Salamat sa pagbisita sa Nature.com.Naggamit ka usa ka bersyon sa browser nga adunay limitado nga suporta sa CSS.Alang sa labing kaayo nga kasinatian, among girekomenda nga mogamit ka usa ka bag-ong browser (o i-disable ang Compatibility Mode sa Internet Explorer).Dugang pa, aron masiguro ang padayon nga suporta, gipakita namon ang site nga wala’y mga istilo ug JavaScript.
Mga slider nga nagpakita sa tulo ka mga artikulo matag slide.Gamita ang likod ug sunod nga mga buton sa paglihok sa mga slide, o ang slide controller nga mga buton sa katapusan aron sa paglihok sa matag slide.
Ang Optical coherence tomographic angiography (OCTA) usa ka bag-ong pamaagi alang sa non-invasive visualization sa retinal vessels.Bisan kung ang OCTA adunay daghang mga gisaad nga klinikal nga aplikasyon, ang pagtino sa kalidad sa imahe nagpabilin nga usa ka hagit.Naghimo kami usa ka lawom nga sistema nga nakabase sa pagkat-on gamit ang ResNet152 neural network classifier nga pretrained sa ImageNet aron maklasipikar ang taphaw nga capillary plexus nga mga imahe gikan sa 347 nga pag-scan sa 134 nga mga pasyente.Ang mga imahen usab nga mano-mano nga gi-assess ingon tinuod nga kamatuoran sa duha ka independente nga mga raters alang sa usa ka supervised learning model.Tungod kay ang mga kinahanglanon sa kalidad sa imahe mahimong magkalainlain depende sa mga setting sa klinika o panukiduki, duha ka modelo ang gibansay, usa alang sa taas nga kalidad nga pag-ila sa imahe ug ang lain alang sa ubos nga kalidad nga pag-ila sa imahe.Ang among modelo sa neural network nagpakita sa usa ka maayo kaayo nga lugar sa ilawom sa kurba (AUC), 95% CI 0.96-0.99, \ (\ kappa \) = 0.81), nga labi ka maayo kaysa sa lebel sa signal nga gitaho sa makina (AUC = 0.82, 95). % CI).0.77–0.86, \(\kappa\) = 0.52 ug AUC = 0.78, 95% CI 0.73–0.83, \(\ kappa\) = 0.27, matag usa).Gipakita sa among pagtuon nga ang mga pamaagi sa pagkat-on sa makina mahimong magamit aron makahimo og flexible ug lig-on nga mga pamaagi sa pagkontrol sa kalidad alang sa mga imahe sa OCTA.
Ang Optical coherence tomographic angiography (OCTA) kay medyo bag-o nga teknik base sa optical coherence tomography (OCT) nga pwede gamiton para sa non-invasive visualization sa retinal microvasculature.Gisukod sa OCTA ang kalainan sa mga pattern sa pagpamalandong gikan sa gibalikbalik nga mga pulso sa kahayag sa parehas nga lugar sa retina, ug ang mga pagtukod pag-usab mahimo’g kalkulado aron mapadayag ang mga ugat sa dugo nga wala’y invasive nga paggamit sa mga tina o uban pang kontra nga ahente.Gitugotan usab sa OCTA ang depth-resolution nga vascular imaging, nga gitugotan ang mga clinician nga maglainlain nga susihon ang taphaw ug lawom nga mga lut-od sa sudlanan, nga makatabang sa paglainlain tali sa sakit nga chorioretinal.
Samtang kini nga teknik nagsaad, ang pagbag-o sa kalidad sa imahe nagpabilin nga usa ka dakong hagit alang sa kasaligan nga pagtuki sa imahe, nga nagpalisud sa paghubad sa imahe ug pagpugong sa kaylap nga pagsagop sa klinika.Tungod kay ang OCTA naggamit ug daghang sunod-sunod nga OCT scan, mas sensitibo kini sa mga artifact sa imahe kaysa sa naandan nga OCT.Kadaghanan sa mga komersyal nga platform sa OCTA naghatag sa ilang kaugalingon nga sukatan sa kalidad sa imahe nga gitawag nga Signal Strength (SS) o usahay Signal Strength Index (SSI).Bisan pa, ang mga imahe nga adunay taas nga SS o SSI nga kantidad dili garantiya nga wala ang mga artifact sa imahe, nga makaapekto sa bisan unsang sunod nga pag-analisar sa imahe ug magdala sa dili husto nga mga desisyon sa klinika.Ang kasagarang mga artifact sa imahe nga mahimong mahitabo sa OCTA imaging naglakip sa mga artifact sa paglihok, mga artifact sa pagbahin, mga artifact sa media opacity, ug mga artifact sa projection1,2,3.
