Eskerrik asko Nature.com bisitatzeagatik.CSS laguntza mugatua duen arakatzailearen bertsioa erabiltzen ari zara.Esperientzia onena lortzeko, eguneratutako arakatzailea erabiltzea gomendatzen dugu (edo Internet Explorer-en bateragarritasun modua desgaitzea).Horrez gain, etengabeko laguntza bermatzeko, gunea estilorik eta JavaScript gabe erakusten dugu.
Diapositiba bakoitzeko hiru artikulu erakusten dituzten graduatzaileak.Erabili atzeko eta hurrengo botoiak diapositibetan zehar mugitzeko, edo amaierako diapositiba kontroladorearen botoiak diapositiba bakoitzean mugitzeko.
Koherentzia optikoko angiografia tomografikoa (OCTA) erretinako hodien bistaratzeko metodo berri bat da.OCTAk aplikazio kliniko itxaropentsu asko baditu ere, irudiaren kalitatea zehaztea erronka izaten jarraitzen du.Ikaskuntza sakonean oinarritutako sistema bat garatu dugu ImageNet-ekin aldez aurretik trebatutako ResNet152 neurona-sareen sailkatzailea erabiliz, azaleko plexus kapilar irudiak 134 pazienteren 347 eskaneatzeetatik sailkatzeko.Irudiak eskuz egiazko egia gisa ebaluatu zituzten bi ebaluatzaile independentek gainbegiraturiko ikasketa-eredu baterako.Irudiaren kalitate-eskakizunak kliniko edo ikerketa-ezarpenen arabera alda daitezkeenez, bi eredu trebatu ziren, bata kalitate handiko irudiak ezagutzeko eta bestea kalitate baxuko irudiak ezagutzeko.Gure neurona-sare ereduak kurbaren azpian (AUC) eremu bikaina erakusten du, % 95eko CI 0,96-0,99, \(\kappa\) = 0,81), makinak adierazitako seinale maila baino nabarmen hobea (AUC = 0,82, 95). % CI).0,77-0,86, \(\kappa\) = 0,52 eta AUC = 0,78, % 95eko CI 0,73-0,83, \(\kappa\) = 0,27, hurrenez hurren).Gure azterketak frogatzen du ikaskuntza automatikoko metodoak erabil daitezkeela OCTA irudien kalitatea kontrolatzeko metodo malgu eta sendoak garatzeko.
Koherentzia optikoko angiografia tomografikoa (OCTA) koherentzia optikoko tomografian (OCT) oinarritutako teknika nahiko berria da, erretinako mikrobaskulazioaren bistaratzea ez inbaditzailerako erabil daitekeena.OCTAk erretinaren eremu berean errepikatzen diren argi-pultsuen erreflexio-ereduen aldea neurtzen du, eta berreraikuntzak kalkula daitezke odol-hodiak agerian uzteko koloratzailerik edo beste kontraste-agenterik erabili gabe.OCTAk sakoneko bereizmeneko irudi baskularra ere ahalbidetzen du, klinikoek azaleko eta sakoneko ontzien geruzak bereizita aztertzeko aukera emanez, gaixotasun korioretinala bereizten lagunduz.
Teknika hau itxaropentsua den arren, irudiaren kalitatearen aldakuntzak erronka handia izaten jarraitzen du irudi fidagarrien azterketarako, irudien interpretazioa zailduz eta adopzio kliniko zabala saihestuz.OCTAk OCT eskaneatu hainbat jarraian erabiltzen dituenez, OCT estandarra baino sentikorragoa da irudi-artefaktuekiko.OCTA plataforma komertzial gehienek Seinalearen Indarra (SS) edo batzuetan Seinalearen Indarraren Indizea (SSI) izeneko irudi-kalitatearen metrika propioa eskaintzen dute.Hala ere, SS edo SSI balio handia duten irudiek ez dute bermatzen irudi-artefakturik ez dagoenik, eta horrek ondorengo edozein irudi-analisian eragin dezake eta erabaki kliniko okerrak ekar ditzake.OCTA irudietan gerta daitezkeen ohiko irudi-artefaktuak, besteak beste, mugimendu-artefaktuak, segmentazio-artefaktuak, multimedia-opakotasun-artefaktuak eta proiekzio-artefaktuak1,2,3.
