Diolch am ymweld â Nature.com.Rydych chi'n defnyddio fersiwn porwr gyda chefnogaeth CSS gyfyngedig.I gael y profiad gorau, rydym yn argymell eich bod yn defnyddio porwr wedi'i ddiweddaru (neu analluogi Modd Cydnawsedd yn Internet Explorer).Yn ogystal, er mwyn sicrhau cefnogaeth barhaus, rydym yn dangos y wefan heb arddulliau a JavaScript.
Sliders yn dangos tair erthygl fesul sleid.Defnyddiwch y botymau cefn a nesaf i symud trwy'r sleidiau, neu'r botymau rheolydd sleidiau ar y diwedd i symud trwy bob sleid.
Mae angiograffeg tomograffig cydlyniad optegol (OCTA) yn ddull newydd ar gyfer delweddu anfewnwthiol o lestri retina.Er bod gan OCTA lawer o gymwysiadau clinigol addawol, mae pennu ansawdd delwedd yn parhau i fod yn her.Fe wnaethom ddatblygu system seiliedig ar ddysgu dwfn gan ddefnyddio dosbarthydd rhwydwaith niwral ResNet152 a hyfforddwyd ymlaen llaw gyda ImageNet i ddosbarthu delweddau plexws capilari arwynebol o 347 o sganiau o 134 o gleifion.Aseswyd y delweddau â llaw hefyd fel gwir wirionedd gan ddau raddiwr annibynnol ar gyfer model dysgu dan oruchwyliaeth.Oherwydd y gall gofynion ansawdd delwedd amrywio yn dibynnu ar leoliadau clinigol neu ymchwil, hyfforddwyd dau fodel, un ar gyfer adnabod delwedd o ansawdd uchel a'r llall ar gyfer adnabod delwedd o ansawdd isel.Mae ein model rhwydwaith niwral yn dangos ardal ragorol o dan y gromlin (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), sy'n sylweddol well na lefel y signal a adroddwyd gan y peiriant (AUC = 0.82, 95). % CI).0.77–0.86, \(\kappa\) = 0.52 ac AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, yn y drefn honno).Mae ein hastudiaeth yn dangos y gellir defnyddio dulliau dysgu peirianyddol i ddatblygu dulliau rheoli ansawdd hyblyg a chadarn ar gyfer delweddau OCTA.
Mae angiograffeg tomograffig cydlyniad optegol (OCTA) yn dechneg gymharol newydd sy'n seiliedig ar domograffeg cydlyniad optegol (OCT) y gellir ei defnyddio ar gyfer delweddu anfewnwthiol o ficrofasgwlaidd y retina.Mae OCTA yn mesur y gwahaniaeth mewn patrymau adlewyrchiad o gorbys golau dro ar ôl tro yn yr un ardal o'r retina, ac yna gellir cyfrifo adluniadau i ddatgelu pibellau gwaed heb ddefnyddio llifynnau neu gyfryngau cyferbyniad eraill ymledol.Mae OCTA hefyd yn galluogi delweddu fasgwlaidd manylder, gan alluogi clinigwyr i archwilio haenau arwynebol a dwfn llestr ar wahân, gan helpu i wahaniaethu rhwng clefyd corioretinol.
Er bod y dechneg hon yn addawol, mae amrywiad ansawdd delwedd yn parhau i fod yn her fawr ar gyfer dadansoddi delweddau dibynadwy, gan wneud dehongli delwedd yn anodd ac atal mabwysiadu clinigol eang.Oherwydd bod OCTA yn defnyddio sganiau OCT lluosog yn olynol, mae'n fwy sensitif i arteffactau delwedd nag OCT safonol.Mae'r rhan fwyaf o lwyfannau OCTA masnachol yn darparu eu metrig ansawdd delwedd eu hunain o'r enw Signal Strength (SS) neu weithiau Signal Strength Index (SSI).Fodd bynnag, nid yw delweddau â gwerth SS neu SSI uchel yn gwarantu absenoldeb arteffactau delwedd, a all effeithio ar unrhyw ddadansoddiad delwedd dilynol ac arwain at benderfyniadau clinigol anghywir.Mae arteffactau delwedd cyffredin a all ddigwydd mewn delweddu OCTA yn cynnwys arteffactau mudiant, arteffactau segmentu, arteffactau didreiddedd cyfryngau, ac arteffactau taflunio1,2,3.
