Nature.com сайтаар зочилсонд баярлалаа.Та хязгаарлагдмал CSS дэмжлэгтэй хөтчийн хувилбарыг ашиглаж байна.Хамгийн сайн ашиглахын тулд бид танд шинэчилсэн хөтөч ашиглахыг зөвлөж байна (эсвэл Internet Explorer-д нийцтэй байдлын горимыг идэвхгүй болгох).Нэмж дурдахад бид байнгын дэмжлэгийг хангахын тулд сайтыг ямар ч загвар, JavaScript-гүй харуулдаг.
Слайд бүрт гурван өгүүллийг харуулсан слайдерууд.Слайдуудын дундуур шилжихийн тулд буцах болон дараагийн товчлууруудыг, слайд бүрээр шилжихийн тулд төгсгөлд байрлах слайд хянагчийн товчлууруудыг ашиглана уу.
Оптик когерент томографийн ангиографи (OCTA) нь торлог бүрхэвчийн судсыг инвазив бус дүрслэх шинэ арга юм.Хэдийгээр OCTA нь олон ирээдүйтэй эмнэлзүйн хэрэглээтэй ч зургийн чанарыг тодорхойлох нь бэрхшээлтэй хэвээр байна.Бид ImageNet-ээр урьдчилан бэлтгэсэн ResNet152 мэдрэлийн сүлжээний ангилагчийг ашиглан 134 өвчтөний 347 сканнераас өнгөц хялгасан судасны plexus дүрсийг ангилахын тулд гүнзгий суралцахад суурилсан системийг боловсруулсан.Зургийг мөн хяналттай сургалтын загварт зориулж хоёр бие даасан үнэлэгч гар аргаар бодит үнэн гэж үнэлэв.Зургийн чанарын шаардлага нь эмнэлзүйн болон судалгааны тохиргооноос хамаарч өөр өөр байж болох тул хоёр загварыг сургасан бөгөөд нэг нь өндөр чанартай зураг таних, нөгөө нь чанар муутай зураг таних зориулалттай.Манай мэдрэлийн сүлжээний загвар нь муруйн доорх маш сайн талбайг (AUC) харуулж байна, 95% CI 0.96-0.99, \(\kappa\) = 0.81), энэ нь машины мэдээлсэн дохионы түвшингээс (AUC = 0.82, 95) хамаагүй дээр юм. % CI).0.77–0.86, \(\kappa\) = 0.52 ба AUC = 0.78, 95% CI 0.73-0.83, \(\kappa\) = 0.27).Бидний судалгаагаар OCTA зургийн уян хатан, бат бөх чанарын хяналтын аргуудыг боловсруулахад машин сургалтын аргыг ашиглаж болохыг харуулж байна.
Оптик когерент томографийн ангиографи (OCTA) нь оптик когерент томографи (OCT) дээр суурилсан харьцангуй шинэ арга бөгөөд нүдний торлог бүрхэвчийн бичил судасжилтыг инвазив бус дүрслэхэд ашиглаж болно.OCTA нь нүдний торлог бүрхэвчийн ижил хэсэгт давтагдах гэрлийн импульсийн тусгалын хэв маягийн ялгааг хэмждэг бөгөөд дараа нь сэргээн босголтыг тооцоолохдоо будагч бодис болон бусад тодосгогч бодисыг инвазив хэрэглээгүйгээр цусны судсыг илрүүлэх боломжтой.OCTA нь гүн нарийвчлалтай судасны дүрслэлийг хийх боломжийг олгодог бөгөөд эмч нарт судасны өнгөц болон гүн давхаргыг тусад нь судлах боломжийг олгодог бөгөөд энэ нь chorioretinal өвчнийг ялгахад тусалдаг.
Энэхүү техник нь ирээдүйтэй боловч зургийн чанарын өөрчлөлт нь зургийн найдвартай шинжилгээнд томоохон сорилт байсаар байгаа бөгөөд энэ нь зургийг тайлбарлахад хүндрэл учруулж, эмнэлзүйн өргөн тархалтаас сэргийлж байна.OCTA нь олон дараалсан OCT сканнеруудыг ашигладаг тул стандарт OCT-ээс илүү дүрсний олдворуудад илүү мэдрэмтгий байдаг.Ихэнх арилжааны OCTA платформууд нь дохионы хүч (SS) эсвэл заримдаа дохионы хүч чадлын индекс (SSI) гэж нэрлэгддэг өөрийн зургийн чанарын хэмжүүрээр хангадаг.Гэсэн хэдий ч SS эсвэл SSI өндөр утгатай зургууд нь зургийн олдвор байхгүй байх баталгаа болохгүй бөгөөд энэ нь зургийн дараагийн шинжилгээнд нөлөөлж, эмнэлзүйн буруу шийдвэр гаргахад хүргэдэг.OCTA дүрслэлд тохиолдож болох нийтлэг зургийн олдворууд нь хөдөлгөөнт олдворууд, сегментчилсэн олдворууд, медиа тунгалаг байдлын олдворууд, проекцийн олдворууд орно1,2,3.
