на выявах памерам / 16, а дробныя капіляры бачныя на выявах памерам больш за 15/16.Выява атрымлівае рэйтынг 0 (без ацэнкі), калі выконваецца любы з наступных крытэрыяў: выява не па цэнтры, калі MAS роўна 4, калі SAS роўна 2, або сярэдняя непразрыстасць больш за 1/4 выявы і дробныя капіляры не могуць быць настроены больш чым на 1 малюнак /4, каб адрозніць.Усе астатнія выявы, якія не адпавядаюць крытэрыям ацэнкі 0 або 2, ацэньваюцца як 1 (выразанне).
На мал.1 паказвае прыклады малюнкаў для кожнай з маштабаваных ацэнак і артэфактаў малюнкаў.Надзейнасць асобных балаў паміж ацэначкамі ацэньвалася з дапамогай каппа-ўзважвання Коэна8.Індывідуальныя балы кожнага ацэншчыка сумуюцца для атрымання агульнай ацэнкі для кожнага відарыса ў дыяпазоне ад 0 да 4. Выявы з агульным балам 4 лічацца добрымі.Выявы з агульным балам 0 або 1 лічацца нізкай якасцю.
Згорткавая нейронавая сетка з архітэктурай ResNet152 (мал. 3A.i), папярэдне навучаная на выявах з базы дадзеных ImageNet, была створана з дапамогай fast.ai і структуры PyTorch5, 9, 10, 11. Згорткавая нейронавая сетка - гэта сетка, якая выкарыстоўвае вывучаныя фільтры для сканіравання фрагментаў выявы для вывучэння прасторавых і лакальных асаблівасцей.Наш навучаны ResNet - гэта 152-слойная нейронавая сетка, якая характарызуецца прабеламі або «рэшткавымі злучэннямі», якія адначасова перадаюць інфармацыю з рознымі раздзяленнямі.Праецыруючы інфармацыю ў рознай раздзяляльнасці па сетцы, платформа можа вывучаць асаблівасці нізкаякасных малюнкаў на розных узроўнях дэталізацыі.У дадатак да нашай мадэлі ResNet мы таксама навучылі AlexNet, добра вывучаную архітэктуру нейроннай сеткі, не прапускаючы злучэнняў для параўнання (малюнак 3A.ii)12.Без адсутнасці злучэнняў гэтая сетка не зможа захапіць функцыі з больш высокай дэталізацыяй.
Арыгінальны набор відарысаў 8\(\times\)8mm OCTA13 быў палепшаны з дапамогай метадаў гарызантальнага і вертыкальнага адлюстравання.Затым поўны набор даных быў выпадковым чынам падзелены на ўзроўні выявы на наборы даных для навучання (51,2%), тэсціравання (12,8%), налады гіперпараметраў (16%) і праверкі (20%) з дапамогай набора інструментаў scikit-learn python14.Былі разгледжаны два выпадкі: адзін заснаваны на выяўленні толькі выяваў самай высокай якасці (агульная адзнака 4), а другі заснаваны на выяўленні толькі выяваў самай нізкай якасці (агульная адзнака 0 або 1).Для кожнага высакаякаснага і нізкаякаснага варыянту выкарыстання нейронавая сетка адзін раз перавучваецца на нашых даных малюнкаў.У кожным варыянце выкарыстання нейронавая сетка навучалася на працягу 10 эпох, усе вагі слаёў, акрамя самага высокага, былі замарожаны, а вагі ўсіх унутраных параметраў вывучаліся на працягу 40 эпох з выкарыстаннем дыскрымінатыўнага метаду хуткасці навучання з функцыяй перакрыжаванай страты энтрапіі 15, 16..Функцыя перакрыжаванай страты энтрапіі - гэта мера лагарыфмічнага маштабу разыходжанні паміж прагназаванымі сеткавымі пазнакамі і рэальнымі дадзенымі.Падчас навучання выконваецца градыентны спуск па ўнутраных параметрах нейрасецівы для мінімізацыі страт.Хуткасць навучання, хуткасць адсеву і гіперпараметры зніжэння вагі былі настроены з дапамогай байесаўскай аптымізацыі з 2 выпадковымі пачатковымі кропкамі і 10 ітэрацыямі, а AUC для набору даных быў настроены з выкарыстаннем гіперпараметраў у якасці мэты 17.