Tungod kay ang OCTA-derived measures sama sa vascular density nagkadaghan nga gigamit sa translational research, clinical trials ug clinical practice, adunay dinalian nga panginahanglan sa pagpalambo sa lig-on ug kasaligan nga mga proseso sa pagkontrol sa kalidad sa imahe aron mawagtang ang mga artefact sa imahe4.Skip connections, nailhan usab nga residual connections, mao ang mga projection sa neural network architecture nga nagtugot sa impormasyon sa paglaktaw sa convolutional layers samtang nagtipig og impormasyon sa lain-laing mga timbangan o resolusyon5.Tungod kay ang mga artifact sa imahe makaapektar sa ginagmay ug kinatibuk-ang dako nga pasundayag sa imahe, ang mga neural network sa paglaktaw sa koneksyon haom kaayo sa pag-automate niining buluhaton sa pagkontrol sa kalidad5.Ang bag-o lang nga gipatik nga trabaho nagpakita sa pipila ka saad alang sa lawom nga convolutional neural network nga gibansay gamit ang taas nga kalidad nga datos gikan sa mga tawo nga estimator6.
Sa kini nga pagtuon, nagbansay kami usa ka koneksyon-laktaw nga convolutional neural network aron awtomatiko nga mahibal-an ang kalidad sa mga imahe sa OCTA.Nagtukod kami sa miaging trabaho pinaagi sa pag-ugmad ug bulag nga mga modelo para sa pag-ila sa taas nga kalidad nga mga imahe ug ubos nga kalidad nga mga imahe, tungod kay ang mga kinahanglanon sa kalidad sa imahe mahimong magkalainlain alang sa piho nga mga senaryo sa klinikal o panukiduki.Gikumpara namon ang mga resulta sa kini nga mga network sa mga convolutional neural network nga wala’y nawala nga mga koneksyon aron masusi ang kantidad sa pag-apil sa mga bahin sa daghang lebel sa granularity sulod sa lawom nga pagkat-on.Gikumpara dayon namo ang among mga resulta sa kusog sa signal, usa ka sagad nga gidawat nga sukod sa kalidad sa imahe nga gihatag sa mga tiggama.
Ang among pagtuon naglakip sa mga pasyente nga adunay diabetes nga mitambong sa Yale Eye Center tali sa Agosto 11, 2017 ug Abril 11, 2019. Ang mga pasyente nga adunay bisan unsang non-diabetic chorioretinal nga sakit wala iapil.Walay sukdanan sa paglakip o pagpahigawas base sa edad, gender, rasa, kalidad sa imahe, o bisan unsa nga butang.
Ang mga hulagway sa OCTA nakuha gamit ang AngioPlex nga plataporma sa Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) ubos sa 8\(\times\)8 mm ug 6\(\times\)6 mm imaging protocols.Ang gipahibalo nga pagtugot alang sa pag-apil sa pagtuon nakuha gikan sa matag partisipante sa pagtuon, ug ang Yale University Institutional Review Board (IRB) nag-aprobar sa paggamit sa nahibal-an nga pagtugot nga adunay global nga litrato alang sa tanan niini nga mga pasyente.Pagsunod sa mga prinsipyo sa Deklarasyon sa Helsinki.Ang pagtuon gi-aprobahan sa Yale University IRB.
Ang mga hulagway sa nawong sa plato gisusi base sa gihulagway kaniadto nga Motion Artifact Score (MAS), ang gihulagway kaniadto nga Segmentation Artifact Score (SAS), ang foveal center, ang presensya sa media opacity, ug maayo nga visualization sa gagmay nga mga capillary nga gitino sa image evaluator.Ang mga hulagway gisusi sa duha ka independenteng evaluators (RD ug JW).Ang usa ka imahen adunay grado nga marka nga 2 (kwalipikado) kung ang tanan nga mga musunod nga pamatasan matuman: ang imahe nasentro sa fovea (ubos sa 100 ka pixel gikan sa sentro sa imahe), ang MAS 1 o 2, SAS ang 1, ug media opacity mao ang ubos pa kay sa 1. Ipakita sa mga hulagway sa gidak-on / 16, ug ang gagmay nga mga capillaries makita sa mga larawan nga mas dako pa kay sa 15/16.Ang usa ka hulagway gihatagan og grado nga 0 (walay rating) kon ang bisan unsa sa mosunod nga mga criteria matuman: ang hulagway wala sa sentro, kung ang MAS 4, kung ang SAS 2, o ang kasagaran nga opacity labaw pa sa 1/4 sa hulagway, ug ang gagmay nga mga capillary dili mahimong ipasibo labaw pa sa 1 nga imahe / 4 aron mailhan.Ang tanang ubang mga hulagway nga wala makaabot sa sukdanan sa pag-iskor 0 o 2 gi-iskor isip 1 (clipping).
Sa fig.Gipakita sa 1 ang mga sample nga mga imahe para sa matag usa sa mga gibanabana nga gibanabana ug mga artifact sa imahe.Ang pagkakasaligan sa inter-rater sa indibidwal nga mga marka gisusi sa gibug-aton sa kappa ni Cohen8.Ang tagsa-tagsa nga mga iskor sa matag rater gisumada aron makakuha og kinatibuk-ang iskor alang sa matag hulagway, gikan sa 0 ngadto sa 4. Ang mga hulagway nga adunay total nga iskor nga 4 giisip nga maayo.Ang mga hulagway nga adunay kinatibuk-ang iskor nga 0 o 1 giisip nga ubos nga kalidad.
