Asante kwa kutembelea Nature.com.Unatumia toleo la kivinjari lenye uwezo mdogo wa kutumia CSS.Kwa matumizi bora zaidi, tunapendekeza utumie kivinjari kilichosasishwa (au uzime Hali ya Upatanifu katika Internet Explorer).Kwa kuongeza, ili kuhakikisha usaidizi unaoendelea, tunaonyesha tovuti bila mitindo na JavaScript.
Vitelezi vinavyoonyesha makala tatu kwa kila slaidi.Tumia vitufe vya nyuma na vinavyofuata ili kusogeza kwenye slaidi, au vitufe vya kidhibiti cha slaidi mwishoni ili kusogea kwenye kila slaidi.
Angiografia ya mshikamano wa macho (OCTA) ni njia mpya ya taswira isiyo ya vamizi ya mishipa ya retina.Ingawa OCTA ina maombi mengi ya kliniki yanayoahidi, kubainisha ubora wa picha bado ni changamoto.Tulitengeneza mfumo wa kujifunza kwa kina kwa kutumia kiainishaji cha mtandao wa neva cha ResNet152 kilichofunzwa mapema na ImageNet ili kuainisha picha za mishipa ya fahamu ya kapilari kutoka 347 za wagonjwa 134.Picha hizo pia zilitathminiwa mwenyewe kama ukweli wa kweli na wakadiriaji wawili huru kwa modeli ya kujifunza inayosimamiwa.Kwa sababu mahitaji ya ubora wa picha yanaweza kutofautiana kulingana na mipangilio ya kimatibabu au ya utafiti, miundo miwili ilifunzwa, moja kwa ajili ya utambuzi wa picha ya ubora wa juu na nyingine kwa ajili ya utambuzi wa picha wa ubora wa chini.Muundo wetu wa mtandao wa neva unaonyesha eneo bora chini ya mkunjo (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), ambayo ni bora zaidi kuliko kiwango cha mawimbi kilichoripotiwa na mashine (AUC = 0.82, 95 % CI).0.77–0.86, \(\kappa\) = 0.52 na AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, mtawalia).Utafiti wetu unaonyesha kuwa mbinu za mashine za kujifunza zinaweza kutumika kutengeneza mbinu nyumbufu na thabiti za kudhibiti ubora wa picha za OCTA.
Angiografia ya upatanishi wa macho (OCTA) ni mbinu mpya kiasi kulingana na tomografia ya upatanishi wa macho (OCT) ambayo inaweza kutumika kwa taswira isiyo ya vamizi ya mikrova ya retina.OCTA hupima tofauti ya mifumo ya kuakisi kutoka kwa mipigo ya nuru inayorudiwa katika eneo moja la retina, na uundaji upya unaweza kisha kukokotwa ili kufichua mishipa ya damu bila utumiaji vamizi wa rangi au viashiria vingine vya utofautishaji.OCTA pia huwezesha upigaji picha wa mishipa yenye azimio la kina, ikiruhusu matabibu kuchunguza kando tabaka za mishipa ya juu na ya kina, na hivyo kusaidia kutofautisha kati ya ugonjwa wa chorioretina.
Ingawa mbinu hii inatia matumaini, utofauti wa ubora wa picha unasalia kuwa changamoto kubwa kwa uchanganuzi wa picha unaotegemewa, na kufanya tafsiri ya picha kuwa ngumu na kuzuia kupitishwa kwa kliniki.Kwa sababu OCTA hutumia uchanganuzi mwingi wa OCT mfululizo, ni nyeti zaidi kwa vizalia vya picha kuliko OCT ya kawaida.Majukwaa mengi ya kibiashara ya OCTA hutoa kipimo chao cha ubora wa picha kinachoitwa Nguvu ya Mawimbi (SS) au wakati mwingine Kielezo cha Nguvu ya Mawimbi (SSI).Hata hivyo, picha zilizo na thamani ya juu ya SS au SSI hazihakikishi kukosekana kwa vizalia vya picha, ambavyo vinaweza kuathiri uchanganuzi wowote wa picha unaofuata na kusababisha maamuzi yasiyo sahihi ya kliniki.Vizalia vya programu vya kawaida vinavyoweza kutokea katika upigaji picha wa OCTA ni pamoja na vizalia vya mwendo, vizalia vya programu vya sehemu, vizalia vya uwazi vya maudhui, na vizalia vya programu vya makadirio1,2,3.