Рэпрэзентатыўныя прыклады OCTA-выяў памерам 8 × 8 мм павярхоўных капілярных спляценняў атрымалі 2 балы (A, B), 1 (C, D) і 0 (E, F).Паказаныя артэфакты выявы ўключаюць мігатлівыя лініі (стрэлкі), артэфакты сегментацыі (зорачкі) і непразрыстасць носьбіта (стрэлкі).Відарыс (E) таксама не па цэнтры.
Затым ствараюцца крывыя працоўных характарыстык прымача (ROC) для ўсіх мадэляў нейронавых сетак, а справаздачы аб магутнасці сігналу рухавіка ствараюцца для кожнага выпадку выкарыстання нізкай і высокай якасці.Плошча пад крывой (AUC) была разлічана з дапамогай пакета pROC R, а 95% даверныя інтэрвалы і р-значэнне былі разлічаны з дапамогай метаду Дэлонга18,19.Сукупныя балы ацэншчыкаў-людзей выкарыстоўваюцца ў якасці асновы для ўсіх разлікаў ROC.Для магутнасці сігналу, заяўленай машынай, AUC быў разлічаны двойчы: адзін раз для адсечкі паказчыка маштабаванасці высокай якасці і адзін раз для адсечкі паказчыка маштабаванасці нізкай якасці.Нейронная сетка параўноўваецца з сілай сігналу AUC, які адлюстроўвае ўмовы яе ўласнага навучання і ацэнкі.
Для далейшага тэставання падрыхтаванай мадэлі глыбокага навучання на асобным наборы даных мадэлі высокай і нізкай якасці былі непасрэдна прыменены для ацэнкі прадукцыйнасці 32 відарысаў пліты паверхні 6\(\times\) 6 мм у поўным аб'ёме, сабраных з Ельскага ўніверсітэта.Маса вока адцэнтравана адначасова з выявай 8 \(\times \) 8 мм.Выявы памерам 6\(\×\) 6 мм былі ацэнены ўручную тымі ж ацэншчыкамі (RD і JW) такім жа чынам, што і выявы памерам 8\(\×\) 8 мм, быў разлічаны AUC, а таксама дакладнасць і каппа Коэна .пароўну.
Каэфіцыент дысбалансу класаў складае 158:189 (\(\rho = 1,19\)) для мадэлі нізкай якасці і 80:267 (\(\rho = 3,3\)) для мадэлі высокай якасці.Паколькі каэфіцыент дысбалансу класаў меншы за 1:4, ніякіх асаблівых архітэктурных змяненняў не было зроблена для выпраўлення дысбалансу класаў20,21.
Для лепшай візуалізацыі працэсу навучання былі створаны карты актывацыі класа для ўсіх чатырох падрыхтаваных мадэляў глыбокага навучання: мадэлі ResNet152 высокай якасці, мадэлі ResNet152 нізкай якасці, мадэлі AlexNet высокай якасці і мадэлі AlexNet нізкай якасці.Карты актывацыі класаў ствараюцца з уваходных згортачных слаёў гэтых чатырох мадэляў, а цеплавыя карты ствараюцца шляхам накладання карт актывацыі на зыходныя выявы з набораў праверкі 8 × 8 мм і 6 × 6 мм22, 23.
Для ўсіх статыстычных разлікаў выкарыстоўвалася версія R 4.0.3, а візуалізацыі былі створаны з дапамогай бібліятэкі графічных інструментаў ggplot2.