Судасны нягтрал зэрэг OCTA-аас гаралтай хэмжүүрүүд орчуулгын судалгаа, эмнэлзүйн туршилтууд болон эмнэлзүйн практикт улам бүр ашиглагдаж байгаа тул зургийн артефактуудыг арилгахын тулд найдвартай, найдвартай зургийн чанарын хяналтын процессыг хөгжүүлэх зайлшгүй шаардлагатай байна4.Алгасах холболтууд буюу үлдэгдэл холболтууд нь мэдрэлийн сүлжээний архитектурын проекцууд бөгөөд мэдээллийг өөр өөр масштаб эсвэл нарийвчлалтайгаар хадгалахын зэрэгцээ эвдрэлийн давхаргыг тойрч гарах боломжийг олгодог5.Зургийн олдворууд нь жижиг болон ерөнхий том хэмжээний зургийн гүйцэтгэлд нөлөөлж болох тул алгасах холболттой мэдрэлийн сүлжээ нь энэхүү чанарын хяналтын ажлыг автоматжуулахад тохиромжтой5.Саяхан хэвлэгдсэн ажил нь хүний ​​тооцоологчдын өндөр чанарын өгөгдлийг ашиглан сургагдсан гүн гүнзгий эргэлтийн мэдрэлийн сүлжээг амлаж байна6.
Энэхүү судалгаагаар бид OCTA зургийн чанарыг автоматаар тодорхойлохын тулд холболтыг алгасах эвдрэлийн мэдрэлийн сүлжээг сургадаг.Эмнэлзүйн болон судалгааны тодорхой тохиолдлуудад зургийн чанарт тавигдах шаардлага өөр байж болох тул бид өндөр чанартай зураг, чанар муутай зургийг тодорхойлох тусдаа загваруудыг боловсруулж өмнөх ажил дээрээ тулгуурладаг.Гүнзгий суралцах хүрээнд олон түвшний нарийн түвшний онцлогуудыг оруулахын үнэ цэнийг үнэлэхийн тулд бид эдгээр сүлжээнүүдийн үр дүнг холболтгүй эвдэрсэн мэдрэлийн сүлжээнүүдтэй харьцуулж үздэг.Дараа нь бид үр дүнгээ дохионы хүч чадалтай харьцуулсан бөгөөд энэ нь үйлдвэрлэгчдээс гаргасан зургийн чанарын нийтлэг хэмжүүр юм.
Бидний судалгаанд 2017 оны 8-р сарын 11-ээс 2019 оны 4-р сарын 11-ний хооронд Йелийн нүдний төвд эмчлүүлсэн чихрийн шижинтэй өвчтөнүүдийг хамруулсан. Чихрийн шижингийн бус хориоретиналь өвчтэй өвчтөнүүдийг хассан.Нас, хүйс, арьсны өнгө, зургийн чанар болон бусад хүчин зүйлээс хамааруулан оруулах, хасах шалгуур байгаагүй.
OCTA зургийг AngioPlex платформ ашиглан Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) дээр 8\(\times\)8 мм ба 6\(\times\)6 мм дүрслэлийн протоколоор авсан.Судалгаанд хамрагдах зөвшөөрлийг судалгаанд оролцогч бүрээс авсан бөгөөд Йелийн Их Сургуулийн Байгууллагын Хяналтын Зөвлөл (IRB) эдгээр бүх өвчтөнд дэлхийн гэрэл зургийн хамт мэдээлэлтэй зөвшөөрлийг ашиглахыг зөвшөөрсөн.Хельсинкийн тунхаглалын зарчмуудыг баримтална.Судалгааг Йелийн их сургуулийн IRB баталсан.
Гадаргуугийн хавтангийн зургийг өмнө нь тайлбарласан Хөдөлгөөнт олдворын оноо (MAS), өмнө тайлбарласан Сегментацийн олдворын оноо (SAS), сүвний төв, зөөвөрлөгчийн тунгалаг байдал, дүрс үнэлэгчийн тодорхойлсон жижиг хялгасан судасны сайн дүрслэл зэрэгт үндэслэн үнэлэв.Зургийг бие даасан хоёр үнэлгээч (RD ба JW) шинжилсэн.Дараах бүх шалгуурыг хангасан тохиолдолд зураг 2 оноотой (болно) байна: зураг нь хонхорхойн хэсэгт төвлөрсөн (зургийн төвөөс 100 пикселээс бага), MAS 1 эсвэл 2, SAS нь 1, мөн медиа тунгалаг байдал 1-ээс бага байна. / 16 хэмжээтэй зураг дээр харагдах ба 15/16-аас том хэмжээтэй зураг дээр жижиг хялгасан судаснууд харагдана.Дараах шалгууруудын аль нэгийг хангасан бол зургийг 0 (үнэлгээгүй) гэж үнэлнэ: зураг нь төвөөс гадуур, хэрэв MAS 4, SAS 2, эсвэл дундаж тунгалаг байдал нь зургийн 1/4-ээс их бол, мөн жижиг хялгасан судсыг ялгахын тулд 1-ээс илүү зураг /4 тохируулах боломжгүй.0 эсвэл 2 онооны шалгуурыг хангаагүй бусад бүх зургийг 1 (хайчлах) оноогоор үнэлнэ.
Зураг дээр.1-д масштабтай тооцоолол болон зургийн олдвор бүрийн жишээ зургийг харуулав.Хувь хүний ​​онооны үнэлэгч хоорондын найдвартай байдлыг Коэний каппа жингээр үнэлэв8.Үнэлгээч бүрийн авсан оноог нэгтгэн зураг тус бүрийн 0-ээс 4 хүртэлх нийт оноог гаргана. Нийт 4 оноотой зургийг сайн гэж үзнэ.Нийт 0 эсвэл 1 оноотой зургийг чанар муутай гэж үзнэ.