Kwa vile hatua zinazotokana na OCTA kama vile msongamano wa mishipa zinazidi kutumika katika utafiti wa tafsiri, majaribio ya kimatibabu na mazoezi ya kimatibabu, kuna haja ya haraka ya kuunda michakato thabiti na inayotegemewa ya udhibiti wa ubora wa picha ili kuondoa kazi za sanaa za picha4.Miunganisho ya kuruka, pia inajulikana kama miunganisho ya mabaki, ni makadirio katika usanifu wa mtandao wa neural ambao huruhusu habari kupita safu za ubadilishaji wakati wa kuhifadhi habari katika mizani au maazimio tofauti5.Kwa sababu vizalia vya picha vinaweza kuathiri utendakazi wa picha ndogo na wa jumla wa kiwango kikubwa, mitandao ya neural ya muunganisho wa ruka inafaa vyema kufanyia kazi hili la kudhibiti ubora kiotomatiki.Kazi iliyochapishwa hivi majuzi imeonyesha ahadi fulani kwa mitandao ya kina ya neva iliyofunzwa kwa kutumia data ya ubora wa juu kutoka kwa wakadiriaji wa kibinadamu6.
Katika utafiti huu, tunafunza mtandao wa neva wa kubadilisha muunganisho ili kubainisha kiotomati ubora wa picha za OCTA.Tunaendeleza kazi ya awali kwa kuunda miundo tofauti ya kutambua picha za ubora wa juu na picha za ubora wa chini, kwa kuwa mahitaji ya ubora wa picha yanaweza kutofautiana kwa hali mahususi za kiafya au utafiti.Tunalinganisha matokeo ya mitandao hii na mitandao ya neva ya kubadilisha bila kukosa miunganisho ili kutathmini thamani ya kujumuisha vipengele katika viwango vingi vya uzito ndani ya mafunzo ya kina.Kisha tulilinganisha matokeo yetu na nguvu ya mawimbi, kipimo kinachokubalika cha ubora wa picha kinachotolewa na watengenezaji.
Utafiti wetu ulijumuisha wagonjwa walio na ugonjwa wa kisukari waliohudhuria Kituo cha Macho cha Yale kati ya Agosti 11, 2017 na Aprili 11, 2019. Wagonjwa walio na ugonjwa wowote wa chorioretina usio na kisukari hawakujumuishwa.Hakukuwa na vigezo vya kujumuisha au kutengwa kulingana na umri, jinsia, rangi, ubora wa picha au sababu nyingine yoyote.
Picha za OCTA zilipatikana kwa kutumia jukwaa la AngioPlex kwenye Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) chini ya 8\(\times\)8 mm na 6\(\times\)6 mm itifaki za upigaji picha.Idhini iliyoarifiwa ya kushiriki katika utafiti ilipatikana kutoka kwa kila mshiriki wa utafiti, na Bodi ya Ukaguzi ya Kitaasisi ya Chuo Kikuu cha Yale (IRB) iliidhinisha matumizi ya kibali cha habari na upigaji picha wa kimataifa kwa wagonjwa hawa wote.Kufuatia kanuni za Azimio la Helsinki.Utafiti huo uliidhinishwa na Chuo Kikuu cha Yale IRB.
Picha za bati za uso zilitathminiwa kulingana na Alama ya Vizalia vya Vizalia vya Mwendo (MAS) iliyoelezwa hapo awali, Alama ya Vizalia vya Usanii wa Sehemu iliyofafanuliwa hapo awali (SAS), kituo cha foveal, uwepo wa uwazi wa maudhui, na taswira nzuri ya kapilari ndogo kama inavyobainishwa na kitathmini picha.Picha hizo zilichambuliwa na watathmini wawili huru (RD na JW).Picha ina alama za daraja la 2 (zinazostahiki) ikiwa vigezo vyote vifuatavyo vinatimizwa: picha imewekwa katikati ya fovea (chini ya pikseli 100 kutoka katikati ya picha), MAS ni 1 au 2, SAS ni 1, na uwazi wa midia ni chini ya 1. Wasilisha kwenye picha za ukubwa / 16, na kapilari ndogo huonekana kwenye picha kubwa kuliko 15/16.Picha imekadiriwa 0 (hakuna ukadiriaji) ikiwa mojawapo ya vigezo vifuatavyo vinatimizwa: picha haipo katikati, ikiwa MAS ni 4, ikiwa SAS ni 2, au wastani wa kutoweka wazi ni mkubwa kuliko 1/4 ya picha, na kapilari ndogo haziwezi kurekebishwa zaidi ya picha 1/4 ili kutofautisha.Picha zingine zote ambazo hazikidhi vigezo vya bao 0 au 2 zimewekwa alama kama 1 (kupunguza).
Kwenye mtini.1 inaonyesha sampuli za picha kwa kila moja ya makadirio yaliyopimwa na vizalia vya picha.Kuegemea kati ya alama za mtu binafsi kulitathminiwa na Cohen's kappa weighting8.Alama mahususi za kila mchezaji hufupishwa ili kupata alama ya jumla kwa kila picha, kuanzia 0 hadi 4. Picha zilizo na alama 4 zinachukuliwa kuwa nzuri.Picha zilizo na alama 0 au 1 zinachukuliwa kuwa za ubora wa chini.