Gan fod mesurau sy'n deillio o OCTA megis dwysedd fasgwlaidd yn cael eu defnyddio fwyfwy mewn ymchwil trosiadol, treialon clinigol ac ymarfer clinigol, mae angen datblygu prosesau rheoli ansawdd delwedd cadarn a dibynadwy ar fyrder i ddileu arteffactau delwedd4.Mae cysylltiadau sgip, a elwir hefyd yn gysylltiadau gweddilliol, yn amcanestyniadau mewn pensaernïaeth rhwydwaith niwral sy'n caniatáu i wybodaeth osgoi haenau troellog wrth storio gwybodaeth ar wahanol raddfeydd neu benderfyniadau5.Oherwydd y gall arteffactau delwedd effeithio ar berfformiad delwedd ar raddfa fach a chyffredinol ar raddfa fawr, mae rhwydweithiau niwral cysylltiad sgip yn addas iawn i awtomeiddio'r dasg rheoli ansawdd hon5.Mae gwaith a gyhoeddwyd yn ddiweddar wedi dangos rhywfaint o addewid ar gyfer rhwydweithiau niwral troellol dwfn wedi'u hyfforddi gan ddefnyddio data o ansawdd uchel gan amcangyfrifwyr dynol6.
Yn yr astudiaeth hon, rydym yn hyfforddi rhwydwaith niwral troellog sy'n sgipio cysylltiad i bennu ansawdd delweddau OCTA yn awtomatig.Rydym yn adeiladu ar waith blaenorol drwy ddatblygu modelau ar wahân ar gyfer nodi delweddau o ansawdd uchel a delweddau o ansawdd isel, gan y gallai gofynion ansawdd delwedd fod yn wahanol ar gyfer senarios clinigol neu ymchwil penodol.Rydym yn cymharu canlyniadau'r rhwydweithiau hyn â rhwydweithiau niwral convolutional heb golli cysylltiadau i werthuso gwerth cynnwys nodweddion ar lefelau lluosog o ronynnedd o fewn dysgu dwfn.Yna gwnaethom gymharu ein canlyniadau â chryfder y signal, mesur a dderbynnir yn gyffredin o ansawdd delwedd a ddarperir gan weithgynhyrchwyr.
Roedd ein hastudiaeth yn cynnwys cleifion â diabetes a fynychodd Ganolfan Llygaid Iâl rhwng Awst 11, 2017 ac Ebrill 11, 2019. Cafodd cleifion ag unrhyw glefyd corioretinol nad yw'n ddiabetig eu heithrio.Nid oedd unrhyw feini prawf cynhwysiant neu wahardd yn seiliedig ar oedran, rhyw, hil, ansawdd delwedd, nac unrhyw ffactor arall.
Cafwyd delweddau OCTA gan ddefnyddio platfform AngioPlex ar Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dulyn, CA) o dan brotocolau delweddu 8\(\times\)8 mm a 6\(\times\)6 mm.Cafwyd caniatâd gwybodus ar gyfer cymryd rhan yn yr astudiaeth gan bob cyfranogwr astudiaeth, a chymeradwyodd Bwrdd Adolygu Sefydliadol Prifysgol Iâl (IRB) y defnydd o ganiatâd gwybodus gyda ffotograffiaeth fyd-eang ar gyfer yr holl gleifion hyn.Yn dilyn egwyddorion Datganiad Helsinki.Cymeradwywyd yr astudiaeth gan IRB Prifysgol Iâl.