ImageNet өгөгдлийн сангаас авсан зураг дээр урьдчилан бэлтгэгдсэн ResNet152 архитектурын конволюцийн мэдрэлийн сүлжээг (Зураг 3A.i) fast.ai болон PyTorch framework5, 9, 10, 11 ашиглан үүсгэсэн. Convolutional neural network нь сурсан зүйлийг ашигладаг сүлжээ юм. орон зайн болон орон нутгийн онцлогийг судлах зургийн фрагментуудыг сканнердах шүүлтүүрүүд.Манай бэлтгэгдсэн ResNet нь 152 давхаргын мэдрэлийн сүлжээ бөгөөд цоорхой буюу "үлдэгдэл холболт"-оор тодорхойлогддог бөгөөд олон нягтралтай мэдээллийг нэгэн зэрэг дамжуулдаг.Сүлжээгээр дамжуулан янз бүрийн нарийвчлалтайгаар мэдээллийг проекц хийснээр платформ нь чанар муутай зургийн онцлогийг олон түвшний нарийвчилсан түвшинд сурах боломжтой.Бид ResNet загвараасаа гадна сайн судлагдсан мэдрэлийн сүлжээний архитектур болох AlexNet-ийг харьцуулах холболтыг алдагдуулахгүйгээр сургасан (Зураг 3A.ii)12.Алдагдсан холболтгүй бол энэ сүлжээ нь илүү өндөр нарийвчлалтайгаар функцуудыг авах боломжгүй болно.
Анхны 8\(\times\)8мм OCTA13 зургийн багцыг хэвтээ болон босоо тусгалын техник ашиглан сайжруулсан.Дараа нь бүрэн өгөгдлийн багцыг зургийн түвшинд санамсаргүй байдлаар сургалт (51.2%), туршилт (12.8%), гиперпараметр тааруулах (16%), баталгаажуулалт (20%) өгөгдлийн багцуудад scikit-learn toolbox python14 ашиглан хуваасан.Хоёр тохиолдлыг авч үзсэний нэг нь зөвхөн хамгийн өндөр чанартай зургийг илрүүлэхэд үндэслэсэн (нийт оноо 4), нөгөө нь зөвхөн хамгийн бага чанартай зургийг илрүүлэхэд үндэслэсэн (нийт оноо 0 эсвэл 1).Өндөр чанартай, чанар муутай хэрэглээний тохиолдол бүрийн хувьд мэдрэлийн сүлжээг манай зургийн өгөгдөл дээр нэг удаа дахин сургадаг.Ашиглалтын тохиолдол бүрт мэдрэлийн сүлжээг 10 эриний турш сургаж, хамгийн өндөр давхаргын жинг эс тооцвол бүгдийг нь хөлдөөж, бүх дотоод параметрүүдийн жинг 40 эриний туршид хөндлөн энтропи алдагдлын функцтэй 15, ялгах сурах хурдны аргыг ашиглан сурсан. 16..Хөндлөн энтропийн алдагдлын функц нь урьдчилан таамагласан сүлжээний шошго болон бодит өгөгдлийн хоорондох зөрүүгийн логарифмын масштабын хэмжүүр юм.Сургалтын явцад алдагдлыг багасгахын тулд мэдрэлийн сүлжээний дотоод параметрүүд дээр градиент уналт хийдэг.Суралцах хурд, завсардах хувь, жин бууруулах гиперпараметрүүдийг 2 санамсаргүй эхлэлийн цэг, 10 давталт бүхий Bayesian оновчлолыг ашиглан тохируулсан ба өгөгдлийн багц дээрх AUC-ийг гиперпараметрүүдийг 17 зорилт болгон тохируулсан.
Өнгөц хялгасан судасны plexuses-ийн 8 × 8 мм-ийн OCTA зургийн төлөөллийн жишээнүүд нь 2 (A, B), 1 (C, D), 0 (E, F) оноо авсан.Үзүүлсэн зургийн олдворууд нь анивчих шугам (сум), сегментчилсэн олдвор (од тэмдэг), медиа тунгалаг байдал (сум) зэрэг орно.Зураг (E) мөн төвөөс гадуур байна.
Дараа нь бүх мэдрэлийн сүлжээний загварт зориулж хүлээн авагчийн үйл ажиллагааны шинж чанар (ROC) муруйг үүсгэж, чанар муутай, өндөр чанартай ашиглалтын тохиолдол бүрт хөдөлгүүрийн дохионы хүч чадлын тайланг гаргадаг.Муруй доорх талбайг (AUC) pROC R багцыг ашиглан тооцоолж, 95% итгэлийн интервал ба p-утгийг DeLong аргыг ашиглан тооцоолсон18,19.Бүх ROC тооцоололд хүний ​​үнэлгээний хуримтлагдсан оноог суурь үзүүлэлт болгон ашигладаг.Машины мэдээлсэн дохионы хүч чадлын хувьд AUC-ийг хоёр удаа тооцоолсон: нэг удаа өндөр чанарын Scalability Score хязгаарын хувьд, нэг удаа бага чанарын Scalability Score хязгаарын хувьд.Мэдрэлийн сүлжээг өөрийн сургалт, үнэлгээний нөхцөлийг тусгасан AUC дохионы хүчтэй харьцуулдаг.