Usanifu wa ResNet152 wa mtandao wa neva wa kubadilisha mfumo wa neva (Mchoro 3A.i) uliofunzwa awali juu ya picha kutoka kwa hifadhidata ya ImageNet ulitolewa kwa kutumia fast.ai na mfumo wa PyTorch5, 9, 10, 11. Mtandao wa neva wa kuleta mabadiliko ni mtandao unaotumia waliojifunza. vichujio vya kuchanganua vipande vya picha ili kusoma vipengele vya anga na vya ndani.ResNet yetu iliyofunzwa ni mtandao wa neva wa safu 152 unaojulikana na mapungufu au "miunganisho ya mabaki" ambayo husambaza wakati huo huo habari na maazimio mengi.Kwa kuonyesha maelezo katika maazimio tofauti kwenye mtandao, jukwaa linaweza kujifunza vipengele vya picha za ubora wa chini katika viwango vingi vya maelezo.Kando na modeli yetu ya ResNet, pia tulifunza AlexNet, usanifu wa mtandao wa neva uliosomwa vyema, bila miunganisho ya kukosa kwa kulinganisha (Mchoro 3A.ii)12.Bila miunganisho ya kukosa, mtandao huu hautaweza kunasa vipengele kwa uzito wa juu zaidi.
Seti asili ya picha ya 8\(\times\)8mm OCTA13 imeimarishwa kwa kutumia mbinu za kuakisi mlalo na wima.Kisha mkusanyiko kamili wa data uligawanywa kwa nasibu katika kiwango cha picha katika mafunzo (51.2%), majaribio (12.8%), urekebishaji wa vigezo (16%), na seti za data za uthibitishaji (20%) kwa kutumia kisanduku cha zana cha scikit-learn python14.Matukio mawili yalizingatiwa, moja ikitegemea kugundua picha za ubora wa juu pekee (alama 4 kwa jumla) na nyingine ikitegemea kugundua picha za ubora wa chini pekee (alama 0 au 1 kwa ujumla).Kwa kila hali ya matumizi ya ubora wa juu na wa chini, mtandao wa neva hufunzwa upya mara moja kwenye data yetu ya picha.Katika kila kisa cha utumiaji, mtandao wa neva ulifunzwa kwa nyakati 10, zote isipokuwa uzani wa safu ya juu zaidi ziligandishwa, na uzani wa vigezo vyote vya ndani ulijifunza kwa nyakati 40 kwa kutumia mbinu ya kiwango cha ujifunzaji kibaguzi na utendaji wa upotezaji wa mtambuka 15, 16..Kitendakazi cha upotezaji wa entropy ni kipimo cha kipimo cha logarithmic cha tofauti kati ya lebo za mtandao zilizotabiriwa na data halisi.Wakati wa mafunzo, kushuka kwa gradient hufanywa kwa vigezo vya ndani vya mtandao wa neva ili kupunguza hasara.Kiwango cha kujifunza, kiwango cha kuacha shule, na vigezo vya kupunguza uzito vilirekebishwa kwa kutumia uboreshaji wa Bayesian kwa pointi 2 za kuanzia nasibu na marudio 10, na AUC kwenye mkusanyiko wa data ilipangwa kwa kutumia vigezo kama lengo la 17.
Mifano wakilishi ya 8 × 8 mm picha za OCTA za mishipa ya fahamu ya kapilari ya juu juu ilifunga 2 (A, B), 1 (C, D), na 0 (E, F).Vizalia vya picha vilivyoonyeshwa ni pamoja na mistari inayometa (mishale), vizalia vya programu vya sehemu (nyota), na uwazi wa midia (mishale).Picha (E) pia haiko katikati.
Sifa za uendeshaji wa kipokezi (ROC) kisha hutengenezwa kwa miundo yote ya mtandao wa neva, na ripoti za nguvu za mawimbi ya injini hutolewa kwa kila kesi ya matumizi ya ubora wa chini na ubora wa juu.Eneo lililo chini ya curve (AUC) lilikokotolewa kwa kutumia kifurushi cha pROC R, na vipindi vya kujiamini 95% na thamani za p zilikokotolewa kwa kutumia mbinu ya DeLong18,19.Alama limbikizi za wakadiriaji wa kibinadamu hutumika kama msingi wa hesabu zote za ROC.Kwa nguvu ya mawimbi iliyoripotiwa na mashine, AUC ilikokotolewa mara mbili: mara moja kwa ukato wa Alama ya Uwezeshaji wa hali ya juu na mara moja kwa ukato wa Alama ya Ubora wa chini.Mtandao wa neva unalinganishwa na nguvu ya mawimbi ya AUC inayoakisi hali yake ya mafunzo na tathmini.