Gwerthuswyd delweddau plât arwyneb yn seiliedig ar y Sgôr Artifact Cynnig (MAS) a ddisgrifiwyd yn flaenorol, y Sgôr Artifact Segmentu a ddisgrifiwyd yn flaenorol (SAS), y ganolfan foveal, presenoldeb didreiddedd cyfryngau, a delweddu da o gapilarïau bach fel y pennir gan y gwerthuswr delwedd.Dadansoddwyd y delweddau gan ddau werthuswr annibynnol (RD a JW).Mae gan ddelwedd sgôr graddedig o 2 (cymwys) os bodlonir yr holl feini prawf canlynol: mae'r ddelwedd wedi'i chanoli ar y fovea (llai na 100 picsel o ganol y ddelwedd), MAS yw 1 neu 2, SAS yw 1, a mae didreiddedd cyfryngau yn llai nag 1. Yn bresennol ar ddelweddau o faint / 16, a gwelir capilarïau bach mewn delweddau mwy na 15/16.Mae delwedd wedi'i graddio'n 0 (dim sgôr) os bodlonir unrhyw un o'r meini prawf canlynol: mae'r ddelwedd oddi ar y canol, os yw MAS yn 4, os yw SAS yn 2, neu os yw'r didreiddedd cyfartalog yn fwy na 1/4 o'r ddelwedd, a ni ellir addasu'r capilarïau bach yn fwy nag 1 ddelwedd /4 i wahaniaethu.Mae pob delwedd arall nad yw'n bodloni'r meini prawf sgorio 0 neu 2 yn cael ei sgorio fel 1 (clipio).
Ar ffig.Mae 1 yn dangos delweddau sampl ar gyfer pob un o'r amcangyfrifon graddedig ac arteffactau delwedd.Aseswyd dibynadwyedd sgorau unigol rhwng cyfraddau gan bwysoliad kappa Cohen8.Mae sgorau unigol pob graddiwr yn cael eu crynhoi i gael sgôr cyffredinol ar gyfer pob delwedd, yn amrywio o 0 i 4. Mae delweddau gyda chyfanswm sgôr o 4 yn cael eu hystyried yn dda.Ystyrir delweddau sydd â chyfanswm sgôr o 0 neu 1 o ansawdd isel.
Cynhyrchwyd rhwydwaith niwral convolutional pensaernïaeth ResNet152 (Ffig. 3A.i) a hyfforddwyd ymlaen llaw ar ddelweddau o gronfa ddata ImageNet gan ddefnyddio fast.ai a fframwaith PyTorch5, 9, 10, 11. Rhwydwaith niwral convolutional yw rhwydwaith sy'n defnyddio'r dysgedig hidlwyr ar gyfer sganio darnau delwedd i astudio nodweddion gofodol a lleol.Mae ein ResNet hyfforddedig yn rhwydwaith niwral 152-haen a nodweddir gan fylchau neu “gysylltiadau gweddilliol” sy'n trosglwyddo gwybodaeth ar yr un pryd â datrysiadau lluosog.Trwy daflunio gwybodaeth ar wahanol gydraniad dros y rhwydwaith, gall y platfform ddysgu nodweddion delweddau o ansawdd isel ar lefelau lluosog o fanylder.Yn ogystal â’n model ResNet, fe wnaethom hefyd hyfforddi AlexNet, pensaernïaeth rhwydwaith niwral a astudiwyd yn dda, heb golli cysylltiadau er mwyn cymharu (Ffigur 3A.ii)12.Heb gysylltiadau coll, ni fydd y rhwydwaith hwn yn gallu dal nodweddion ar ronynnedd uwch.