Мы сабралі 347 франтальных малюнкаў павярхоўнага капілярнага спляцення памерам 8 \(\times \)8 мм ад 134 чалавек.Машына паведаміла пра сілу сігналу па шкале ад 0 да 10 для ўсіх малюнкаў (сярэдняе = 6,99 ± 2,29).З 347 атрыманых малюнкаў сярэдні ўзрост на момант абследавання склаў 58,7 ± 14,6 года, і 39,2% былі ад пацыентаў мужчынскага полу.З усіх малюнкаў 30,8% былі ад каўказцаў, 32,6% ад чарнаскурых, 30,8% ад іспанамоўных, 4% ад азіятаў і 1,7% ад іншых рас (табліца 1).).Узроставае размеркаванне пацыентаў з АКТА істотна адрознівалася ў залежнасці ад якасці малюнка (р <0,001).Працэнт высакаякасных малюнкаў у маладых пацыентаў ва ўзросце 18-45 гадоў склаў 33,8% у параўнанні з 12,2% малюнкаў нізкай якасці (табл. 1).Размеркаванне стану дыябетычнай рэтынапатыі таксама істотна адрознівалася па якасці малюнка (р <0,017).Сярод усіх малюнкаў высокай якасці доля пацыентаў з PDR склала 18,8% у параўнанні з 38,8% усіх малюнкаў нізкай якасці (табліца 1).
Індывідуальныя ацэнкі ўсіх малюнкаў паказалі надзейнасць паміж ацэнкамі ад сярэдняй да моцнай паміж людзьмі, якія чыталі выявы (узважаны каппа Коэна = 0,79, 95% дзі: 0,76-0,82), і не было кропак выявы, дзе ацэншчыкі адрозніваліся больш чым на 1 (мал. 2A)..Інтэнсіўнасць сігналу істотна карэлявала з ручной ацэнкай (карэляцыя моманту твора Пірсана = 0,58, 95% дзі 0,51–0,65, p<0,001), але многія выявы былі ідэнтыфікаваны як тыя, што маюць высокую інтэнсіўнасць сігналу, але нізкую ручную ацэнку (мал. 2B).
Падчас навучання архітэктур ResNet152 і AlexNet страта крос-энтрапіі пры праверцы і навучанні падае больш за 50 эпох (малюнак 3B,C).Дакладнасць праверкі ў канчатковым этапе навучання складае больш за 90 % для выпадкаў выкарыстання як высокай, так і нізкай якасці.
Крывыя прадукцыйнасці прымача паказваюць, што мадэль ResNet152 значна пераўзыходзіць магутнасць сігналу, якую паведамляе машына, у выпадках выкарыстання як нізкай, так і высокай якасці (p <0,001).Мадэль ResNet152 таксама значна пераўзыходзіць архітэктуру AlexNet (p = 0,005 і p = 0,014 для выпадкаў нізкай і высокай якасці адпаведна).Атрыманыя мадэлі для кожнай з гэтых задач змаглі дасягнуць значэнняў AUC 0,99 і 0,97 адпаведна, што значна лепш, чым адпаведныя значэнні AUC 0,82 і 0,78 для індэкса сілы машыннага сігналу або 0,97 і 0,94 для AlexNet ..(Мал. 3).Розніца паміж ResNet і AUC у магутнасці сігналу вышэй пры распазнаванні выяваў высокай якасці, што паказвае на дадатковыя перавагі выкарыстання ResNet для гэтай задачы.
Графікі паказваюць здольнасць кожнага незалежнага ацэншчыка ацэньваць і параўноўваць з магутнасцю сігналу, якую паведамляе машына.(A) Сума балаў для ацэнкі выкарыстоўваецца для стварэння агульнай колькасці балаў для ацэнкі.Выявам з агульнай ацэнкай маштабаванасці 4 прысвойваецца высокая якасць, у той час як выявам з агульнай ацэнкай маштабаванасці 1 або менш прысвойваецца нізкая якасць.(B) Інтэнсіўнасць сігналу карэлюе з ручнымі ацэнкамі, але выявы з высокай інтэнсіўнасцю сігналу могуць быць горшай якасці.Чырвоная пункцірная лінія паказвае рэкамендаваны вытворцам парог якасці на аснове сілы сігналу (моц сігналу \(\ge\)6).
Навучанне перадачы ResNet забяспечвае значнае паляпшэнне ідэнтыфікацыі якасці выявы як для нізкай, так і для высокай якасці ў параўнанні з узроўнямі сігналу, якія паведамляюцца машынай.(A) Спрошчаныя архітэктурныя схемы папярэдне падрыхтаваных (i) архітэктур ResNet152 і (ii) AlexNet.(B) Гісторыя навучання і крывыя прадукцыйнасці прымача для ResNet152 у параўнанні з паведамленай машынай сілай сігналу і крытэрамі нізкай якасці AlexNet.(C) Гісторыя навучання прымача ResNet152 і крывыя прадукцыйнасці ў параўнанні з сілай сігналу, якую паведамляе машына, і крытэрамі высокай якасці AlexNet.