OCTAtik eratorritako neurriak, hala nola dentsitate baskularra, gero eta gehiago erabiltzen direnez ikerketa translazionalean, entsegu klinikoetan eta praktika klinikoan, premiazkoa da irudien kalitatea kontrolatzeko prozesu sendo eta fidagarriak garatzea irudien artefaktuak ezabatzeko4.Saltatzeko konexioak, hondar-konexioak izenez ere ezagutzen direnak, sare neuronaleko arkitekturako proiekzioak dira, informazioari geruza konboluzionalak saihesteko aukera ematen dioten informazioa eskala edo bereizmen desberdinetan gordetzen duen bitartean5.Irudien artefaktuek eskala txikiko eta eskala handiko irudien errendimenduan eragina izan dezaketenez, konexio-sareak saltatzeko sare neuronalak oso egokiak dira kalitate-kontroleko zeregin hori automatizatzeko5.Duela gutxi argitaratutako lanek nolabaiteko promesa erakutsi dute giza estimatzaileen kalitate handiko datuak erabiliz trebatutako neurona-sare konbolutibo sakonetarako6.
Azterketa honetan, konexio-saltatzeko sare neuronal konboluzional bat entrenatzen dugu OCTA irudien kalitatea automatikoki zehazteko.Aurreko lanetan oinarritzen gara kalitate handiko irudiak eta kalitate baxuko irudiak identifikatzeko eredu bereiziak garatuz, irudien kalitatearen eskakizunak desberdinak izan daitezkeelako kliniko edo ikerketa agertoki zehatzetarako.Sare hauen emaitzak sare neuronal konbolutiboekin konparatzen ditugu, konexiorik galdu gabe, ikaskuntza sakonean ezaugarriak xehetasun-maila anitzetan sartzearen balioa ebaluatzeko.Ondoren, gure emaitzak seinalearen indarrarekin alderatu ditugu, fabrikatzaileek emandako irudi-kalitatearen neurri orokor onartua.
Gure ikerketak 2017ko abuztuaren 11tik 2019ko apirilaren 11ra Yale Eye Centerrera joan ziren diabetesa duten pazienteak barne hartu zituen. Korioretinako gaixotasun diabetikoa ez zuten pazienteak baztertu zituzten.Ez zegoen adinaren, generoaren, arrazaren, irudiaren kalitatearen edo beste edozein faktoreren arabera sartzeko edo baztertzeko irizpiderik.
OCTA irudiak AngioPlex plataforma erabiliz eskuratu ziren Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) 8\(\times\)8 mm eta 6\(\times\)6 mm-ko irudi-protokoloetan.Ikerketan parte hartzeko adostasun informatua lortu zen ikerketako parte-hartzaile bakoitzarengandik, eta Yale Unibertsitateko Instituzioen Berrikuspen Batzordeak (IRB) onartu zuen adostasun informatua erabiltzea argazkilaritza globalarekin paziente guzti horientzat.Helsinkiko Adierazpenaren printzipioei jarraituz.Ikerketa Yale Unibertsitateko IRBk onartu zuen.
Gainazaleko plaken irudiak aldez aurretik deskribatutako Motion Artifact Score (MAS), aurretik deskribatutako Segmentation Artifact Score (SAS), foveal zentroa, komunikabideen opakotasun presentzia eta kapilar txikien bistaratzea ona irudi ebaluatzaileak zehaztutakoaren arabera ebaluatu dira.Irudiak bi ebaluatzaile independentek (RD eta JW) aztertu zituzten.Irudi batek 2ko puntuazioa du (hautagarria) irizpide hauek guztiak betetzen badira: irudia fovean zentratuta dago (irudiaren erditik 100 pixel baino gutxiagora), MAS 1 edo 2 da, SAS 1 da eta euskarrien opakutasuna 1 baino txikiagoa da. Tamaina / 16 irudietan ageri da, eta kapilar txikiak ikusten dira 15/16 baino handiagoak diren irudietan.Irudi bat 0 baloratzen da (baloraziorik ez) irizpide hauetakoren bat betetzen bada: irudia zentrotik kanpo badago, MAS 4 bada, SAS 2 bada edo batez besteko opakutasuna irudiaren 1/4 baino handiagoa bada, eta kapilar txikiak ezin dira 1 irudi /4 baino gehiago egokitu bereizteko.0 edo 2 puntuazio-irizpideak betetzen ez dituzten beste irudi guztiak 1 gisa baloratuko dira (mozketa).
irudian.1. irudiak eskalatutako estimazio eta irudi artefaktu bakoitzaren lagin-irudiak erakusten ditu.Banakako puntuazioen arteko fidagarritasuna Cohen-en kappa ponderazioarekin baloratu zen8.Baloratzaile bakoitzaren puntuazio indibidualak batzen dira irudi bakoitzaren puntuazio orokorra lortzeko, 0tik 4ra bitartekoa. 4 puntuazio osoa duten irudiak ontzat hartzen dira.Guztira 0 edo 1eko puntuazioa duten irudiak kalitate baxukotzat hartzen dira.