Сургалтанд хамрагдсан гүнзгий сургалтын загварыг тусдаа өгөгдлийн багц дээр цаашид туршихын тулд Йелийн их сургуулиас цуглуулсан 32 бүтэн нүүртэй 6\(\times\) 6мм гадаргуугийн хавтангийн зургийн гүйцэтгэлийн үнэлгээнд өндөр чанартай, чанар муутай загваруудыг шууд ашигласан.Нүдний масс нь зургийн 8 \(\ дахин \) 8 мм-ийн хэмжээтэй нэгэн зэрэг төвлөрсөн байна.6\(\×\) 6 мм-ийн зургийг 8\(\×\) 8 мм-ийн зурагтай ижил үнэлгээчид (RD ба JW) гараар үнэлж, AUC, нарийвчлал, Коэний каппа-г тооцоолсон. .тэнцүү .
Ангийн тэнцвэргүй байдлын харьцаа нь чанар муутай загварт 158:189 (\(\rho = 1.19\)), өндөр чанартай загварт 80:267 (\(\rho = 3.3\)) байна.Ангийн тэнцвэргүй байдлын харьцаа 1:4-ээс бага тул ангийн тэнцвэргүй байдлыг засахын тулд тусгай архитектурын өөрчлөлт хийгдээгүй байна20,21.
Сургалтын үйл явцыг илүү сайн дүрслэн харуулахын тулд өндөр чанартай ResNet152 загвар, бага чанарын ResNet152 загвар, өндөр чанартай AlexNet загвар, бага чанартай AlexNet загвар гэсэн дөрвөн сургагдсан гүнзгий сургалтын загварт зориулж анги идэвхжүүлэх газрын зургийг үүсгэсэн.Ангийн идэвхжүүлэлтийн зураглалыг эдгээр дөрвөн загварын оролтын эвдрэлийн давхаргаас, дулааны зураглалыг 8 × 8 мм ба 6 × 6 мм-ийн баталгаажуулалтын багцын эх зурагтай давхарлаж, дулааны зураглалыг үүсгэдэг.
Бүх статистик тооцоололд R хувилбар 4.0.3 ашигласан бөгөөд ggplot2 график хэрэгслийн санг ашиглан дүрслэлийг бүтээсэн.
Бид 134 хүнээс 8 \(\ дахин \)8 мм хэмжээтэй өнгөц хялгасан судасны 347 урд талын зургийг цуглуулсан.Машин нь бүх зургийн хувьд 0-ээс 10 хүртэлх масштабаар дохионы хүчийг мэдээлсэн (дундаж = 6.99 ± 2.29).Авсан 347 зургийн дундаж нас 58.7±14.6 жил, 39.2% нь эрэгтэй өвчтөнүүд байв.Нийт зургуудын 30.8% нь Кавказчууд, 32.6% нь хар арьстнууд, 30.8% нь испаничууд, 4% нь азичууд, 1.7% нь бусад арьстан байсан (Хүснэгт 1).).OCTA-тай өвчтөнүүдийн насны хуваарилалт нь зургийн чанараас хамааран ихээхэн ялгаатай байв (p <0.001).18-45 насны залуу өвчтөнүүдийн өндөр чанартай зургийн эзлэх хувь 33.8%, чанар муутай зургуудын 12.2% байсан (Хүснэгт 1).Чихрийн шижингийн ретинопатийн төлөв байдлын тархалт нь зургийн чанарт ихээхэн ялгаатай байв (p <0.017).Бүх өндөр чанартай зургуудын дунд PDR-тэй өвчтөнүүдийн эзлэх хувь 18.8%, чанар муутай зургийн 38.8% байсан (Хүснэгт 1).
Бүх зургийн хувь хүний ​​үнэлгээ нь зургийг уншиж буй хүмүүсийн дунд дундаас хүчтэй үнэлгээ хоорондын найдвартай байдлыг харуулсан (Коэний жинлэсэн каппа = 0.79, 95% CI: 0.76-0.82), үнэлгээчид 1-ээс дээш ялгаатай зургийн цэгүүд байгаагүй (Зураг 1). 2А)..Дохионы эрч хүч нь гарын авлагын оноотой ихээхэн хамааралтай байсан (Пирсоны бүтээгдэхүүний моментийн хамаарал = 0.58, 95% CI 0.51-0.65, p<0.001), гэхдээ олон зургийг өндөр дохионы эрчимтэй боловч гарын авлагын оноо багатай гэж тодорхойлсон (Зураг .2B).
ResNet152 болон AlexNet архитектуруудыг сургах явцад баталгаажуулалт болон сургалтын хоорондын энтропийн алдагдал 50 гаруй эрин үед буурдаг (Зураг 3B,C).Төгсгөлийн сургалтын эрин үед баталгаажуулалтын нарийвчлал нь өндөр чанартай болон бага чанарын хэрэглээний тохиолдлуудын аль алинд нь 90% -иас дээш байдаг.