Пасля карэкціроўкі парогавага значэння рашэння максімальная дакладнасць прагназавання мадэлі ResNet152 складае 95,3% для выпадку нізкай якасці і 93,5% для выпадку высокай якасці (табліца 2).Максімальная дакладнасць прагназавання мадэлі AlexNet складае 91,0% для выпадку нізкай якасці і 90,1% для выпадку высокай якасці (табліца 2).Максімальная дакладнасць прагназавання магутнасці сігналу складае 76,1% для нізкай якасці і 77,8% для высокай якасці.Згодна з каппай Коэна (\(\kappa\)), узгодненасць паміж мадэллю ResNet152 і ацэншчыкамі складае 0,90 для выпадку нізкай якасці і 0,81 для выпадку высокай якасці.AlexNet каппа Коэна складае 0,82 і 0,71 для выпадкаў выкарыстання нізкай і высокай якасці адпаведна.Моц сігналу Коэна капа складае 0,52 і 0,27 для выпадкаў нізкай і высокай якасці адпаведна.
Праверка мадэляў распазнавання высокай і нізкай якасці на 6\(\x\) відарысах плоскай пласціны 6 мм дэманструе здольнасць навучанай мадэлі вызначаць якасць відарыса па розных параметрах малюнка.Пры выкарыстанні неглыбокіх пліт 6\(\x\) 6 мм для якасці візуалізацыі мадэль нізкай якасці мела AUC 0,83 (95% дзі: 0,69–0,98), а мадэль высокай якасці мела AUC 0,85.(95% дзі: 0,55-1,00) (табліца 2).
Візуальны агляд карт актывацыі класаў уваходнага ўзроўню паказаў, што ўсе навучаныя нейронавыя сеткі выкарыстоўвалі асаблівасці выявы падчас класіфікацыі выявы (мал. 4A, B).Для малюнкаў памерам 8 \(\times \) 8 мм і 6 \(\times \) 6 мм выявы актывацыі ResNet дакладна адпавядаюць сасудзістай сетцы сятчаткі.Карты актывацыі AlexNet таксама адпавядаюць пасудзінам сятчаткі, але з больш грубым дазволам.
Карты актывацыі класаў для мадэляў ResNet152 і AlexNet вылучаюць функцыі, звязаныя з якасцю выявы.(A) Карта актывацыі класа, якая паказвае кагерэнтную актывацыю пасля павярхоўнай сасудзістай сеткі сятчаткі на 8 \(\times \) 8 мм валідацыйных малюнках і (B) ступень на меншых 6 \(\times \) 6 мм валідацыйных здымках.Мадэль LQ навучана па крытэрыях нізкай якасці, мадэль HQ - па крытэрыям высокай якасці.
Раней было паказана, што якасць выявы можа моцна паўплываць на любую колькасную ацэнку малюнкаў OCTA.Акрамя таго, наяўнасць рэтынапатыі павялічвае частату артэфактаў выявы7,26.Фактычна, у нашых дадзеных, у адпаведнасці з папярэднімі даследаваннямі, мы выявілі значную сувязь паміж павелічэннем узросту і цяжарам захворвання сятчаткі і пагаршэннем якасці выявы (p <0,001, p = 0,017 для ўзросту і статусу DR адпаведна; табліца 1) 27 Такім чынам, вельмі важна ацаніць якасць выявы перад выкананнем колькаснага аналізу малюнкаў OCTA.У большасці даследаванняў, якія аналізуюць выявы OCTA, выкарыстоўваюцца парогавыя значэнні інтэнсіўнасці сігналу, якія паведамляюцца машынай, каб выключыць выявы нізкай якасці.Хаця было паказана, што інтэнсіўнасць сігналу ўплывае на колькасную ацэнку параметраў OCTA, адной толькі высокай інтэнсіўнасці сігналу можа быць недастаткова для выключэння выяваў з артэфактамі 2,3,28,29.Такім чынам, неабходна распрацаваць больш надзейны метад кантролю якасці выявы.З гэтай мэтай мы ацэньваем прадукцыйнасць кантраляваных метадаў глыбокага навучання ў залежнасці ад магутнасці сігналу, якую паведамляе машына.