ImageNet datu-baseko irudietan aurrez trebatutako ResNet152 arkitektura-sare neuronal konboluzionala (3A.i. irudia) fast.ai eta PyTorch framework-a erabiliz sortu zen. Sare neuronal konboluzionala ikasitakoa erabiltzen duen sare bat da. irudi-zatiak eskaneatzeko iragazkiak ezaugarri espazialak eta lokalak aztertzeko.Gure trebatu ResNet 152 geruzako sare neuronal bat da, hutsuneak edo "hondar-konexioak" bereizten dituena, eta aldi berean bereizmen anitzeko informazioa transmititzen du.Informazioa sarean bereizmen ezberdinetan proiektatuz, plataformak kalitate baxuko irudien ezaugarriak xehetasun-maila anitzetan ikas ditzake.Gure ResNet ereduaz gain, AlexNet ere trebatu dugu, ondo aztertutako neurona-sareen arkitektura, konparaziorako konexiorik galdu gabe (3A.ii irudia)12.Konexiorik galdu gabe, sare honek ezin izango ditu eginbiderik atzeman xehetasun handiagoz.
Jatorrizko 8\(\times\)8mm OCTA13 irudi-multzoa hobetu egin da islapen horizontal eta bertikaleko teknikak erabiliz.Datu-multzo osoa irudi mailan ausaz banatu zen prestakuntza (% 51,2), proba (% 12,8), hiperparametroen doikuntza (% 16) eta baliozkotze (% 20) datu multzoetan scikit-learn toolbox python14 erabiliz.Bi kasu kontuan hartu ziren, bata kalitate goreneko irudiak soilik detektatzean oinarrituta (puntuazio orokorra 4) eta bestea kalitate baxueneko irudiak soilik detektatzean oinarrituta (puntuazio orokorra 0 edo 1).Kalitate handiko eta kalitate baxuko erabilera kasu bakoitzeko, neurona-sarea behin berriro trebatzen da gure irudi-datuetan.Erabilera-kasu bakoitzean, neurona-sarea 10 arorako entrenatu zen, geruza-pisurik altuenak izan ezik, guztiak izoztu ziren, eta barne-parametro guztien pisuak 40 arotan ikasi ziren, entropia gurutzatua galtzeko funtzioa duen ikasketa-tasa diskriminatzailea erabiliz 15. 16..Entropia gurutzatuaren galera funtzioa aurreikusitako sare-etiketen eta datu errealen arteko desadostasunaren eskala logaritmikoaren neurria da.Entrenamenduan zehar, sare neuronalaren barne-parametroetan gradienteen jaitsiera egiten da galerak minimizatzeko.Ikasketa-tasa, uztea-tasa eta pisua murrizteko hiperparametroak optimizazio bayesiarra erabiliz ausazko 2 abiapuntu eta 10 iteraziorekin sintonizatu ziren, eta datu-multzoko AUC hiperparametroak 17ko helburu gisa sintonizatu ziren.
Azaleko plexus kapilarren 8 × 8 mm-ko OCTA irudien adibide adierazgarriak 2 (A, B), 1 (C, D) eta 0 (E, F) lortu dituzte.Erakusten diren irudien artean, lerro distiratsuak (geziak), segmentazio artefaktuak (asteriskoak) eta multimedia-opakotasuna (geziak) daude.Irudia (E) ere zentrotik kanpo dago.
Ondoren, hartzailearen funtzionamendu-ezaugarrien (ROC) kurbak sortzen dira sare neuronalaren eredu guztietarako, eta motorraren seinalearen indarraren txostenak sortzen dira kalitate baxuko eta kalitate handiko erabilera kasu bakoitzerako.Kurbaren azpiko azalera (AUC) pROC R paketearekin kalkulatu zen, eta % 95eko konfiantza-tarteak eta p-balioak DeLong metodoa erabiliz kalkulatu ziren18,19.Giza ebaluatzaileen puntuazio metatuak ROC kalkulu guztien oinarri gisa erabiltzen dira.Makinak jakinarazitako seinalearen indarrari dagokionez, AUCa bi aldiz kalkulatu da: behin kalitate handiko Scalability Score mozketarako eta beste behin kalitate baxuko Scalability Score ebakidurarako.Neurona-sarea AUC seinalearen indarrarekin alderatzen da, bere prestakuntza- eta ebaluazio-baldintzak islatuz.