Usa ka ResNet152 architecture convolutional neural network (Fig. 3A.i) pre-trained sa mga hulagway gikan sa ImageNet database namugna gamit ang fast.ai ug ang PyTorch framework5, 9, 10, 11. Ang convolutional neural network kay usa ka network nga naggamit sa nakat-unan. mga filter alang sa pag-scan sa mga tipik sa imahe aron tun-an ang spatial ug lokal nga mga bahin.Ang among gibansay nga ResNet usa ka 152-layer neural network nga gihulagway sa mga gaps o "mga nahabilin nga koneksyon" nga dungan nga nagpadala sa kasayuran nga adunay daghang mga resolusyon.Pinaagi sa pagproyekto sa impormasyon sa lain-laing mga resolusyon sa network, ang plataporma makakat-on sa mga bahin sa ubos nga kalidad nga mga hulagway sa daghang lebel sa detalye.Dugang pa sa among ResNet nga modelo, gibansay usab namo ang AlexNet, usa ka maayo nga gitun-an nga neural network nga arkitektura, nga walay nawala nga mga koneksyon alang sa pagtandi (Figure 3A.ii)12.Kung wala’y nawala nga mga koneksyon, kini nga network dili makahimo sa pagkuha sa mga bahin sa mas taas nga granularity.
Ang orihinal nga 8\(\times\)8mm OCTA13 image set gipauswag gamit ang horizontal ug vertical reflection techniques.Ang bug-os nga dataset dayon random nga gibahin sa lebel sa imahe ngadto sa pagbansay (51.2%), pagsulay (12.8%), hyperparameter tuning (16%), ug validation (20%) nga mga dataset gamit ang scikit-learn toolbox python14.Duha ka kaso ang gikonsiderar, ang usa gibase sa pag-ila lamang sa pinakataas nga kalidad nga mga hulagway (kinatibuk-ang iskor 4) ug ang lain gibase sa pag-ila lamang sa pinakaubos nga kalidad nga mga hulagway (kinatibuk-ang iskor 0 o 1).Alang sa matag taas nga kalidad ug ubos nga kalidad nga kaso sa paggamit, ang neural network gibansay pag-usab sa makausa sa among datos sa imahe.Sa matag kaso sa paggamit, ang neural network gibansay alang sa 10 ka mga panahon, ang tanan gawas sa pinakataas nga mga gibug-aton sa layer na-frozen, ug ang mga gibug-aton sa tanan nga internal nga mga parameter nahibal-an alang sa 40 ka mga panahon gamit ang usa ka discriminative learning rate method nga adunay usa ka cross-entropy loss function 15, 16..Ang cross entropy loss function usa ka sukod sa logarithmic scale sa kalainan tali sa gitagna nga mga label sa network ug tinuod nga datos.Atol sa pagbansay, ang gradient descent gihimo sa internal nga mga parameter sa neural network aron mamenosan ang mga pagkawala.Ang rate sa pagkat-on, rate sa pag-drop, ug mga hyperparameter sa pagkunhod sa timbang gipunting gamit ang pag-optimize sa Bayesian nga adunay 2 nga random nga mga punto sa pagsugod ug 10 nga mga pag-uli, ug ang AUC sa dataset gi-tono gamit ang mga hyperparameter ingon usa ka target sa 17.
Representante nga mga pananglitan sa 8 × 8 mm OCTA nga mga hulagway sa mga taphaw nga capillary plexuses nga naka-iskor og 2 (A, B), 1 (C, D), ug 0 (E, F).Ang mga artifact sa imahe nga gipakita naglakip sa mga linya sa pagkidlap (mga pana), mga artifact sa pagbahin (mga asterisk), ug opacity sa media (mga pana).Ang hulagway (E) wala usab sa sentro.
Ang mga kurba sa pag-operate sa tigdawat (ROC) gihimo dayon alang sa tanan nga mga modelo sa neural network, ug ang mga taho sa kusog sa signal sa makina gihimo alang sa matag ubos nga kalidad ug taas nga kalidad nga kaso sa paggamit.Ang lugar sa ilawom sa kurba (AUC) gikalkulo gamit ang pROC R nga pakete, ug ang 95% nga mga agwat sa pagsalig ug p-values ​​gikalkula gamit ang DeLong nga pamaagi18,19.Ang mga cumulative score sa mga human raters gigamit isip baseline sa tanang kalkulasyon sa ROC.Alang sa kusog sa signal nga gitaho sa makina, ang AUC gikalkula sa makaduha: kausa alang sa taas nga kalidad nga Scalability Score cutoff ug usa alang sa ubos nga kalidad nga Scalability Score cutoff.Ang neural network gitandi sa kusog sa signal sa AUC nga nagpakita sa kaugalingon nga kahimtang sa pagbansay ug pagtimbang-timbang.