Ili kujaribu zaidi kielelezo cha mafunzo ya kina kwenye mkusanyiko tofauti wa data, miundo ya ubora wa juu na ya chini ilitumika moja kwa moja katika tathmini ya utendakazi ya picha 32 za uso kamili 6\(\mara\) 6mm za slaba za uso zilizokusanywa kutoka Chuo Kikuu cha Yale.Misa ya Macho inazingatia wakati huo huo na picha 8 \ (\ mara \) 8 mm.Picha za 6\(\×\) 6 mm zilitathminiwa kwa mikono na wakadiriaji sawa (RD na JW) kwa njia sawa na picha za 8\(\×\) 8 mm, AUC ilikokotolewa pamoja na usahihi na kappa ya Cohen. .kwa usawa.
Uwiano wa usawa wa darasa ni 158:189 (\(\rho = 1.19\)) kwa mfano wa ubora wa chini na 80:267 (\(\rho = 3.3\)) kwa mfano wa ubora wa juu.Kwa sababu uwiano wa usawa wa darasa ni chini ya 1:4, hakuna mabadiliko maalum ya usanifu yamefanywa ili kurekebisha usawa wa darasa20,21.
Ili kuibua vyema mchakato wa kujifunza, ramani za kuwezesha darasa zilitolewa kwa miundo yote minne ya kujifunza kwa kina: kielelezo cha ubora wa juu cha ResNet152, kielelezo cha ubora wa chini cha ResNet152, kielelezo cha hali ya juu cha AlexNet, na kielelezo cha ubora wa chini cha AlexNet.Ramani za kuwezesha darasa hutengenezwa kutoka kwa tabaka za ushawishi za ingizo za miundo hii minne, na ramani za joto hutokezwa kwa kuwekea ramani za kuwezesha zenye picha chanzo kutoka kwa seti za uthibitishaji za 8 × 8 mm na 6 × 6 mm22, 23.
Toleo la R 4.0.3 lilitumika kwa hesabu zote za takwimu, na taswira ziliundwa kwa kutumia maktaba ya zana ya michoro ya ggplot2.
Tulikusanya picha 347 za mbele za mishipa ya fahamu ya juu juu ya kapilari yenye urefu wa 8 \(\mara \)8 mm kutoka kwa watu 134.Mashine iliripoti nguvu ya mawimbi kwa kipimo cha 0 hadi 10 kwa picha zote (wastani = 6.99 ± 2.29).Kati ya picha 347 zilizopatikana, umri wa wastani katika uchunguzi ulikuwa miaka 58.7 ± 14.6, na 39.2% ilitoka kwa wagonjwa wa kiume.Kati ya picha zote, 30.8% zilitoka kwa Caucasians, 32.6% kutoka kwa Weusi, 30.8% kutoka Hispanics, 4% kutoka kwa Waasia, na 1.7% kutoka jamii zingine (Jedwali 1).)Usambazaji wa umri wa wagonjwa wenye OCTA ulitofautiana kwa kiasi kikubwa kulingana na ubora wa picha (p <0.001).Asilimia ya picha za ubora wa juu kwa wagonjwa wadogo wenye umri wa miaka 18-45 ilikuwa 33.8% ikilinganishwa na 12.2% ya picha za ubora wa chini (Jedwali 1).Usambazaji wa hali ya retinopathy ya kisukari pia ulitofautiana kwa kiasi kikubwa katika ubora wa picha (p <0.017).Miongoni mwa picha zote za ubora wa juu, asilimia ya wagonjwa wenye PDR ilikuwa 18.8% ikilinganishwa na 38.8% ya picha zote za ubora wa chini (Jedwali 1).
Ukadiriaji wa kibinafsi wa picha zote ulionyesha uaminifu wa wastani hadi mkubwa kati ya watu wanaosoma picha (kappa ya Cohen iliyopimwa = 0.79, 95% CI: 0.76-0.82), na hakukuwa na alama za picha ambapo wakadiriaji walitofautiana kwa zaidi ya 1 (Mtini. 2A)..Uzito wa mawimbi ulihusishwa kwa kiasi kikubwa na bao la mwongozo (Uwiano wa wakati wa bidhaa ya Pearson = 0.58, 95% CI 0.51-0.65, p<0.001), lakini picha nyingi zilitambuliwa kuwa na nguvu ya juu ya ishara lakini bao la chini la mwongozo (Mchoro .2B).
Wakati wa mafunzo ya usanifu wa ResNet152 na AlexNet, upotezaji wa mtambuka kwenye uthibitishaji na mafunzo unaangukia zaidi ya nyakati 50 (Mchoro 3B, C).Usahihi wa uthibitishaji katika enzi ya mwisho ya mafunzo ni zaidi ya 90% kwa matukio ya utumiaji ya ubora wa juu na ya chini.