Prestatutako ikaskuntza sakoneko eredua beste datu-multzo batean probatzeko, kalitate handiko eta kalitate baxuko ereduak zuzenean aplikatu ziren Yale Unibertsitatean jasotako 32 aurpegi osoko 6\(\times\) 6mm gainazaleko lauza irudien errendimendua ebaluatzeko.Begien masa irudiaren 8 \(\times \) 8 mm aldi berean zentratzen da.6\(\×\) 6 mm-ko irudiak eskuz ebaluatu zituzten ebaluatzaile berdinek (RD eta JW) 8\(\×\) 8 mm-ko irudien modu berean, AUC kalkulatu zen, baita zehaztasuna eta Cohen-en kappa ere. .berdin .
Klase desoreka ratioa 158:189 (\(\rho = 1,19\)) da kalitate baxuko eredurako eta 80:267 (\(\rho = 3,3\)) kalitate handiko eredurako.Klase desoreka ratioa 1:4 baino txikiagoa denez, ez da aldaketa arkitektoniko zehatzik egin klase desoreka zuzentzeko20,21.
Ikaskuntza-prozesua hobeto ikusteko, klaseko aktibazio-mapak sortu ziren trebatutako ikaskuntza sakoneko lau ereduetarako: kalitate handiko ResNet152 eredua, kalitate baxua ResNet152 eredua, kalitate handiko AlexNet eredua eta kalitate baxua AlexNet eredua.Klase aktibazio-mapak lau eredu hauen sarrera konboluzio-geruzetatik sortzen dira, eta bero-mapak 8 × 8 mm eta 6 × 6 mm baliozkotze-multzoetako iturri-irudiekin aktibazio-mapak gainjarriz sortzen dira22, 23.
R 4.0.3 bertsioa erabili zen kalkulu estatistiko guztietarako, eta bistaratzeak ggplot2 graphics tool liburutegia erabiliz sortu ziren.
8 \(\times \)8 mm neurtzen zituen azaleko plexus kapilarren 347 irudi frontal bildu genituen 134 pertsonengandik.Makinak seinalearen indarra adierazi zuen 0tik 10era bitarteko eskalan irudi guztientzat (batez bestekoa = 6,99 ± 2,29).Eskuratutako 347 irudietatik, azterketako batez besteko adina 58,7 ± 14,6 urtekoa zen, eta % 39,2 gizonezko pazienteenak ziren.Irudi guztien artean, %30,8 kaukasiarrak ziren, %32,6 beltzak, %30,8 hispanoak, %4 asiarrak eta %1,7 beste arrazetakoak (1. taula).).OCTA duten pazienteen adin-banaketa nabarmen desberdina zen irudiaren kalitatearen arabera (p < 0,001).18-45 urte bitarteko paziente gazteenen kalitate handiko irudien ehunekoa % 33,8koa izan zen, kalitate baxuko irudien % 12,2arekin alderatuta (1. taula).Erretinopatia diabetikoaren egoeraren banaketa ere nabarmen aldatu zen irudiaren kalitatean (p < 0,017).Kalitate handiko irudi guztien artean, PDR duten pazienteen ehunekoa % 18,8koa izan zen, kalitate baxuko irudi guztien % 38,8arekin alderatuta (1. taula).
Irudi guztien balorazio indibidualek irudiak irakurtzen dituzten pertsonen arteko balorazioen arteko fidagarritasun moderatua edo handia erakutsi zuten (Cohen-en kappa haztatua = 0,79, % 95eko CI: 0,76-0,82), eta ez zegoen puntuatzaileak 1 baino gehiago desberdintzen ziren irudi punturik (Irudia. 2A)..Seinalearen intentsitateak nabarmen erlazionatu zuen eskuzko puntuazioarekin (Pearson produktuaren momentuaren korrelazioa = 0,58, 95% CI 0,51-0,65, p<0,001), baina irudi askok seinalearen intentsitate handia zuten baina eskuzko puntuazio baxua zutela identifikatu zuten (.2B. irudia).
ResNet152 eta AlexNet arkitekturaren prestakuntzan zehar, baliozkotze eta entrenamenduko entropia gurutzatuaren galera 50 aro baino gehiago jaisten da (3B, C irudia).Baliozkotze-zehaztasuna azken prestakuntza-garaian % 90etik gorakoa da kalitate handiko nahiz kalitate baxuko erabilera kasuetarako.