Aron masulayan pa ang nabansay nga lawom nga modelo sa pagkat-on sa usa ka bulag nga dataset, ang taas nga kalidad ug ubos nga kalidad nga mga modelo direkta nga gigamit sa pagtimbang-timbang sa pasundayag sa 32 nga tibuuk nga nawong 6 \ (\ mga oras \) 6mm nga mga imahe sa slab sa nawong nga nakolekta gikan sa Yale University.Ang Misa sa Mata gisentro sa samang higayon sa hulagway 8 \(\times \) 8 mm.Ang 6\(\×\) 6 mm nga mga hulagway kay mano-mano nga gi-assess sa parehas nga raters (RD ug JW) sa samang paagi sa 8\(\×\) 8 mm nga mga hulagway, ang AUC gikalkula ingon man ang katukma ug ang kappa ni Cohen .parehas .
Ang ratio sa imbalance sa klase mao ang 158:189 (\(\rho = 1.19\)) para sa ubos nga kalidad nga modelo ug 80:267 (\(\rho = 3.3\)) para sa taas nga kalidad nga modelo.Tungod kay ang ratio sa imbalance sa klase ubos pa sa 1: 4, walay piho nga kausaban sa arkitektura nga gihimo aron matul-id ang pagkadili balanse sa klase20,21.
Aron mas maayo nga mahanduraw ang proseso sa pagkat-on, ang mga mapa sa pagpaaktibo sa klase gihimo alang sa tanan nga upat nga nabansay nga lawom nga mga modelo sa pagkat-on: taas nga kalidad nga modelo sa ResNet152, ubos nga kalidad nga modelo sa ResNet152, taas nga kalidad nga modelo sa AlexNet, ug ubos nga kalidad nga modelo sa AlexNet.Ang mga mapa sa pagpaaktibo sa klase gihimo gikan sa input convolutional layers niining upat ka mga modelo, ug ang mga mapa sa init gihimo pinaagi sa pag-overlay sa mga mapa sa pagpaaktibo nga adunay gigikanan nga mga imahe gikan sa 8 × 8 mm ug 6 × 6 mm nga validation sets22, 23.
Ang R nga bersyon 4.0.3 gigamit para sa tanang kalkulasyon sa estadistika, ug ang mga visualization gihimo gamit ang ggplot2 graphics tool library.
Gikolekta namo ang 347 ka mga hulagway sa atubangan sa taphaw nga capillary plexus nga may sukod nga 8 \(\times \)8 mm gikan sa 134 ka tawo.Gi-report sa makina ang kusog sa signal sa sukod nga 0 hangtod 10 alang sa tanan nga mga imahe (mean = 6.99 ± 2.29).Sa 347 ka mga hulagway nga nakuha, ang average nga edad sa eksaminasyon mao ang 58.7 ± 14.6 ka tuig, ug 39.2% gikan sa mga pasyente nga lalaki.Sa tanang mga hulagway, 30.8% gikan sa Caucasians, 32.6% gikan sa Blacks, 30.8% gikan sa Hispanics, 4% gikan sa Asians, ug 1.7% gikan sa ubang mga rasa (Table 1).).Ang pag-apod-apod sa edad sa mga pasyente nga adunay OCTA lahi kaayo depende sa kalidad sa imahe (p <0.001).Ang porsyento sa taas nga kalidad nga mga imahe sa mas bata nga mga pasyente nga nag-edad 18-45 ka tuig mao ang 33.8% kumpara sa 12.2% sa mga mubu nga kalidad nga mga imahe (Table 1).Ang pag-apod-apod sa status sa diabetic retinopathy lainlain usab sa kalidad sa imahe (p <0.017).Taliwala sa tanan nga taas nga kalidad nga mga imahe, ang porsyento sa mga pasyente nga adunay PDR mao ang 18.8% kumpara sa 38.8% sa tanan nga ubos nga kalidad nga mga imahe (Table 1).
Ang indibidwal nga mga rating sa tanan nga mga hulagway nagpakita sa kasarangan ngadto sa lig-on nga inter-rating nga pagkakasaligan tali sa mga tawo nga nagbasa sa mga hulagway (Cohen's weighted kappa = 0.79, 95% CI: 0.76-0.82), ug walay mga punto sa imahe diin ang mga rater lahi sa labaw sa 1 (Fig. 2A)..Ang intensity sa signal adunay kalabutan sa kamahinungdanon sa manual scoring (Pearson product moment correlation = 0.58, 95% CI 0.51-0.65, p <0.001), apan daghang mga hulagway ang giila nga adunay taas nga signal intensity apan ubos nga manual scoring (Fig. 2B).
Atol sa pagbansay sa mga arkitektura sa ResNet152 ug AlexNet, ang pagkawala sa cross-entropy sa pag-validate ug pagbansay nahulog sa 50 ka mga panahon (Figure 3B, C).Ang katukma sa pag-validate sa katapusang yugto sa pagbansay labaw sa 90% alang sa taas nga kalidad ug ubos nga kalidad nga mga kaso sa paggamit.