Хүлээн авагчийн гүйцэтгэлийн муруйнууд нь ResNet152 загвар нь бага болон өндөр чанарын ашиглалтын аль алинд нь машины мэдээлсэн дохионы хүчийг мэдэгдэхүйц давж байгааг харуулж байна (p <0.001).ResNet152 загвар нь AlexNet-ийн архитектураас (бага чанартай, өндөр чанартай тохиолдлуудын хувьд p = 0.005 ба p = 0.014 тус тус) мэдэгдэхүйц давуу юм.Эдгээр даалгавар тус бүрийн үр дүнд бий болсон загварууд нь AUC утгыг тус тус 0.99 ба 0.97-д хүрч чадсан бөгөөд энэ нь машины дохионы хүч чадлын индексийн 0.82 ба 0.78 буюу AlexNet-ийн хувьд 0.97 ба 0.94-ийн харгалзах AUC утгаас хамаагүй дээр юм. ..(Зураг 3).ResNet болон AUC хоёрын дохионы хүч чадлын ялгаа нь өндөр чанартай зургийг таних үед илүү өндөр байдаг нь энэ ажилд ResNet-ийг ашиглах нэмэлт ашиг тусыг харуулж байна.
Графикууд нь бие даасан үнэлгээчин бүрийн оноо авах, машины мэдээлсэн дохионы хүчтэй харьцуулах чадварыг харуулдаг.(A) Үнэлгээ хийх онооны нийлбэрийг ашиглан үнэлгээ өгөх нийт оноог үүсгэнэ.Өргөтгөх чадварын ерөнхий оноо 4-тэй зургийг өндөр чанартайгаар, харин 1 ба түүнээс бага оноотой зургийг бага чанартайгаар онооно.(B) Дохионы эрч хүч нь гарын авлагын тооцоололтой хамааралтай боловч өндөр дохионы эрчимтэй зургууд нь чанар муутай байж болно.Улаан тасархай шугам нь дохионы хүч (дохионы хүч \(\ge\)6) дээр үндэслэн үйлдвэрлэгчээс санал болгож буй чанарын босгыг заана.
ResNet шилжүүлгийн сургалт нь машины мэдээлсэн дохионы түвшинтэй харьцуулахад чанар муутай, өндөр чанартай ашиглалтын аль алинд нь зургийн чанарыг тодорхойлоход мэдэгдэхүйц сайжруулалт өгдөг.(A) Урьдчилан бэлтгэгдсэн (i) ResNet152 ба (ii) AlexNet архитектуруудын хялбаршуулсан архитектурын диаграммууд.(B) ResNet152-д зориулсан сургалтын түүх болон хүлээн авагчийн гүйцэтгэлийн муруйг машины мэдээлсэн дохионы хүч болон AlexNet чанар муутай шалгуур үзүүлэлттэй харьцуулсан.(C) ResNet152 хүлээн авагчийн сургалтын түүх ба гүйцэтгэлийн муруйг машины мэдээлсэн дохионы хүч болон AlexNet өндөр чанарын шалгууртай харьцуулсан.
Шийдвэр гаргах хилийн босгыг тохируулсны дараа ResNet152 загварын хамгийн их таамаглах нарийвчлал нь чанар муутай тохиолдолд 95.3%, өндөр чанартай тохиолдолд 93.5% байна (Хүснэгт 2).AlexNet загварын хамгийн дээд таамаглалын нарийвчлал нь чанар муутай тохиолдолд 91.0%, өндөр чанартай тохиолдолд 90.1% байна (Хүснэгт 2).Дохионы хүчийг урьдчилан таамаглах хамгийн дээд нарийвчлал нь чанар муутай тохиолдолд 76.1%, өндөр чанартай хэрэглээний тохиолдолд 77.8% байна.Коэний каппа (\(\kappa\)) дагуу ResNet152 загвар болон тооцоологчдын хоорондын тохиролцоо нь чанар муутай тохиолдолд 0.90, өндөр чанартай тохиолдолд 0.81 байна.Cohen-ийн AlexNet kappa нь чанар муутай, өндөр чанартай хэрэглээний тохиолдолд 0.82 ба 0.71 байна.Коэний дохионы хүч чадлын каппа нь бага болон өндөр чанартай хэрэглээний тохиолдолд 0.52 ба 0.27 байна.
6 мм-ийн хавтгай хавтангийн 6\(\x\) зураг дээр өндөр болон бага чанарын таних загваруудыг баталгаажуулах нь сургагдсан загвар нь дүрслэлийн янз бүрийн параметрүүдийн дагуу зургийн чанарыг тодорхойлох чадварыг харуулж байна.Зургийн чанарт 6\(\x\) 6 мм-ийн гүехэн хавтанг ашиглах үед чанар муутай загвар нь AUC 0.83 (95% CI: 0.69-0.98), өндөр чанарын загвар нь 0.85 AUC-тай байв.(95% CI: 0.55–1.00) (Хүснэгт 2).
Оролтын давхаргын ангиллын идэвхжүүлэлтийн газрын зургийг нүдээр шалгахад бүх сургагдсан мэдрэлийн сүлжээ нь зургийн ангиллын үед дүрсний онцлогийг ашигласан болохыг харуулсан (Зураг 4A, B).8 \(\ дахин \) 8 мм ба 6 \(\ дахин \) 6 мм-ийн зургийн хувьд ResNet идэвхжүүлэх зураг нь торлог бүрхэвчийн судасжилтыг сайтар дагадаг.AlexNet идэвхжүүлэх газрын зураг нь торлог бүрхэвчийн судаснуудыг дагадаг боловч илүү бүдүүлэг нарийвчлалтай.