Mikondo ya utendakazi wa kipokezi huonyesha kuwa muundo wa ResNet152 hufaulu kwa kiasi kikubwa nguvu ya mawimbi iliyoripotiwa na mashine katika hali za matumizi ya ubora wa chini na wa juu (p <0.001).Mfano wa ResNet152 pia unazidi kwa kiasi kikubwa usanifu wa AlexNet (p = 0.005 na p = 0.014 kwa hali ya chini na ya hali ya juu, kwa mtiririko huo).Aina zilizosababishwa kwa kila moja ya kazi hizi ziliweza kufikia maadili ya AUC ya 0.99 na 0.97, mtawaliwa, ambayo ni bora zaidi kuliko maadili yanayolingana ya AUC ya 0.82 na 0.78 kwa faharisi ya nguvu ya ishara ya mashine au 0.97 na 0.94 kwa AlexNet. ..(Mchoro 3).Tofauti kati ya ResNet na AUC katika nguvu ya mawimbi ni ya juu zaidi wakati wa kutambua picha za ubora wa juu, ikionyesha manufaa ya ziada ya kutumia ResNet kwa kazi hii.
Grafu zinaonyesha uwezo wa kila mkadiriaji huru kupata alama na kulinganisha na nguvu ya mawimbi iliyoripotiwa na mashine.(A) Jumla ya pointi zitakazotathminiwa hutumika kuunda jumla ya pointi zitakazotathminiwa.Picha zilizo na alama ya jumla ya 4 hupewa ubora wa juu, wakati picha zilizo na alama ya jumla ya 1 au chini hupewa ubora wa chini.(B) Uzito wa mawimbi hulingana na makadirio ya mikono, lakini picha zilizo na kasi ya juu ya mawimbi zinaweza kuwa za ubora duni.Laini yenye vitone nyekundu inaonyesha kiwango cha juu cha ubora kilichopendekezwa na mtengenezaji kulingana na nguvu ya mawimbi (nguvu ya mawimbi \(\ge\)6).
Mafunzo ya uhamishaji ya ResNet hutoa uboreshaji mkubwa katika utambuzi wa ubora wa picha kwa hali ya matumizi ya ubora wa chini na ubora wa juu ikilinganishwa na viwango vya mawimbi vinavyoripotiwa na mashine.(A) Michoro ya usanifu iliyorahisishwa ya mafunzo ya awali (i) ResNet152 na (ii) Usanifu wa AlexNet.(B) Historia ya mafunzo na mikondo ya utendakazi wa mpokeaji kwa ResNet152 ikilinganishwa na nguvu za mawimbi zilizoripotiwa na vigezo vya ubora wa chini vya AlexNet.(C) Historia ya mafunzo ya mpokeaji wa ResNet152 na mikondo ya utendakazi ikilinganishwa na nguvu ya mawimbi iliyoripotiwa na mashine na vigezo vya ubora wa juu vya AlexNet.
Baada ya kurekebisha kizingiti cha mpaka wa uamuzi, usahihi wa juu wa utabiri wa mfano wa ResNet152 ni 95.3% kwa kesi ya ubora wa chini na 93.5% kwa kesi ya ubora wa juu (Jedwali 2).Usahihi wa juu wa utabiri wa mfano wa AlexNet ni 91.0% kwa kesi ya ubora wa chini na 90.1% kwa kesi ya juu (Jedwali 2).Usahihi wa juu wa utabiri wa nguvu ya mawimbi ni 76.1% kwa kesi ya matumizi ya ubora wa chini na 77.8% kwa kesi ya matumizi ya ubora wa juu.Kulingana na kappa ya Cohen (\(\kappa\)), makubaliano kati ya muundo wa ResNet152 na wakadiriaji ni 0.90 kwa kesi ya ubora wa chini na 0.81 kwa kesi ya ubora wa juu.AlexNet kappa ya Cohen ni 0.82 na 0.71 kwa hali ya matumizi ya ubora wa chini na ubora wa juu, mtawalia.Kappa ya nguvu ya mawimbi ya Cohen ni 0.52 na 0.27 kwa matumizi ya hali ya chini na ya hali ya juu, mtawalia.
Uthibitishaji wa miundo ya utambuzi wa ubora wa juu na wa chini kwenye picha 6\(\x\) za bati tambarare ya mm 6 huonyesha uwezo wa kielelezo kilichofunzwa kubainisha ubora wa picha kwenye vigezo mbalimbali vya picha.Wakati wa kutumia slabs 6 \(\x\) 6 mm za kina kwa ubora wa picha, mfano wa ubora wa chini ulikuwa na AUC ya 0.83 (95% CI: 0.69-0.98) na mfano wa ubora wa juu ulikuwa na AUC ya 0.85.(95% CI: 0.55-1.00) (Jedwali 2).