Ang mga kurba sa pasundayag sa tigdawat nagpakita nga ang modelo sa ResNet152 kamahinungdanon nga milabaw sa gahum sa signal nga gitaho sa makina sa parehas nga ubos ug taas nga kalidad nga mga kaso sa paggamit (p <0.001).Ang modelo sa ResNet152 usab kamahinungdanon nga milabaw sa AlexNet nga arkitektura (p = 0.005 ug p = 0.014 alang sa ubos nga kalidad ug taas nga kalidad nga mga kaso, matag usa).Ang resulta nga mga modelo alang sa matag usa niini nga mga buluhaton nakahimo sa pagkab-ot sa mga kantidad sa AUC nga 0.99 ug 0.97, sa tinuud, nga labi ka maayo kaysa sa katumbas nga mga kantidad sa AUC nga 0.82 ug 0.78 alang sa indeks sa kusog sa signal sa makina o 0.97 ug 0.94 alang sa AlexNet ..(Fig. 3).Ang kalainan tali sa ResNet ug AUC sa kusog sa signal mas taas kung makaila sa taas nga kalidad nga mga imahe, nga nagpakita sa dugang nga mga benepisyo sa paggamit sa ResNet alang niini nga buluhaton.
Gipakita sa mga graph ang katakus sa matag independente nga rater sa pag-iskor ug pagtandi sa kusog sa signal nga gitaho sa makina.(A) Ang sumada sa mga punto nga paga-assess gigamit sa paghimo sa kinatibuk-ang gidaghanon sa mga puntos nga paga-assess.Ang mga hulagway nga adunay kinatibuk-ang marka sa scalability nga 4 gihatagan og taas nga kalidad, samtang ang mga hulagway nga adunay kinatibuk-ang marka sa scalability nga 1 o ubos pa kay ubos ang kalidad.(B) Ang intensity sa signal nahiuyon sa manual nga mga banabana, apan ang mga imahe nga adunay taas nga intensity sa signal mahimong dili maayo ang kalidad.Ang pula nga tuldok nga linya nagpaila sa girekomendar nga kalidad nga threshold sa tiggama base sa kusog sa signal (kusog sa signal \(\ge\)6).
Ang pagkat-on sa pagbalhin sa ResNet naghatag usa ka hinungdanon nga pag-uswag sa pag-ila sa kalidad sa imahe alang sa parehas nga ubos nga kalidad ug taas nga kalidad nga mga kaso sa paggamit kung itandi sa mga lebel sa signal nga gitaho sa makina.(A) Gipasayon ​​nga mga diagram sa arkitektura sa pre-trained (i) ResNet152 ug (ii) AlexNet nga mga arkitektura.(B) Kasaysayan sa pagbansay ug mga kurba sa pasundayag sa tigdawat alang sa ResNet152 kumpara sa gi-report sa makina nga kusog sa signal ug ubos nga kalidad nga pamatasan sa AlexNet.(C) ResNet152 receiver training history ug performance curves kumpara sa machine report nga signal strength ug AlexNet high quality criteria.
Human sa pag-adjust sa boundary threshold sa desisyon, ang pinakataas nga prediksiyon nga katukma sa ResNet152 nga modelo mao ang 95.3% alang sa ubos nga kalidad nga kaso ug 93.5% alang sa taas nga kalidad nga kaso (Table 2).Ang pinakataas nga prediksiyon nga katukma sa AlexNet nga modelo mao ang 91.0% alang sa ubos nga kalidad nga kaso ug 90.1% alang sa taas nga kalidad nga kaso (Table 2).Ang labing kataas nga katukma sa prediksyon sa kusog sa signal mao ang 76.1% alang sa ubos nga kalidad nga kaso sa paggamit ug 77.8% alang sa taas nga kalidad nga kaso sa paggamit.Sumala sa kappa ni Cohen (\(\kappa\)), ang kasabotan tali sa modelong ResNet152 ug sa mga banabana maoy 0.90 alang sa ubos nga kalidad nga kaso ug 0.81 alang sa taas nga kalidad nga kaso.Ang AlexNet kappa ni Cohen mao ang 0.82 ug 0.71 alang sa ubos nga kalidad ug taas nga kalidad nga mga kaso sa paggamit, matag usa.Ang kusog sa signal sa Cohen nga kappa mao ang 0.52 ug 0.27 alang sa ubos ug taas nga kalidad nga mga kaso sa paggamit, matag usa.
Ang pag-validate sa taas ug ubos nga kalidad nga mga modelo sa pag-ila sa 6\(\x\) nga mga hulagway sa 6 mm nga flat plate nagpakita sa abilidad sa nabansay nga modelo sa pagtino sa kalidad sa hulagway sa nagkalain-laing mga parameter sa imaging.Kung gigamit ang 6\(\x\) 6 mm shallow slabs para sa kalidad sa imaging, ang ubos nga kalidad nga modelo adunay AUC nga 0.83 (95% CI: 0.69–0.98) ug ang taas nga kalidad nga modelo adunay AUC nga 0.85.(95% CI: 0.55–1.00) (Table 2).
Ang biswal nga pag-inspeksyon sa mga mapa sa pagpaaktibo sa klase sa input layer nagpakita nga ang tanan nga nabansay nga mga neural network naggamit sa mga bahin sa imahe sa panahon sa klasipikasyon sa imahe (Fig. 4A, B).Alang sa 8 \(\times \) 8 mm ug 6 \(\times \) 6 mm nga mga hulagway, ang ResNet activation images hugot nga nagsunod sa retinal vasculature.Ang mga mapa sa pagpaaktibo sa AlexNet nagsunod usab sa mga retinal vessel, apan adunay mas grabe nga resolusyon.