ResNet152 болон AlexNet загваруудад зориулсан ангиллын идэвхжүүлэлтийн газрын зураг нь зургийн чанартай холбоотой онцлогуудыг онцлон тэмдэглэдэг.(A) 8 \(\ дахин \) 8 мм-ийн баталгаажуулалтын зураг дээр өнгөц торлог бүрхэвчийн судасжилтын дараа уялдаатай идэвхжүүлэлтийг харуулсан ангиллын идэвхжүүлэлтийн зураг, (B) 6 \(\ удаа \) 6 мм-ийн баталгаажуулалтын зураг дээр (B) цар хүрээг харуулсан.LQ загвар нь чанар муутай шалгуураар, HQ загвар нь өндөр чанарын шалгуураар бэлтгэгдсэн.
Зургийн чанар нь OCTA зургийн аливаа тоон үзүүлэлтэд ихээхэн нөлөөлдөг болохыг өмнө нь харуулсан.Үүнээс гадна ретинопати байгаа нь дүрсний олдворын тохиолдлыг нэмэгдүүлдэг7,26.Үнэн хэрэгтээ бидний өгөгдөлд өмнөх судалгаануудтай нийцүүлэн бид хөгшрөлтийн нас, торлог бүрхэвчийн өвчний хүнд байдал, зургийн чанар муудах хооронд мэдэгдэхүйц хамаарал байгааг олж мэдсэн (нас болон DR статусын хувьд p <0.001, p = 0.017; Хүснэгт 1) 27 Тиймээс OCTA зургийн тоон шинжилгээ хийхээс өмнө зургийн чанарыг үнэлэх нь чухал юм.OCTA зурагт дүн шинжилгээ хийдэг ихэнх судалгаанууд чанар муутай зургийг үгүйсгэхийн тулд машинаас мэдээлсэн дохионы эрчмийн босго хэмжээг ашигладаг.Хэдийгээр дохионы эрч хүч нь OCTA параметрийн тоон үзүүлэлтэд нөлөөлдөг нь нотлогдсон боловч өндөр дохионы эрч хүч дангаараа зургийн олдвор бүхий зургийг үгүйсгэхэд хангалтгүй байж болно2,3,28,29.Тиймээс зургийн чанарыг хянах илүү найдвартай аргыг боловсруулах шаардлагатай байна.Үүний тулд бид хяналттай гүнзгий суралцах аргуудын гүйцэтгэлийг машинаас мэдээлсэн дохионы хүчээр үнэлдэг.
OCTA ашиглах өөр тохиолдлуудад зургийн чанарын шаардлага өөр байж болох тул бид зургийн чанарыг үнэлэх хэд хэдэн загварыг боловсруулсан.Жишээлбэл, зураг илүү чанартай байх ёстой.Үүнээс гадна сонирхлын тодорхой тоон үзүүлэлтүүд бас чухал юм.Жишээлбэл, фовеаль судасжилтын бүсийн талбай нь төвийн бус орчны булингараас хамаардаггүй, харин судасны нягтралд нөлөөлдөг.Бидний судалгаа ямар нэгэн туршилтын шаардлагад хамааралгүй зургийн чанарын ерөнхий хандлагад анхаарлаа хандуулсаар байгаа боловч машины мэдээлсэн дохионы хүчийг шууд орлуулах зорилготой боловч бид хэрэглэгчдэд илүү их хяналтыг өгөх болно гэж найдаж байна. хэрэглэгчийн сонирхсон тодорхой хэмжүүрийг сонгох боломжтой.зөвшөөрөгдөх боломжтой гэж үзсэн зургийн олдворуудын дээд зэрэгт тохирсон загварыг сонгох.
Чанар муутай, өндөр чанартай үзэгдлүүдийн хувьд бид холболтгүй гүн нугалсан мэдрэлийн сүлжээнүүдийн маш сайн гүйцэтгэлийг харуулдаг бөгөөд AUC нь 0.97 ба 0.99, мөн чанар муутай загваруудтай.Мөн бид зөвхөн машинуудын мэдээлдэг дохионы түвшинтэй харьцуулахад гүнзгий суралцах арга барилынхаа өндөр гүйцэтгэлийг харуулдаг.Алгасах холболтууд нь мэдрэлийн сүлжээнд олон түвшний нарийвчилсан шинж чанаруудыг сурах боломжийг олгодог бөгөөд зургийн нарийн талууд (жишээ нь, тодосгогч) болон ерөнхий шинж чанаруудыг (жишээ нь, дүрсийг төвлөрүүлэх30,31) авах боломжийг олгодог.Зургийн чанарт нөлөөлж буй зургийн олдворууд нь өргөн хүрээний хүрээнд хамгийн сайн танигддаг тул холболтгүй мэдрэлийн сүлжээний архитектурууд зургийн чанарыг тодорхойлох даалгаваргүй хүмүүсээс илүү сайн гүйцэтгэлтэй байж болно.