Ukaguzi wa kuona wa ramani za kuwezesha safu ya ingizo ulionyesha kuwa mitandao yote ya neva iliyofunzwa ilitumia vipengele vya picha wakati wa uainishaji wa picha (Mchoro 4A, B).Kwa picha 8 \(\ mara \) 8 mm na 6 \(\ mara \) 6 mm picha, picha za kuwezesha ResNet hufuata kwa karibu vasculature ya retina.Ramani za uanzishaji za AlexNet pia hufuata mishipa ya retina, lakini kwa azimio kubwa zaidi.
Ramani za kuwezesha darasa za miundo ya ResNet152 na AlexNet huangazia vipengele vinavyohusiana na ubora wa picha.(A) Ramani ya kuwezesha darasa inayoonyesha uwezeshaji thabiti baada ya vasculature ya juu juu ya retina kwenye picha 8 \(\nyakati \) 8 mm za uthibitishaji na (B) kiwango kwenye picha ndogo 6 \(\nyakati \) 6 mm za uthibitishaji.Muundo wa LQ uliofunzwa kwa vigezo vya ubora wa chini, modeli ya HQ iliyofunzwa kwa vigezo vya ubora wa juu.
Imeonyeshwa hapo awali kuwa ubora wa picha unaweza kuathiri sana ukadiriaji wowote wa picha za OCTA.Kwa kuongeza, uwepo wa retinopathy huongeza matukio ya mabaki ya picha7,26.Kwa hakika, katika data yetu, kulingana na tafiti za awali, tulipata uhusiano mkubwa kati ya ongezeko la umri na ukali wa ugonjwa wa retina na kuzorota kwa ubora wa picha (p <0.001, p = 0.017 kwa umri na hali ya DR, mtawalia; Jedwali 1) 27 . Kwa hivyo, ni muhimu kutathmini ubora wa picha kabla ya kufanya uchanganuzi wowote wa picha za OCTA.Tafiti nyingi zinazochanganua picha za OCTA hutumia viwango vya juu vya kasi vya mawimbi vinavyoripotiwa na mashine ili kuondoa picha za ubora wa chini.Ingawa ukubwa wa mawimbi umeonyeshwa kuathiri ukadiriaji wa vigezo vya OCTA, nguvu ya juu ya mawimbi pekee inaweza isitoshe kuondoa picha zilizo na vizalia vya picha2,3,28,29.Kwa hiyo, ni muhimu kuendeleza njia ya kuaminika zaidi ya udhibiti wa ubora wa picha.Ili kufikia hili, tunatathmini utendakazi wa mbinu za kujifunza kwa kina zinazosimamiwa dhidi ya nguvu ya mawimbi iliyoripotiwa na mashine.
Tumeunda miundo kadhaa ya kutathmini ubora wa picha kwa sababu kesi tofauti za utumiaji za OCTA zinaweza kuwa na mahitaji tofauti ya ubora wa picha.Kwa mfano, picha zinapaswa kuwa za ubora wa juu.Kwa kuongeza, vigezo maalum vya kiasi cha riba pia ni muhimu.Kwa mfano, eneo la ukanda wa avascular ya foveal haitegemei turbidity ya kati isiyo ya kati, lakini inathiri wiani wa vyombo.Ingawa utafiti wetu unaendelea kuangazia mbinu ya jumla ya ubora wa picha, isiyofungamana na mahitaji ya jaribio lolote mahususi, lakini inayokusudiwa kuchukua nafasi ya moja kwa moja nguvu ya mawimbi iliyoripotiwa na mashine, tunatumai kuwapa watumiaji kiwango kikubwa zaidi cha udhibiti ili inaweza kuchagua kipimo mahususi cha riba kwa mtumiaji.chagua kielelezo kinacholingana na kiwango cha juu zaidi cha vizalia vya picha vinavyozingatiwa kuwa vinakubalika.
Kwa matukio ya ubora wa chini na wa hali ya juu, tunaonyesha utendakazi bora wa mitandao ya neva yenye miunganisho mirefu isiyo na muunganisho, yenye AUC za 0.97 na 0.99 na miundo ya ubora wa chini, mtawalia.Pia tunaonyesha utendaji bora wa mbinu yetu ya kujifunza kwa kina tunapolinganishwa na viwango vya mawimbi vinavyoripotiwa na mashine pekee.Ruka miunganisho huruhusu mitandao ya neva kujifunza vipengele katika viwango vingi vya maelezo, kunasa vipengele bora vya picha (km utofautishaji) pamoja na vipengele vya jumla (km kuweka katikati ya picha30,31).Kwa kuwa vizalia vya picha vinavyoathiri ubora wa picha huenda vinatambuliwa vyema zaidi katika anuwai nyingi, usanifu wa mtandao wa neural wenye miunganisho inayokosekana unaweza kuonyesha utendakazi bora zaidi kuliko ule ambao hauna kazi za kubainisha ubora wa picha.