Ang mga mapa sa pagpaaktibo sa klase alang sa ResNet152 ug AlexNet nga mga modelo nagpasiugda sa mga bahin nga may kalabotan sa kalidad sa imahe.(A) Mapa sa pagpaaktibo sa klase nga nagpakita sa managsama nga pagpaaktibo pagkahuman sa taphaw nga retinal vasculature sa 8 \ (\ mga oras \) 8 mm nga mga imahe sa pag-validate ug (B) nga gilapdon sa mas gamay nga 6 \ (\ mga oras \) 6 mm nga mga imahe sa pag-validate.Ang modelo sa LQ nga gibansay sa ubos nga kalidad nga pamatasan, ang HQ nga modelo nga gibansay sa taas nga kalidad nga pamatasan.
Gipakita kaniadto nga ang kalidad sa imahe mahimong makaapekto sa bisan unsang pag-ihap sa mga imahe sa OCTA.Dugang pa, ang presensya sa retinopathy nagdugang sa insidente sa mga artifact sa imahe7,26.Sa tinuud, sa among datos, nga nahiuyon sa nangaging mga pagtuon, nakit-an namon ang usa ka hinungdanon nga asosasyon tali sa pagtaas sa edad ug kagrabe sa sakit sa retinal ug pagkadaot sa kalidad sa imahe (p <0.001, p = 0.017 alang sa edad ug DR status, matag usa; Talaan 1) 27 .Kadaghanan sa mga pagtuon nga nag-analisar sa mga hulagway sa OCTA naggamit sa gi-report sa makina nga signal intensity thresholds aron isalikway ang ubos nga kalidad nga mga hulagway.Bisan tuod ang signal intensity gipakita nga makaapekto sa quantification sa OCTA nga mga parameter, ang taas nga signal intensity lamang mahimong dili igo aron sa pagpugong sa mga hulagway nga adunay mga artifact sa imahe2,3,28,29.Busa, gikinahanglan ang paghimo og mas kasaligan nga pamaagi sa pagkontrol sa kalidad sa imahe.Sa kini nga katuyoan, among gisusi ang pasundayag sa gibantayan nga lawom nga mga pamaagi sa pagkat-on batok sa kusog sa signal nga gitaho sa makina.
Naghimo kami og daghang mga modelo alang sa pagtimbang-timbang sa kalidad sa imahe tungod kay ang lainlaing mga kaso sa paggamit sa OCTA mahimong adunay lainlaing mga kinahanglanon sa kalidad sa imahe.Pananglitan, ang mga imahe kinahanglan nga adunay mas taas nga kalidad.Dugang pa, ang piho nga quantitative nga mga parameter sa interes hinungdanon usab.Pananglitan, ang lugar sa foveal avascular zone wala magdepende sa kaguliyang sa non-central medium, apan nakaapekto sa density sa mga sudlanan.Samtang ang among panukiduki nagpadayon sa pag-focus sa usa ka kinatibuk-ang pamaagi sa kalidad sa imahe, nga wala gihigot sa mga kinahanglanon sa bisan unsang partikular nga pagsulay, apan gituyo aron direkta nga ilisan ang kusog sa signal nga gitaho sa makina, nanghinaut kami nga mahatagan ang mga tiggamit sa usa ka labi nga lebel sa pagkontrol aron sila makapili sa piho nga sukdanan sa interes sa tiggamit.pagpili og usa ka modelo nga katumbas sa pinakataas nga lebel sa mga artifact sa imahe nga giisip nga madawat.
Alang sa ubos nga kalidad ug taas nga kalidad nga mga talan-awon, nagpakita kami og maayo kaayo nga performance sa wala'y koneksyon nga lawom nga convolutional neural network, nga adunay mga AUC nga 0.97 ug 0.99 ug ubos nga kalidad nga mga modelo, matag usa.Gipakita usab namo ang labaw nga pasundayag sa among lawom nga pamaagi sa pagkat-on kung itandi sa lebel sa signal nga gitaho lamang sa mga makina.Ang paglaktaw sa mga koneksyon nagtugot sa mga neural network sa pagkat-on sa mga bahin sa daghang lebel sa detalye, pagkuha sa mas maayo nga mga aspeto sa mga hulagway (pananglitan sa kalainan) ingon man usab sa mga kinatibuk-ang bahin (eg image centering30,31).Tungod kay ang mga artifact sa imahe nga nakaapekto sa kalidad sa imahe lagmit labing nahibal-an sa usa ka halapad nga hanay, ang mga arkitektura sa neural network nga adunay nawala nga mga koneksyon mahimong magpakita nga labi ka maayo nga pasundayag kaysa sa mga wala’y mga buluhaton sa pagdeterminar sa kalidad sa imahe.