Мы распрацавалі некалькі мадэляў для ацэнкі якасці выявы, таму што розныя варыянты выкарыстання OCTA могуць мець розныя патрабаванні да якасці выявы.Напрыклад, малюнкі павінны быць больш высокай якасці.Акрамя таго, важныя і канкрэтныя колькасныя параметры, якія цікавяць.Напрыклад, плошча фовеальной бессосудистой зоны не залежыць ад мутнасці нецентральной асяроддзя, але ўплывае на шчыльнасць сасудаў.У той час як нашы даследаванні працягваюць засяроджвацца на агульным падыходзе да якасці выявы, не прывязаным да патрабаванняў якога-небудзь канкрэтнага тэсту, але накіраваным на прамую замену магутнасці сігналу, якую паведамляе машына, мы спадзяемся даць карыстальнікам большую ступень кантролю, каб яны можа выбраць канкрэтны паказчык, які цікавіць карыстальніка.выбраць мадэль, якая адпавядае максімальнай ступені артэфактаў выявы, якая лічыцца прымальнай.
Для сцэн нізкай і высокай якасці мы дэманструем выдатную прадукцыйнасць глыбокіх згортачных нейронавых сетак без злучэння з AUC 0,97 і 0,99 і мадэлямі нізкай якасці адпаведна.Мы таксама дэманструем выдатную прадукцыйнасць нашага падыходу глыбокага навучання ў параўнанні з узроўнямі сігналаў, якія паведамляюць толькі машыны.Прапуск злучэнняў дазваляе нейронавым сеткам вывучаць асаблівасці на розных узроўнях дэталізацыі, фіксуючы больш тонкія аспекты малюнкаў (напрыклад, кантраст), а таксама агульныя характарыстыкі (напрыклад, цэнтраванне малюнкаў30,31).Паколькі артэфакты выявы, якія ўплываюць на якасць выявы, верагодна, лепш за ўсё ідэнтыфікаваць у шырокім дыяпазоне, архітэктуры нейронных сетак з адсутнымі злучэннямі могуць дэманстраваць лепшую прадукцыйнасць, чым тыя, без задач вызначэння якасці выявы.
Пры тэставанні нашай мадэлі на 6\(\×6 мм) OCTA-выявах мы заўважылі зніжэнне прадукцыйнасці класіфікацыі як для мадэляў высокай, так і для нізкай якасці (мал. 2), у адрозненне ад памеру мадэлі, падрыхтаванай для класіфікацыі.У параўнанні з мадэллю ResNet мадэль AlexNet мае большы спад.Адносна лепшая прадукцыйнасць ResNet можа быць звязана са здольнасцю рэшткавых злучэнняў перадаваць інфармацыю ў розных маштабах, што робіць мадэль больш надзейнай для класіфікацыі відарысаў, зробленых у розных маштабах і/або павелічэннях.
Некаторыя адрозненні паміж выявамі памерам 8 \(\×\) 8 мм і выявамі памерам 6 \(\×\) 6 мм могуць прывесці да дрэннай класіфікацыі, уключаючы адносна высокую долю малюнкаў, якія змяшчаюць фовеальныя бессасудзістыя вобласці, змены бачнасці, сасудзістыя аркады і адсутнасць глядзельнага нерва на здымку 6×6 мм.Нягледзячы на ​​гэта, наша высакаякасная мадэль ResNet змагла дасягнуць AUC 85% для 6 \(\x\) 6 мм відарысаў, канфігурацыі, для якой мадэль не навучалася, што сведчыць аб тым, што інфармацыя аб якасці відарыса, закадзіраваная ў нейронавай сетцы падыходзіць.для аднаго памеру выявы або канфігурацыі машыны па-за межамі навучання (табліца 2).Абнадзейвае тое, што карты актывацыі ResNet і AlexNet, падобныя на выявы 8 \(\times \) 8 мм і 6 \(\times \) 6 мм, змаглі вылучыць сасуды сятчаткі ў абодвух выпадках, мяркуючы, што мадэль мае важную інфармацыю.дастасавальныя для класіфікацыі абодвух тыпаў малюнкаў OCTA (мал. 4).