Hartzailearen errendimendu-kurbek erakusten dute ResNet152 modeloak makinak jakinarazitako seinale-potentzia nabarmen gainditzen duela kalitate baxuko zein altuko erabilera kasuetan (p < 0,001).ResNet152 ereduak AlexNet arkitektura nabarmen gainditzen du (p = 0,005 eta p = 0,014 kalitate baxuko eta kalitate handiko kasuetarako, hurrenez hurren).Zeregin horietako bakoitzerako sortutako ereduek 0,99 eta 0,97ko AUC balioak lortu ahal izan dituzte, hurrenez hurren, hau da, makinaren seinalearen indarraren indizea 0,82 eta 0,78 dagozkion AUC balioak baino nabarmen hobea da edo 0,97 eta 0,94 AlexNet-entzat. ..(3. irud.).ResNet eta AUC-ren arteko aldea seinalearen indarra handiagoa da kalitate handiko irudiak ezagutzean, eta zeregin honetarako ResNet erabiltzearen abantaila gehigarriak adierazten ditu.
Grafikoek ebaluatzaile independente bakoitzak makinak jakinarazitako seinalearen indarrarekin puntuatzeko eta konparatzeko duen gaitasuna erakusten dute.(A) Ebaluatu beharreko puntuen batura erabiltzen da baloratu beharreko puntu kopuru osoa sortzeko.4-ko eskalagarritasun-puntuazio orokorra duten irudiei kalitate handiko esleitzen zaie, eta eskalagarritasun-puntuazio orokorra 1 edo txikiagoa duten irudiei kalitate baxua esleitzen zaie.(B) Seinalearen intentsitatea eskuzko estimazioekin erlazionatzen da, baina seinale intentsitate handiko irudiak kalitate txarragokoak izan daitezke.Puntudun marra gorriak fabrikatzaileak gomendatutako kalitate-atalasea adierazten du seinalearen indarraren arabera (seinalearen indarra \(\ge\)6).
ResNet transferentzia ikaskuntzak hobekuntza nabarmena ematen du irudi-kalitatearen identifikazioan kalitate baxuko zein kalitate handiko erabilera kasuetarako, makinek jakinarazitako seinale-mailen aldean.(A) Aurrez trebatutako (i) ResNet152 eta (ii) AlexNet arkitekturaren arkitektura-diagrama sinplifikatuak.(B) ResNet152rako entrenamendu-historia eta hartzailearen errendimendu-kurbak, makinaren seinalearen indarrarekin eta AlexNet-en kalitate baxuko irizpideekin alderatuta.(C) ResNet152 hartzailearen entrenamenduaren historia eta errendimendu-kurbak makinaren seinalearen indarrarekin eta AlexNet kalitate handiko irizpideekin alderatuta.
Erabaki-mugaren atalasea egokitu ondoren, ResNet152 ereduaren iragarpen-zehaztasuna %95,3koa da kalitate baxuko kasurako eta %93,5eko kalitate handiko kasurako (2. taula).AlexNet ereduaren gehieneko iragarpen-zehaztasuna % 91,0koa da kalitate baxuko kasurako eta % 90,1eko kalitate handiko kasurako (2. taula).Seinalearen indarraren iragarpenaren gehieneko zehaztasuna % 76,1ekoa da kalitate baxuko erabilera kasurako eta % 77,8koa kalitate handiko erabilera kasurako.Cohen-en kappa (\(\kappa\)) arabera, ResNet152 ereduaren eta estimatzaileen arteko akordioa 0,90 da kalitate baxuko kasurako eta 0,81 kalitate handiko kasurako.Cohen-en AlexNet kappa 0,82 eta 0,71 da kalitate baxuko eta kalitate handiko erabilera kasuetarako, hurrenez hurren.Cohen-en seinalearen indarra kappa 0,52 eta 0,27 da kalitate baxuko eta kalitate handiko erabilera kasuetarako, hurrenez hurren.
6 mm-ko plaka lau bateko 6\(\x\) irudietan kalitate handiko eta baxuko errekonozimendu-ereduen baliozkotzeak erakusten du trebatutako modeloak irudiaren kalitatea hainbat irudi-parametrotan zehazteko duen gaitasuna.Irudien kalitaterako 6\(\x\) 6 mm-ko sakonera gutxiko lauzak erabiltzean, kalitate baxuko ereduak 0,83ko AUC izan zuen (% 95eko CI: 0,69-0,98) eta kalitate handiko ereduak 0,85eko AUC.(% 95eko CI: 0,55-1,00) (2. taula).