Kung gisulayan ang among modelo sa 6 \ (\ × 6mm) nga mga imahe sa OCTA, among namatikdan ang pagkunhod sa performance sa klasipikasyon alang sa taas nga kalidad ug ubos nga kalidad nga mga modelo (Fig. 2), sukwahi sa gidak-on sa modelo nga gibansay alang sa klasipikasyon.Kung itandi sa modelo sa ResNet, ang modelo sa AlexNet adunay mas dako nga pagkahulog.Ang mas maayo nga performance sa ResNet mahimong tungod sa abilidad sa nahabilin nga mga koneksyon sa pagpadala sa impormasyon sa daghang mga timbangan, nga naghimo sa modelo nga mas lig-on alang sa pagklasipikar sa mga hulagway nga nakuha sa lain-laing mga timbangan ug/o mga pagpadako.
Ang ubang mga kalainan tali sa 8 \(\×\) 8 mm nga mga hulagway ug 6 \(\×\) 6 mm nga mga hulagway mahimong mosangpot sa dili maayo nga klasipikasyon, lakip ang medyo taas nga proporsiyon sa mga hulagway nga adunay foveal avascular nga mga dapit, mga kausaban sa visibility, vascular arcades, ug walay optic nerve sa hulagway 6×6 mm.Bisan pa niini, ang among taas nga kalidad nga modelo sa ResNet nakahimo sa pagkab-ot sa usa ka AUC nga 85% alang sa 6 \(\x\) 6 mm nga mga imahe, usa ka pag-configure kung diin ang modelo wala gibansay, nagsugyot nga ang kasayuran sa kalidad sa imahe naka-encode sa neural network. angay.alang sa usa ka gidak-on sa imahe o configuration sa makina gawas sa pagbansay niini (Table 2).Makapasalig, ang ResNet- ug AlexNet nga sama sa pagpaaktibo nga mga mapa sa 8 \ (\ times \) 8 mm ug 6 \ (\ times \) 6 mm nga mga hulagway nakahimo sa pag-highlight sa mga retinal vessel sa duha ka mga kaso, nga nagsugyot nga ang modelo adunay importante nga impormasyon.magamit alang sa pagklasipikar sa duha ka matang sa mga hulagway sa OCTA (Fig. 4).
Lauerman ug uban pa.Ang pagsusi sa kalidad sa imahe sa mga imahe sa OCTA parehas nga gihimo gamit ang arkitektura sa Inception, usa pa nga paglaktaw-koneksyon nga convolutional neural network6,32 gamit ang lawom nga mga pamaagi sa pagkat-on.Gilimitahan usab nila ang pagtuon sa mga imahe sa taphaw nga capillary plexus, apan gigamit lamang ang gagmay nga 3 × 3 mm nga mga imahe gikan sa Optovue AngioVue, bisan kung ang mga pasyente nga adunay lainlaing mga sakit sa chorioretinal gilakip usab.Ang among trabaho nagtukod sa ilang mga pundasyon, lakip ang daghang mga modelo aron matubag ang lainlaing mga sukaranan sa kalidad sa imahe ug pag-validate ang mga resulta alang sa mga imahe nga lainlain ang gidak-on.Gi-report usab namo ang AUC metric sa mga modelo sa pagkat-on sa makina ug gipataas ang ilang impresibo na nga katukma (90%)6 para sa ubos nga kalidad (96%) ug taas nga kalidad (95.7%) nga mga modelo6.
Kini nga pagbansay adunay daghang mga limitasyon.Una, nakuha ang mga imahe gamit ang usa lamang ka makina nga OCTA, lakip ang mga imahe lamang sa taphaw nga capillary plexus sa 8 \ (\ times \) 8 mm ug 6 \ (\ times \) 6 mm.Ang rason sa dili pag-apil sa mga hulagway gikan sa mas lawom nga mga lut-od mao nga ang projection artifacts makahimo sa manwal nga pagtimbang-timbang sa mga hulagway nga mas lisud ug posible nga dili kaayo makanunayon.Dugang pa, ang mga imahe nakuha lamang sa mga pasyente nga adunay diabetes, diin ang OCTA mitumaw ingon usa ka hinungdanon nga himan sa pagdayagnos ug prognostic33,34.Bisan kung nasulayan namon ang among modelo sa mga imahe nga lainlain ang gidak-on aron masiguro nga lig-on ang mga resulta, wala namon mahibal-an ang angay nga mga datasets gikan sa lainlaing mga sentro, nga naglimite sa among pagsusi sa pagka-generalizability sa modelo.Bisan tuod ang mga hulagway nakuha gikan sa usa lamang ka sentro, kini nakuha gikan sa mga pasyente nga lainlaig etniko ug rasa nga kagikan, nga usa ka talagsaong kalig-on sa among pagtuon.Pinaagi sa paglakip sa pagkalain-lain sa among proseso sa pagbansay, kami nanghinaut nga ang among mga resulta ma-generalize sa mas lapad nga diwa, ug nga among likayan ang pag-encode sa pagpihig sa rasa sa mga modelo nga among gibansay.