Лаўэрман і інш.Ацэнка якасці выявы на выявах OCTA была выканана аналагічным чынам з выкарыстаннем архітэктуры Inception, яшчэ адной сверточной нейроннай сеткі з пропускам злучэння 6,32 з выкарыстаннем метадаў глыбокага навучання.Яны таксама абмежавалі даследаванне выявамі павярхоўнага капілярнага спляцення, але толькі з выкарыстаннем меншых малюнкаў памерам 3 × 3 мм з Optovue AngioVue, хоць пацыенты з рознымі хориоретинальными захворваннямі таксама былі ўключаны.Наша праца абапіраецца на іх асновы, уключаючы мноства мадэляў для вырашэння розных парогаў якасці відарысаў і праверкі вынікаў для відарысаў розных памераў.Мы таксама паведамляем пра паказчык AUC мадэляў машыннага навучання і павялічваем іх і без таго ўражлівую дакладнасць (90%)6 як для мадэляў нізкай якасці (96%), так і для мадэляў высокай якасці (95,7%)6.
Гэта навучанне мае некалькі абмежаванняў.Па-першае, выявы былі атрыманы толькі з дапамогай аднаго апарата OCTA, уключаючы толькі выявы павярхоўнага капілярнага спляцення на 8\(\times\)8 мм і 6\(\times\)6 мм.Прычына выключэння выяваў з больш глыбокіх слаёў заключаецца ў тым, што артэфакты праекцыі могуць зрабіць ацэнку выяваў уручную больш складанай і, магчыма, менш паслядоўнай.Акрамя таго, выявы былі атрыманы толькі ў пацыентаў з дыябетам, для якіх OCTA становіцца важным дыягнастычным і прагнастычным інструментам33,34.Нягледзячы на ​​тое, што мы змаглі праверыць нашу мадэль на выявах розных памераў, каб пераканацца, што вынікі былі надзейнымі, мы не змаглі вызначыць прыдатныя наборы даных з розных цэнтраў, што абмежавала нашу ацэнку магчымасці абагульнення мадэлі.Хоць выявы былі атрыманы толькі з аднаго цэнтра, яны былі атрыманы ад пацыентаў рознага этнічнага і расавага паходжання, што з'яўляецца унікальнай сілай нашага даследавання.Уключыўшы разнастайнасць у наш навучальны працэс, мы спадзяемся, што нашы вынікі будуць абагульнены ў больш шырокім сэнсе, і што мы пазбегнем кадзіравання расавай прадузятасці ў мадэлях, якія мы навучаем.
Наша даследаванне паказвае, што нейронавыя сеткі, якія прапускаюць злучэнне, можна навучыць дасягнуць высокай прадукцыйнасці ў вызначэнні якасці выявы OCTA.Мы прапануем гэтыя мадэлі ў якасці інструментаў для далейшых даследаванняў.Паколькі розныя метрыкі могуць мець розныя патрабаванні да якасці выявы, індывідуальная мадэль кантролю якасці можа быць распрацавана для кожнай метрыкі з выкарыстаннем усталяванай тут структуры.
Будучыя даследаванні павінны ўключаць выявы розных памераў з рознай глыбіні і розныя машыны OCTA, каб атрымаць працэс ацэнкі якасці выявы глыбокага навучання, які можна абагульніць на платформах OCTA і пратаколах візуалізацыі.Цяперашнія даследаванні таксама заснаваны на падыходах да глыбокага навучання пад кантролем, якія патрабуюць ацэнкі чалавекам і выявы, што можа быць працаёмкім і адымае шмат часу для вялікіх набораў даных.Пакуль трэба высветліць, ці могуць метады глыбокага навучання без нагляду адэкватна адрозніваць выявы нізкай якасці ад выяваў высокай якасці.