Sarrerako geruzaren aktibazio-mapen ikuskapen bisualak erakutsi zuen entrenatutako neurona-sare guztiek irudien ezaugarriak erabiltzen zituztela irudien sailkapenean (4A, B irudiak).8 \(\times \) 8 mm eta 6 \(\times \) 6 mm irudietarako, ResNet aktibazio-irudiek erretinako baskulatura hurbiletik jarraitzen dute.AlexNet-en aktibazio-mapak ere erretinako ontziei jarraitzen die, baina bereizmen latzagoarekin.
ResNet152 eta AlexNet modeloetarako klase aktibazio-mapak irudien kalitatearekin lotutako ezaugarriak nabarmentzen ditu.(A) Azaleko erretinako baskulazioaren ondoren aktibazio koherentea erakusten du klase-aktibazio-mapa 8 \(\times \) 8 mm-ko baliozkotze irudietan eta (B) hedadura 6 \(\times \) 6 mm-ko baliozkotze irudietan.LQ eredua kalitate baxuko irizpideekin trebatua, HQ eredua kalitate handiko irizpideekin trebatua.
Aurretik frogatu da irudiaren kalitateak OCTA irudien edozein kuantifikazioan eragin handia izan dezakeela.Gainera, erretinopatia egoteak irudi-artefaktuen intzidentzia areagotzen du7,26.Izan ere, gure datuetan, aurreko ikerketekin bat etorriz, adinaren eta erretinako gaixotasunaren larritasunaren eta irudiaren kalitatearen hondatzearen arteko erlazio esanguratsua aurkitu dugu (p < 0,001, p = 0,017 adinaren eta DR egoeraren, hurrenez hurren; 1. taula) 27 Horregatik, funtsezkoa da OCTA irudien edozein analisi kuantitatibo egin aurretik irudiaren kalitatea ebaluatzea.OCTA irudiak aztertzen dituzten ikerketa gehienek makinek jakinarazitako seinalearen intentsitate atalaseak erabiltzen dituzte kalitate baxuko irudiak baztertzeko.Seinalearen intentsitateak OCTA parametroen kuantifikazioan eragiten duela frogatu bada ere, baliteke seinalearen intentsitate altua bakarrik ez izatea nahikoa irudi artefaktuak dituzten irudiak baztertzeko2,3,28,29.Horregatik, beharrezkoa da irudiaren kalitatea kontrolatzeko metodo fidagarriagoa garatzea.Horretarako, gainbegiraturiko ikaskuntza sakoneko metodoen errendimendua ebaluatzen dugu makinak jakinarazitako seinalearen indarraren aldean.
Irudiaren kalitatea ebaluatzeko hainbat eredu garatu ditugu, OCTA erabilera-kasu ezberdinek irudiaren kalitate-eskakizun desberdinak izan ditzaketelako.Adibidez, irudiek kalitate handiagokoak izan behar dute.Horrez gain, interes-parametro kuantitatibo zehatzak ere garrantzitsuak dira.Esate baterako, foveal eremu abaskularraren eremua ez da erdialdekoa ez den ertainaren uhertasunaren araberakoa, baizik eta ontzien dentsitateari eragiten dio.Gure ikerketak irudi-kalitatearen ikuspegi orokor batean oinarritzen jarraitzen duen arren, ez da inolako proba jakin bateko eskakizunei lotuta, baina makinak jakinarazitako seinalearen indarra zuzenean ordezkatzeko asmoarekin, erabiltzaileei kontrol maila handiagoa ematea espero dugu erabiltzailearen intereseko metrika zehatza hauta dezake.aukeratu onargarritzat jotzen diren irudi-artefaktuen gehieneko mailari dagokion eredua.
Kalitate baxuko eta kalitate handiko eszenetarako, konexiorik gabeko sare neuronal konbolutibo sakonen errendimendu bikaina erakusten dugu, 0,97 eta 0,99ko AUC eta kalitate baxuko ereduekin, hurrenez hurren.Gure ikaskuntza sakoneko ikuspegiaren errendimendu handiagoa ere erakusten dugu makinek soilik jakinarazitako seinale-mailekin alderatuta.Saltatu konexioei esker, neurona-sareek xehetasun-maila anitzetan ezaugarriak ikas ditzakete, irudien alderdi finagoak (adibidez, kontrastea) eta ezaugarri orokorrak (adibidez, irudien zentrazioa30,31) atzemateko.Irudiaren kalitateari eragiten dioten irudi-artefaktuak ziurrenik aukera zabalean identifikatzen direnez, konexioak falta diren neurona-sare arkitekturak errendimendu hobea izan dezakete irudiaren kalitatea zehazteko zereginik ez dutenek baino.