Wakati wa kupima mtindo wetu kwenye picha za OCTA 6\(\×6mm), tuliona kupungua kwa utendaji wa uainishaji kwa mifano ya ubora wa juu na ya chini (Mchoro 2), tofauti na ukubwa wa mfano uliofunzwa kwa uainishaji.Ikilinganishwa na mfano wa ResNet, mfano wa AlexNet una falloff kubwa.Utendaji bora zaidi wa ResNet unaweza kuwa kutokana na uwezo wa miunganisho ya mabaki kusambaza taarifa katika mizani nyingi, ambayo hufanya kielelezo kiwe thabiti zaidi kwa kuainisha picha zilizonaswa kwa mizani tofauti na/au vikuzaji.
Baadhi ya tofauti kati ya 8 \(\×\) 8 mm picha na 6 \(\×\) 6 mm picha inaweza kusababisha uainishaji mbaya, ikiwa ni pamoja na kiasi kikubwa cha picha zenye maeneo foveal avascular, mabadiliko ya mwonekano, arcades mishipa, na hakuna ujasiri wa macho kwenye picha 6 × 6 mm.Licha ya hayo, muundo wetu wa ubora wa juu wa ResNet uliweza kufikia AUC ya 85% kwa picha 6 \(\x\) 6 mm, usanidi ambao muundo haujafunzwa, na kupendekeza kuwa maelezo ya ubora wa picha yamesimbwa katika mtandao wa neva. inafaa.kwa saizi moja ya picha au usanidi wa mashine nje ya mafunzo yake (Jedwali 2).Kwa kuhakikishia, ramani za uanzishaji za ResNet- na AlexNet za 8 \(\ nyakati \) 8 mm na 6 \(\ mara \) picha za 6 mm ziliweza kuangazia mishipa ya retina katika visa vyote viwili, na kupendekeza kuwa mfano huo una habari muhimu.zinatumika kwa kuainisha aina zote mbili za picha za OCTA (Mchoro 4).
Lauerman et al.Tathmini ya ubora wa picha kwenye picha za OCTA ilitekelezwa vivyo hivyo kwa kutumia usanifu wa Uanzishaji, mtandao mwingine wa kubadilisha mfumo wa neva wa kuruka6,32 kwa kutumia mbinu za kujifunza kwa kina.Pia waliwekea utafiti huo kwa picha za mishipa ya fahamu ya kapilari ya juu juu, lakini kwa kutumia tu picha ndogo za 3×3 mm kutoka Optovue AngioVue, ingawa wagonjwa wenye magonjwa mbalimbali ya korioretina pia walijumuishwa.Kazi yetu inajengwa juu ya misingi yao, ikijumuisha miundo mingi ya kushughulikia vizingiti mbalimbali vya ubora wa picha na kuthibitisha matokeo ya picha za ukubwa tofauti.Pia tunaripoti kipimo cha AUC cha miundo ya kujifunza mashine na kuongeza usahihi wake ambao tayari unavutia (90%)6 kwa miundo ya ubora wa chini (96%) na ubora wa juu (95.7%)6.
Mafunzo haya yana mapungufu kadhaa.Kwanza, picha zilipatikana kwa mashine moja tu ya OCTA, ikiwa ni pamoja na picha tu za plexus ya juu ya capillary katika 8\(\times\)8 mm na 6\(\times\)6 mm.Sababu ya kutenga picha kutoka kwa tabaka za kina zaidi ni kwamba vizalia vya programu vya makadirio vinaweza kufanya tathmini ya picha kwa mikono kuwa ngumu zaidi na ikiwezekana isiwe thabiti.Zaidi ya hayo, picha zimepatikana tu kwa wagonjwa wa kisukari, ambao OCTA inajitokeza kama zana muhimu ya uchunguzi na ubashiri33,34.Ingawa tuliweza kujaribu muundo wetu kwenye picha za saizi tofauti ili kuhakikisha kuwa matokeo yalikuwa thabiti, hatukuweza kutambua hifadhidata zinazofaa kutoka kwa vituo tofauti, jambo ambalo lilipunguza tathmini yetu ya uboreshaji wa jumla wa muundo.Ingawa picha zilipatikana kutoka kituo kimoja tu, zilipatikana kutoka kwa wagonjwa wa asili tofauti za kikabila na rangi, ambayo ni nguvu ya kipekee ya utafiti wetu.Kwa kujumuisha anuwai katika mchakato wetu wa mafunzo, tunatumai kuwa matokeo yetu yatafanywa kwa ujumla katika maana pana, na kwamba tutaepuka kusimba upendeleo wa rangi katika miundo tunayofundisha.
Utafiti wetu unaonyesha kuwa mitandao ya neural ya kuruka muunganisho inaweza kufunzwa ili kufikia utendaji wa juu katika kubainisha ubora wa picha ya OCTA.Tunatoa miundo hii kama zana za utafiti zaidi.Kwa sababu vipimo tofauti vinaweza kuwa na mahitaji tofauti ya ubora wa picha, muundo maalum wa kudhibiti ubora unaweza kutengenezwa kwa kila kipimo kwa kutumia muundo uliowekwa hapa.