Манай загварыг 6\(\×6мм) OCTA зураг дээр туршихдаа ангилалд сургагдсан загварын хэмжээнээс ялгаатай нь өндөр чанартай болон бага чанартай загваруудын ангилалын гүйцэтгэл буурч байгааг анзаарсан (Зураг 2).ResNet загвартай харьцуулахад AlexNet загвар нь илүү их уналттай байдаг.ResNet-ийн харьцангуй сайн гүйцэтгэл нь үлдэгдэл холболтууд нь мэдээллийг олон масштабаар дамжуулах чадвартай холбоотой байж болох бөгөөд энэ нь загварыг өөр өөр масштаб болон/эсвэл томруулахад авсан зургийг ангилахад илүү бат бөх болгодог.
8 \(\×\) 8 мм-ийн зураг ба 6 \(\ ×\) 6 мм-ийн зураг хоорондын зарим ялгаа нь муу ангилалд хүргэж болох бөгөөд үүнд фовеаль судасжилтын талбай, харагдах байдал өөрчлөгдөх, судасны нуман хаалга, зурагны харьцангуй өндөр хувь багтана. 6х6 мм хэмжээтэй зураг дээр харааны мэдрэл байхгүй.Гэсэн хэдий ч манай өндөр чанартай ResNet загвар нь 6 \(\x\) 6 мм-ийн зургийн хувьд 85%-ийн AUC-ийг авч чадсан бөгөөд энэ тохиргоог загварт сургаагүй байсан нь мэдрэлийн сүлжээнд дүрсний чанарын мэдээлэл кодлогдсон болохыг харуулж байна. тохиромжтой.нэг зургийн хэмжээ эсвэл сургалтын гаднах машины тохиргооны хувьд (Хүснэгт 2).8 \(\ дахин \) 8 мм ба 6 \ (\ удаа \) 6 мм-ийн дүрс бүхий ResNet болон AlexNet-тэй төстэй идэвхжүүлэлтийн зураг нь хоёр тохиолдолд хоёуланд нь торлог бүрхэвчийн судаснуудыг тодруулж чадсан нь загварт чухал мэдээлэл байгааг харуулж байна.Эдгээр нь OCTA зургийн хоёр төрлийг ангилахад тохиромжтой (Зураг 4).
Лауэрман нар.OCTA зураг дээрх зургийн чанарын үнэлгээг гүнзгий суралцах арга техникийг ашиглан өөр нэг алгасах холболттой мэдрэлийн сүлжээ6,32 Inception архитектурыг ашиглан хийсэн.Тэд мөн өнгөц хялгасан судасны plexus-ийн зураглалаар судалгаагаа хязгаарласан боловч зөвхөн Optovue AngioVue-ийн жижиг 3х3 мм-ийн зургийг ашигласан боловч янз бүрийн chorioretinal өвчтэй өвчтөнүүдийг хамруулсан.Бидний ажил нь зургийн чанарын янз бүрийн босгыг шийдвэрлэх, янз бүрийн хэмжээтэй зургийн үр дүнг баталгаажуулах олон загваруудыг багтаасан тэдгээрийн суурин дээр суурилдаг.Мөн бид машин сургалтын загваруудын AUC хэмжигдэхүүнийг мэдээлж, чанар муутай (96%) болон өндөр чанартай (95.7%) загваруудын аль хэдийн гайхалтай нарийвчлалыг (90%)6 нэмэгдүүлдэг.
Энэ сургалт нь хэд хэдэн хязгаарлалттай байдаг.Эхлээд зургийг зөвхөн 8\(\time\)8 мм ба 6\(\ удаа\)6 мм-ийн өнгөц хялгасан судасны plexus-ийн зургийг багтаасан ганц OCTA машин ашиглан авсан.Гүн давхрагаас зургийг хассан шалтгаан нь проекцын олдворууд нь зургийг гараар үнэлэхэд илүү төвөгтэй, магадгүй тогтвортой байдлыг бууруулдагтай холбоотой юм.Цаашилбал, зургийг зөвхөн чихрийн шижинтэй өвчтөнүүдэд олж авсан бөгөөд тэдний хувьд OCTA нь оношлогоо, прогнозын чухал хэрэгсэл болж байна33,34.Хэдийгээр бид үр дүн нь найдвартай байхын тулд өөр өөр хэмжээтэй зураг дээр загвараа туршиж үзсэн ч өөр өөр төвөөс тохирох мэдээллийн багцыг тодорхойлж чадаагүй нь загварын ерөнхийлөлтийг үнэлэхэд хязгаарлагдмал байсан.Зургийг зөвхөн нэг төвөөс авсан ч угсаатны болон арьс өнгөний өөр өөр өвчтнүүдээс авсан нь бидний судалгааны өвөрмөц давуу тал юм.Сургалтын үйл явцдаа олон талт байдлыг оруулснаар бидний үр дүнг илүү өргөн утгаар нь нэгтгэж, сургаж буй загварууддаа арьс өнгөөр ​​ялгаварлан гадуурхах үзлийг кодлохоос зайлсхийх болно гэж найдаж байна.
Бидний судалгаагаар холболт алгасах мэдрэлийн сүлжээг OCTA зургийн чанарыг тодорхойлоход өндөр гүйцэтгэлд хүрэхийн тулд сургаж болохыг харуулж байна.Бид эдгээр загваруудыг цаашдын судалгааны хэрэгсэл болгон өгдөг.Өөр өөр хэмжүүрүүд нь зургийн чанарын өөр өөр шаардлагуудтай байж болох тул энд тогтоосон бүтцийг ашиглан хэмжигдэхүүн тус бүрт чанарын хяналтын загварыг боловсруулж болно.