Gure eredua 6\(\×6mm) OCTA irudietan probatzean, kalitate handiko zein kalitate baxuko ereduen sailkapenaren errendimenduaren beherakada nabaritu genuen (2. irudia), sailkapenerako trebatutako ereduaren tamainaren aldean.ResNet ereduarekin alderatuta, AlexNet ereduak erorketa handiagoa du.ResNet-en errendimendu nahiko hobea izan daiteke hondar-konexioek informazioa eskala anitzetan transmititzeko duten gaitasunari esker, eta horrek eredua sendoagoa egiten du eskala eta/edo handitze desberdinetan jasotako irudiak sailkatzeko.
8 \(\×\) 8 mm-ko irudien eta 6 \(\×\) 6 mm-ko irudien arteko desberdintasun batzuek sailkapen txarra ekar dezakete, besteak beste, fobeal eremu baskularrak dituzten irudien proportzio nahiko altua, ikusgarritasunaren aldaketak, arkupe baskularrak eta nerbio optikorik ez irudian 6×6 mm.Hala eta guztiz ere, gure kalitate handiko ResNet ereduak % 85eko AUC bat lortzeko gai izan zen 6 \(\x\) 6 mm-ko irudietarako, eta horretarako eredua ez zen trebatuta zegoen konfigurazioa, irudiaren kalitatearen informazioa sare neuronalean kodetuta zegoela iradokitzen zuen. egokia da.bere prestakuntzatik kanpo irudiaren tamaina edo makinaren konfigurazio baterako (2. taula).Lasaigarria denez, ResNet- eta AlexNet-en antzeko aktibazio-mapak 8 \(\times \) 8 mm eta 6 \(\times \) 6 mm irudiak erretinako ontziak nabarmentzeko gai izan ziren bi kasuetan, ereduak informazio garrantzitsua duela iradokiz.bi motatako OCTA irudiak sailkatzeko aplikagarriak dira (4. irudia).
Lauerman et al.OCTA irudien irudiaren kalitatearen ebaluazioa Inception arkitektura erabiliz egin zen, beste sare neuronal konboluzional bat saltatzeko konexioa6,32 ikasketa sakoneko teknikak erabiliz.Azterketa azaleko plexus kapilarren irudietara ere mugatu zuten, baina Optovue AngioVue-ko 3×3 mm-ko irudi txikiagoak soilik erabiliz, koriorretinako hainbat gaixotasun dituzten pazienteak ere sartu ziren arren.Gure lana haien oinarrietan oinarritzen da, hainbat eredu barne, irudien kalitatearen atalase ezberdinei aurre egiteko eta tamaina ezberdinetako irudietarako emaitzak balioztatzeko.Ikaskuntza automatikoko ereduen AUC metrika ere salatzen dugu eta dagoeneko ikusgarria den zehaztasuna (%90)6 handitzen dugu, bai kalitate baxuko (%96) bai kalitate handiko (%95,7) ereduetarako6.
Prestakuntza honek hainbat muga ditu.Lehenik eta behin, irudiak OCTA makina bakarrarekin eskuratu ziren, 8\(\times\)8 mm-ko eta 6\(\times\)6 mm-ko azaleko plexus kapilarren irudiak soilik barne hartuta.Irudiak geruza sakonetatik kanpo uzteko arrazoia da proiekzioaren artefaktuek irudien eskuzko ebaluazioa zailagoa eta, agian, hain koherentea izan dezaketela.Gainera, irudiak paziente diabetikoetan bakarrik eskuratu dira, eta OCTA diagnostiko eta pronostikorako tresna garrantzitsu gisa ari da sortzen33,34.Emaitzak sendoak zirela ziurtatzeko gure eredua tamaina ezberdinetako irudietan probatu ahal izan bagenuen ere, ezin izan genituen zentro ezberdinetako datu multzo egokiak identifikatu, eta horrek ereduaren orokorgarritasunaren balorazioa mugatu zuen.Irudiak zentro bakarretik lortu baziren ere, jatorri etniko eta arraza ezberdineko pazienteengandik lortu ziren, eta hori da gure ikerketaren indargune berezia.Gure prestakuntza-prozesuan aniztasuna barne hartuta, gure emaitzak zentzu zabalago batean orokortzea espero dugu, eta entrenatzen ditugun ereduetan arraza-alborapena kodetzea saihestuko dugula.
Gure ikerketak erakusten du konexio-saltatze-sare neuronalak entrenatu daitezkeela OCTA irudiaren kalitatea zehazteko errendimendu handia lortzeko.Eredu hauek ikerketa gehiago egiteko tresna gisa eskaintzen ditugu.Neurri ezberdinek irudi-kalitate-eskakizun desberdinak izan ditzaketelako, kalitate-kontroleko eredu indibidual bat garatu daiteke metrika bakoitzerako, hemen ezarritako egitura erabiliz.