Mae'r set ddelwedd wreiddiol 8\(\times\)8mm OCTA13 wedi'i gwella gan ddefnyddio technegau adlewyrchiad llorweddol a fertigol.Yna rhannwyd y set ddata lawn ar hap ar lefel y ddelwedd yn hyfforddiant (51.2%), profi (12.8%), tiwnio hyperparamedr (16%), a dilysu (20%) setiau data gan ddefnyddio'r blwch offer dysgu scikit python14.Ystyriwyd dau achos, un yn seiliedig ar ganfod y delweddau o'r ansawdd uchaf yn unig (sgôr cyffredinol 4) a'r llall yn seiliedig ar ganfod y delweddau ansawdd isaf yn unig (sgôr cyffredinol 0 neu 1).Ar gyfer pob achos defnydd o ansawdd uchel ac o ansawdd isel, mae'r rhwydwaith niwral yn cael ei ailhyfforddi unwaith ar ein data delwedd.Ym mhob achos defnydd, hyfforddwyd y rhwydwaith niwral am 10 cyfnod, cafodd pob un ond y pwysau haen uchaf eu rhewi, a dysgwyd pwysau'r holl baramedrau mewnol am 40 cyfnod gan ddefnyddio dull cyfradd dysgu gwahaniaethol gyda swyddogaeth colli traws-entropi 15, 16..Mae'r swyddogaeth colli entropi traws yn fesur o raddfa logarithmig yr anghysondeb rhwng labeli rhwydwaith a ragwelir a data real.Yn ystod yr hyfforddiant, perfformir disgyniad graddiant ar baramedrau mewnol y rhwydwaith niwral i leihau colledion.Cafodd y gyfradd ddysgu, y gyfradd gadael, a hyperparamedrau lleihau pwysau eu tiwnio gan ddefnyddio optimeiddio Bayesian gyda 2 fan cychwyn ar hap a 10 iteriad, a chafodd yr AUC ar y set ddata ei diwnio gan ddefnyddio'r hyperparamedrau fel targed o 17.
Enghreifftiau cynrychioliadol o ddelweddau OCTA 8 × 8 mm o plexysau capilari arwynebol a gafodd sgôr o 2 (A, B), 1 (C, D), a 0 (E, F).Mae'r arteffactau delwedd a ddangosir yn cynnwys llinellau fflachio (saethau), arteffactau segmentu (steriss), a didreiddedd cyfryngau (saethau).Mae delwedd (E) hefyd oddi ar y ganolfan.
Yna cynhyrchir cromliniau nodweddion gweithredu derbynnydd (ROC) ar gyfer pob model rhwydwaith niwral, a chynhyrchir adroddiadau cryfder signal injan ar gyfer pob achos defnydd o ansawdd isel ac o ansawdd uchel.Cyfrifwyd arwynebedd o dan y gromlin (AUC) gan ddefnyddio'r pecyn pROC R, a chyfrifwyd cyfyngau hyder 95% a gwerthoedd-p gan ddefnyddio'r dull DeLong18,19.Defnyddir sgoriau cronnus y graddwyr dynol fel y llinell sylfaen ar gyfer yr holl gyfrifiadau ROC.Ar gyfer cryfder y signal a adroddwyd gan y peiriant, cyfrifwyd yr AUC ddwywaith: unwaith ar gyfer y toriad Sgôr Scalability o ansawdd uchel ac unwaith ar gyfer y toriad Sgôr Scalability o ansawdd isel.Mae'r rhwydwaith niwral yn cael ei gymharu â chryfder signal AUC sy'n adlewyrchu ei amodau hyfforddi a gwerthuso ei hun.
Er mwyn rhoi prawf pellach ar y model dysgu dwfn hyfforddedig ar set ddata ar wahân, cymhwyswyd modelau o ansawdd uchel ac o ansawdd isel yn uniongyrchol i werthuso perfformiad 32 o ddelweddau slab wyneb wyneb llawn 6\(\times\) 6mm a gasglwyd o Brifysgol Iâl.Mae Màs Llygaid wedi'i ganoli ar yr un pryd â'r ddelwedd 8 \(\times \) 8 mm.Aseswyd y delweddau 6 \ ( \ × \ ) 6 mm â llaw gan yr un cyfraddwyr (RD a JW) yn yr un modd â'r delweddau 8 \ ( \ × \ ) 8 mm, cyfrifwyd AUC yn ogystal â chywirdeb a kappa Cohen .yn gyfartal.