Ирээдүйн судалгаанд OCTA платформ болон дүрс бичлэгийн протоколд нэгтгэж болох гүн гүнзгий суралцах зургийн чанарын үнэлгээний процессыг олж авахын тулд өөр өөр гүнээс өөр өөр хэмжээтэй зураг, өөр өөр OCTA машинуудыг багтаах ёстой.Одоогийн судалгаа нь хүний ​​​​үнэлгээ, дүр төрхийг үнэлэх шаардлагатай хяналттай гүнзгий суралцах арга барилд тулгуурладаг бөгөөд энэ нь их хэмжээний өгөгдлийн багцад ихээхэн хөдөлмөр, цаг хугацаа зарцуулдаг.Хяналтгүй гүнзгий суралцах аргууд нь чанар муутай зураг болон өндөр чанартай зургийг ялгаж салгаж чадах эсэхийг харах л үлдлээ.
OCTA технологи тасралтгүй хөгжиж, сканнердах хурд нэмэгдэхийн хэрээр зургийн олдворууд болон чанар муутай зургуудын тохиолдол буурч магадгүй юм.Саяхан нэвтрүүлсэн проекцийн олдворыг арилгах функц зэрэг програм хангамжийн сайжруулалт нь эдгээр хязгаарлалтыг хөнгөвчлөх боломжтой.Гэсэн хэдий ч бэхэлгээ муутай эсвэл зөөвөрлөгч нь мэдэгдэхүйц булингартай өвчтөнүүдийн дүрслэл нь зургийн олдворыг байнга үүсгэдэг тул олон асуудал байсаар байна.OCTA нь эмнэлзүйн туршилтуудад илүү өргөн хэрэглэгдэх болсон тул зургийн шинжилгээнд зориулж зургийн олдворын зөвшөөрөгдөх түвшний тодорхой удирдамжийг бий болгохын тулд анхааралтай авч үзэх шаардлагатай.Гүнзгий суралцах аргуудыг OCTA зурагт хэрэглэх нь маш их амлалт өгч байгаа бөгөөд зургийн чанарыг хянах найдвартай арга барилыг хөгжүүлэхийн тулд энэ чиглэлээр нэмэлт судалгаа хийх шаардлагатай байна.
Одоогийн судалгаанд ашигласан кодыг https://github.com/rahuldhodapkar/octa-qc octa-qc репозитороос авах боломжтой.Одоогийн судалгааны явцад үүсгэсэн болон/эсвэл дүн шинжилгээ хийсэн мэдээллийн багцыг зохих хүсэлтийн дагуу холбогдох зохиогчоос авах боломжтой.
Spaide, RF, Fujimoto, JG & Waheed, NK Оптик когерент ангиографийн зургийн олдворууд.Торлог бүрхэвч 35, 2163–2180 (2015).
Fenner, BJ et al.OCT ангиографи дахь торлог бүрхэвчийн хялгасан судасны нягтын хэмжилтийн чанар, давтагдах чадварыг тодорхойлдог дүрслэлийн шинж чанарыг тодорхойлох.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL et al.Настай холбоотой шар толбоны доройтлын OCT ангиографийн зургийн чанарт нүд хянах технологийн нөлөө.Булшны нуман хаалга.клиник.Exp.нүдний эмч.255, 1535–1542 (2017).
Babyuch AS нар.OCTA хялгасан судасны шингээлтийн нягтын хэмжилтийг шар толбоны ишемийг илрүүлэх, үнэлэхэд ашигладаг.нүдний мэс засал.Торлог бүрхэвчийн лазер дүрслэл 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S., and Sun, J. Deep Residual Learning for Image Recognition.2016 онд IEEE-ийн компьютерийн хараа ба хэв маягийг таних конференцид (2016).
Lauerman, JL et al.Гүнзгий суралцах алгоритмуудыг ашиглан OCT ангиографийн зургийн чанарын автомат үнэлгээ.Булшны нуман хаалга.клиник.Exp.нүдний эмч.257, 1641–1648 (2019).
Lauermann, J. et al.OCT ангиографи дахь сегментийн алдаа, хөдөлгөөний олдворын тархалт нь нүдний торлог бүрхэвчийн өвчнөөс хамаардаг.Булшны нуман хаалга.клиник.Exp.нүдний эмч.256, 1807–1816 (2018).
Паск, Адам нар.Pytorch: Зайлшгүй, өндөр гүйцэтгэлтэй гүнзгий сургалтын номын сан.Мэдрэлийн мэдээллийн дэвшилтэт боловсруулалт.систем.32, 8026–8037 (2019).
Дэн, Ж.ImageNet: Том хэмжээний шаталсан зургийн мэдээллийн сан.2009 IEEE-ийн компьютерийн хараа ба хэв маягийг таних тухай бага хурал.248–255.(2009).
Krizhevsky A., Sutzkever I. and Hinton GE Imagenet ангилал нь гүн гүнзгий эргэлтийн мэдрэлийн сүлжээг ашигладаг.Мэдрэлийн мэдээллийн дэвшилтэт боловсруулалт.систем.25, 1 (2012).