Gipakita sa among pagtuon nga ang koneksyon-laktaw nga mga neural network mahimong mabansay aron makab-ot ang taas nga pasundayag sa pagtino sa kalidad sa imahe sa OCTA.Gihatag namo kini nga mga modelo isip mga himan alang sa dugang nga panukiduki.Tungod kay ang lain-laing mga sukatan mahimong adunay lain-laing mga kinahanglanon sa kalidad sa imahe, usa ka indibidwal nga modelo sa pagkontrol sa kalidad mahimong maugmad alang sa matag sukatan gamit ang istruktura nga gitukod dinhi.
Ang umaabot nga panukiduki kinahanglan nga maglakip sa mga hulagway sa lain-laing mga gidak-on gikan sa lain-laing mga giladmon ug lain-laing mga OCTA makina sa pagkuha sa usa ka lawom nga pagkat-on sa kalidad nga proseso sa pagtimbang-timbang sa hulagway nga mahimong generalize sa OCTA plataporma ug imaging protocols.Ang karon nga panukiduki gibase usab sa gidumala nga lawom nga mga pamaagi sa pagkat-on nga nanginahanglan pagtimbang-timbang sa tawo ug pagtimbang-timbang sa imahe, nga mahimo’g kusog sa pagtrabaho ug pag-usik sa oras alang sa daghang mga datos.Nagpabilin nga makita kung ang wala gibantayan nga lawom nga mga pamaagi sa pagkat-on igo nga makaila tali sa ubos nga kalidad nga mga imahe ug taas nga kalidad nga mga imahe.
Samtang ang teknolohiya sa OCTA nagpadayon sa pag-uswag ug ang katulin sa pag-scan nagdugang, ang insidente sa mga artifact sa imahe ug dili maayo nga kalidad nga mga imahe mahimong mokunhod.Ang mga pag-uswag sa software, sama sa bag-o lang gipaila nga projection artifact removal feature, makapakunhod usab niini nga mga limitasyon.Bisan pa, daghang mga problema ang nagpabilin samtang ang pag-imaging sa mga pasyente nga adunay dili maayo nga pag-ayo o hinungdanon nga kaguliyang sa media kanunay nga nagresulta sa mga artifact sa imahe.Samtang ang OCTA nahimong mas kaylap nga gigamit sa mga pagsulay sa klinika, gikinahanglan ang mabinantayon nga konsiderasyon aron matukod ang tin-aw nga mga panudlo alang sa madawat nga lebel sa artifact sa imahe alang sa pagtuki sa imahe.Ang paggamit sa lawom nga mga pamaagi sa pagkat-on sa mga imahe sa OCTA adunay dako nga saad ug dugang nga panukiduki gikinahanglan sa kini nga lugar aron makahimo usa ka lig-on nga pamaagi sa pagkontrol sa kalidad sa imahe.
Ang code nga gigamit sa kasamtangan nga panukiduki anaa sa octa-qc repository, https://github.com/rahuldhodapkar/octa-qc.Ang mga datos nga namugna ug/o gi-analisa sa panahon sa kasamtangan nga pagtuon anaa gikan sa tagsa-tagsa ka mga tagsulat sa makatarunganong hangyo.
Spaide, RF, Fujimoto, JG & Waheed, NK Image artifacts sa optical coherence angiography.Retina 35, 2163–2180 (2015).
Fenner, BJ ug uban pa.Pag-ila sa mga bahin sa imaging nga nagtino sa kalidad ug reproducibility sa retinal capillary plexus density measurements sa OCT angiography.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL ug uban pa.Impluwensya sa teknolohiya sa pagsubay sa mata sa kalidad sa imahe sa OCT angiography sa macular degeneration nga may kalabutan sa edad.Lubnganan nga arko.klinikal.Exp.ophthalmology.255, 1535–1542 (2017).
Babyuch AS et al.Ang OCTA capillary perfusion density measurements gigamit sa pag-ila ug pagtimbang-timbang sa macular ischemia.operasyon sa ophthalmic.Retinal Laser Imaging 51, S30–S36 (2020).
Siya, K., Zhang, X., Ren, S., ug Sun, J. Deep Residual Learning para sa Image Recognition.Sa 2016 sa IEEE Conference sa Computer Vision and Pattern Recognition (2016).
Lauerman, JL ug uban pa.Awtomatikong OCT angiographic nga pagtan-aw sa kalidad sa imahe gamit ang lawom nga mga algorithm sa pagkat-on.Lubnganan nga arko.klinikal.Exp.ophthalmology.257, 1641–1648 (2019).
Lauermann, J. ug uban pa.Ang pagkaylap sa mga sayup sa pagbahinbahin ug mga artifact sa paglihok sa OCT angiography nagdepende sa sakit sa retina.Lubnganan nga arko.klinikal.Exp.ophthalmology.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Usa ka Imperative, High-Performance Deep Learning Library.Advanced nga pagproseso sa impormasyon sa neural.sistema.32, 8026–8037 (2019).
Deng, J. ug uban pa.ImageNet: Usa ka Dako nga Hierarchical Image Database.2009 IEEE Conference sa Computer Vision ug Pattern Recognition.248–255.(2009).
Krizhevsky A., Sutzkever I. ug Hinton GE Imagenet nga klasipikasyon gamit ang lawom nga convolutional neural network.Advanced nga pagproseso sa impormasyon sa neural.sistema.25, 1 (2012).