Etorkizuneko ikerketek sakonera ezberdinetako tamaina ezberdinetako irudiak eta OCTA makina desberdinetako irudiak barne hartu beharko lituzkete, ikaskuntza sakoneko irudien kalitatea ebaluatzeko prozesu bat lortzeko, OCTA plataformetara eta irudi-protokoloetara orokortu daitekeena.Gaur egungo ikerketak gainbegiratuta dauden ikaskuntza sakoneko ikuspegietan oinarritzen dira, giza ebaluazioa eta irudien ebaluazioa eskatzen dutenak, eta datu-multzo handietarako lan intentsiboa eta denbora asko eskatzen dutenak.Ikusteko dago gainbegiratu gabeko ikaskuntza sakoneko metodoek kalitate baxuko irudiak eta kalitate handiko irudiak behar bezala bereizten dituzten ala ez.
OCTA teknologiak eboluzionatzen jarraitzen duen heinean eta eskaneatze-abiadurak handitzen diren heinean, irudi-artefaktuen eta kalitate txarreko irudien intzidentzia murriztu egin daiteke.Softwarearen hobekuntzak, hala nola, duela gutxi aurkeztutako proiekzio-artefaktuak kentzeko funtzioak, muga horiek ere arindu ditzake.Hala eta guztiz ere, arazo asko geratzen dira finkapen eskasa duten pazienteen irudiak edo euskarrien uhertasun nabarmena duten pazienteen irudiak beti irudi-artefaktuak sortzen dituelako.OCTA entsegu klinikoetan gehiago erabiltzen den heinean, kontuan hartu behar da irudien analisirako irudi artefaktu maila onargarrietarako jarraibide argiak ezartzeko.OCTA irudiei deep learning metodoak aplikatzeak itxaropen handia du eta arlo honetan ikerketa gehiago behar dira irudien kalitatearen kontrolerako ikuspegi sendo bat garatzeko.
Oraingo ikerketan erabilitako kodea octa-qc biltegian dago eskuragarri, https://github.com/rahuldhodapkar/octa-qc.Uneko azterketan zehar sortutako eta/edo aztertutako datu-multzoak dagozkien egileengandik eskuragarri daude arrazoizko eskaera eginda.
Spaide, RF, Fujimoto, JG & Waheed, NK Irudi-artefaktuak koherentzia optikoko angiografian.Erretina 35, 2163–2180 (2015).
Fenner, BJ et al.OCT angiografian erretinako plexus kapilarren dentsitatearen neurketen kalitatea eta erreproduzigarritasuna zehazten duten irudi-ezaugarrien identifikazioa.BR.J. Oftalmola.102, 509–514 (2018).
Lauerman, JL et al.Eye-tracking teknologiaren eragina OCT angiografiaren irudiaren kalitatean adinarekin lotutako endekapen makularrean.Hilobi-arkua.klinikoa.Exp.oftalmologia.255, 1535–1542 (2017).
Babyuch AS et al.OCTA kapilar perfusio-dentsitatearen neurketak iskemia makularra detektatzeko eta ebaluatzeko erabiltzen dira.kirurgia oftalmikoa.Erretinako Laser Imaging 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S. eta Sun, J. Deep Residual Learning for Image Recognition.2016an IEEE Konferentzian, Computer Vision and Pattern Recognition-en (2016).
Lauerman, JL et al.OCT irudi angiografikoen kalitatearen ebaluazio automatizatua, ikaskuntza sakoneko algoritmoak erabiliz.Hilobi-arkua.klinikoa.Exp.oftalmologia.257, 1641–1648 (2019).
Lauermann, J. et al.Segmentazio-akatsen eta mugimendu-artefaktuen prebalentzia OCT angiografian erretinaren gaixotasunaren araberakoa da.Hilobi-arkua.klinikoa.Exp.oftalmologia.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: derrigorrezko eta errendimendu handiko ikaskuntza sakoneko liburutegia.Neurona-informazioaren prozesamendu aurreratua.sistema.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Eskala Handiko Hierarkiko Irudi Datu Basea.2009ko IEEE Konferentzia ordenagailu bidezko ikusmenari eta ereduen ezagutzari buruzkoa.248–255.(2009).
Krizhevsky A., Sutzkever I. eta Hinton GE Imagenet sailkapena sare neuronal konboluzional sakonak erabiliz.Neurona-informazioaren prozesamendu aurreratua.sistema.25, 1 (2012).