Паколькі тэхналогія OCTA працягвае развівацца і хуткасць сканіравання павялічваецца, частата з'яўлення артэфактаў выявы і выявы нізкай якасці можа зменшыцца.Паляпшэнні праграмнага забеспячэння, такія як нядаўна прадстаўленая функцыя выдалення артэфактаў праекцыі, таксама могуць змякчыць гэтыя абмежаванні.Тым не менш, многія праблемы застаюцца, паколькі візуалізацыя пацыентаў з дрэннай фіксацыяй або значнай мутнасцю носьбіта нязменна прыводзіць да артэфактаў выявы.Па меры таго, як OCTA становіцца ўсё больш шырока выкарыстоўваным у клінічных выпрабаваннях, патрабуецца ўважлівае разгляд, каб усталяваць дакладныя рэкамендацыі адносна прымальных узроўняў артэфактаў выявы для аналізу выявы.Прымяненне метадаў глыбокага навучання да малюнкаў OCTA мае вялікія перспектывы, і неабходныя далейшыя даследаванні ў гэтай галіне для распрацоўкі надзейнага падыходу да кантролю якасці малюнкаў.
Код, выкарыстаны ў бягучым даследаванні, даступны ў рэпазітары octa-qc, https://github.com/rahuldhodapkar/octa-qc.Наборы даных, створаныя і/або прааналізаваныя падчас бягучага даследавання, даступныя ў адпаведных аўтараў па абгрунтаваным запыце.
Спэйд, РФ, Фудзімота, Дж.Г. і Вахід, Н.К. Артэфакты выявы ў аптычнай кагерэнтнай ангіяграфіі.Сятчатка 35, 2163–2180 (2015).
Fenner, BJ і інш.Выяўленне асаблівасцяў візуалізацыі, якія вызначаюць якасць і ўзнаўляльнасць вымярэнняў шчыльнасці капілярнага спляцення сятчаткі пры ОКТ-ангіяграфіі.БР.Ж. Афтальмол.102, 509–514 (2018).
Lauerman, JL і інш.Уплыў тэхналогіі адсочвання вачэй на якасць выявы пры ОКТ-ангіяграфіі пры ўзроставай дэгенерацыі жоўтай плямы.Магільная арка.клінічны.вопытафтальмалогія.255, 1535–1542 (2017).
Бабюч А. С. і інш.Вымярэнне шчыльнасці капілярнай перфузии OCTA выкарыстоўваецца для выяўлення і ацэнкі макулярной ішэміі.афтальмалагічныя аперацыі.Лазерная візуалізацыя сятчаткі 51, S30–S36 (2020).
Хэ, К., Чжан, X., Рэн, С., і Сун, Дж. Глыбокае рэшткавае навучанне для распазнавання малюнкаў.У 2016 годзе на канферэнцыі IEEE па камп'ютэрным зроку і распазнаванні вобразаў (2016).
Lauerman, JL і інш.Аўтаматызаваная ацэнка якасці ангіяграфічнага выявы ОКТ з выкарыстаннем алгарытмаў глыбокага навучання.Магільная арка.клінічны.вопытафтальмалогія.257, 1641–1648 (2019).
Lauermann, J. і інш.Распаўсюджанасць памылак сегментацыі і артэфактаў руху пры ОКТ-ангіяграфіі залежыць ад захворвання сятчаткі.Магільная арка.клінічны.вопытафтальмалогія.256, 1807–1816 (2018).
Паск, Адам і інш.Pytorch: неабходная, высокапрадукцыйная бібліятэка глыбокага навучання.Паглыбленая апрацоўка нейроннай інфармацыі.сістэма.32, 8026–8037 (2019).
Deng, J. і інш.ImageNet: буйнамаштабная іерархічная база дадзеных малюнкаў.Канферэнцыя IEEE 2009 г. па камп'ютэрным зроку і распазнаванні вобразаў.248–255.(2009).
Крыжэўскі А., Суцкевер І. ​​і Хінтан Г.Э. Класіфікацыя Imagenet з выкарыстаннем глыбокіх згортачных нейронавых сетак.Паглыбленая апрацоўка нейроннай інфармацыі.сістэма.25, 1 (2012).