Utafiti wa siku zijazo unapaswa kujumuisha picha za ukubwa tofauti kutoka kina tofauti na mashine tofauti za OCTA ili kupata mchakato wa kutathmini ubora wa picha unaojifunza ambao unaweza kujumlishwa kwa majukwaa ya OCTA na itifaki za upigaji picha.Utafiti wa sasa pia unategemea mbinu za ujifunzaji wa kina zinazosimamiwa ambazo zinahitaji tathmini ya kibinadamu na tathmini ya picha, ambayo inaweza kuchukua kazi kubwa na kuchukua muda kwa hifadhidata kubwa.Inabakia kuonekana ikiwa mbinu za kujifunza kwa kina zisizosimamiwa zinaweza kutofautisha vya kutosha kati ya picha za ubora wa chini na picha za ubora wa juu.
Kadiri teknolojia ya OCTA inavyoendelea kubadilika na kasi ya kuchanganua kuongezeka, matukio ya vizalia vya picha na picha zenye ubora duni zinaweza kupungua.Maboresho katika programu, kama vile kipengele cha kuondoa vizalia vya programu vya makadirio vilivyoletwa hivi majuzi, kinaweza pia kupunguza vikwazo hivi.Hata hivyo, matatizo mengi yanasalia kama taswira ya wagonjwa walio na urekebishaji mbaya au upotovu mkubwa wa vyombo vya habari mara kwa mara husababisha vizalia vya picha.Kadiri OCTA inavyozidi kutumika katika majaribio ya kimatibabu, kuzingatiwa kwa uangalifu kunahitajika ili kuweka miongozo iliyo wazi ya viwango vya vizalia vya picha vinavyokubalika kwa uchanganuzi wa picha.Utumiaji wa mbinu za kina za kujifunza kwa picha za OCTA una ahadi kubwa na utafiti zaidi unahitajika katika eneo hili ili kuunda mbinu thabiti ya kudhibiti ubora wa picha.
Nambari ya kuthibitisha iliyotumika katika utafiti wa sasa inapatikana katika hazina ya octa-qc, https://github.com/rahuldhodapkar/octa-qc.Seti za data zinazozalishwa na/au kuchambuliwa wakati wa utafiti wa sasa zinapatikana kutoka kwa waandishi husika kwa ombi linalofaa.
Spaide, RF, Fujimoto, JG & Waheed, NK Vizalia vya programu vya picha katika angiografia ya upatanishi wa macho.Retina 35, 2163–2180 (2015).
Fenner, BJ na wenzake.Utambulisho wa vipengele vya kupiga picha vinavyobainisha ubora na uzazi wa vipimo vya msongamano wa mishipa ya fahamu ya kapilari katika OCT angiografia.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL na wenzake.Ushawishi wa teknolojia ya ufuatiliaji wa macho kwenye ubora wa picha ya angiografia ya OCT katika kuzorota kwa seli zinazohusiana na umri.Tao la kaburi.kiafya.Mwisho.ophthalmology.255, 1535–1542 (2017).
Babyuch AS et al.Vipimo vya msongamano wa kapilari ya OCTA hutumika kugundua na kutathmini iskemia ya macular.upasuaji wa macho.Picha ya Retina ya Laser 51, S30–S36 (2020).
Yeye, K., Zhang, X., Ren, S., na Sun, J. Mafunzo ya Mabaki ya Kina kwa Utambuzi wa Picha.Mnamo 2016 katika Mkutano wa IEEE juu ya Maono ya Kompyuta na Utambuzi wa Muundo (2016).
Lauerman, JL na wenzake.Tathmini otomatiki ya ubora wa picha ya angiografia ya OCT kwa kutumia kanuni za kujifunza kwa kina.Tao la kaburi.kiafya.Mwisho.ophthalmology.257, 1641–1648 (2019).
Lauermann, J. et al.Kuenea kwa makosa ya sehemu na mabaki ya mwendo katika angiografia ya OCT inategemea ugonjwa wa retina.Tao la kaburi.kiafya.Mwisho.ophthalmology.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Maktaba ya Kujifunza ya Kina, yenye Utendaji wa Juu.Usindikaji wa hali ya juu wa habari ya neva.mfumo.32, 8026–8037 (2019).
Deng, J. na wengine.ImageNet: Hifadhidata ya Taswira ya Kiwango Kikubwa cha Hierarkia.Mkutano wa IEEE wa 2009 kuhusu Maono ya Kompyuta na Utambuzi wa Muundo.248–255.(2009).
Krizhevsky A., Sutzkever I. na Hinton GE uainishaji wa Imagenet kwa kutumia mitandao ya neva ya kina ya mabadiliko.Usindikaji wa hali ya juu wa habari ya neva.mfumo.25, 1 (2012).