Y gymhareb anghydbwysedd dosbarth yw 158:189 (\(\ rho = 1.19\)) ar gyfer y model ansawdd isel a 80:267 (\(\ rho = 3.3\)) ar gyfer y model o ansawdd uchel.Oherwydd bod y gymhareb anghydbwysedd dosbarth yn llai nag 1:4, ni wnaed unrhyw newidiadau pensaernïol penodol i gywiro anghydbwysedd dosbarth20,21.
Er mwyn delweddu'r broses ddysgu yn well, cynhyrchwyd mapiau ysgogi dosbarth ar gyfer pob un o'r pedwar model dysgu dwfn hyfforddedig: model ResNet152 o ansawdd uchel, model ResNet152 o ansawdd isel, model AlexNet o ansawdd uchel, a model AlexNet o ansawdd isel.Cynhyrchir mapiau actifadu dosbarth o haenau mewnbwn convolutional y pedwar model hyn, a chynhyrchir mapiau gwres trwy droshaenu mapiau actifadu â delweddau ffynhonnell o'r setiau dilysu 8 × 8 mm a 6 × 6 mm22, 23.
Defnyddiwyd fersiwn R 4.0.3 ar gyfer pob cyfrifiad ystadegol, a chrëwyd delweddu gan ddefnyddio llyfrgell offer graffeg ggplot2.
Casglwyd 347 o ddelweddau blaen o'r plexws capilari arwynebol yn mesur 8 \(\times \)8 mm oddi wrth 134 o bobl.Adroddodd y peiriant gryfder signal ar raddfa o 0 i 10 ar gyfer pob delwedd (cymedr = 6.99 ± 2.29).O'r 347 o ddelweddau a gafwyd, yr oedran cymedrig yn yr arholiad oedd 58.7 ± 14.6 oed, ac roedd 39.2% gan gleifion gwrywaidd.O'r holl ddelweddau, roedd 30.8% gan y Cawcasws, 32.6% gan Dduon, 30.8% gan Sbaenaidd, 4% gan Asiaid, ac 1.7% o hiliau eraill (Tabl 1).).Roedd dosbarthiad oedran cleifion ag OCTA yn amrywio'n sylweddol yn dibynnu ar ansawdd y ddelwedd (p < 0.001).Canran y delweddau o ansawdd uchel mewn cleifion iau 18-45 oed oedd 33.8% o gymharu â 12.2% o ddelweddau o ansawdd isel (Tabl 1).Roedd dosbarthiad statws retinopathi diabetig hefyd yn amrywio'n sylweddol o ran ansawdd delwedd (p < 0.017).Ymhlith yr holl ddelweddau o ansawdd uchel, roedd canran y cleifion â PDR yn 18.8% o'i gymharu â 38.8% o'r holl ddelweddau o ansawdd isel (Tabl 1).
Roedd graddfeydd unigol o'r holl ddelweddau yn dangos dibynadwyedd rhyng-raddio cymedrol i gryf rhwng y bobl a ddarllenodd y delweddau (kappa pwysol Cohen = 0.79, 95% CI: 0.76-0.82), ac nid oedd unrhyw bwyntiau delwedd lle'r oedd gwahaniaeth rhwng graddwyr o fwy nag 1 (Ffig. 2A)..Roedd dwyster signal yn cydberthyn yn sylweddol â sgorio â llaw (cydberthynas eiliad cynnyrch Pearson = 0.58, 95% CI 0.51-0.65, p <0.001), ond nodwyd bod gan lawer o ddelweddau ddwysedd signal uchel ond sgôr llaw isel (Ffig. .2B).
Yn ystod hyfforddiant pensaernïaeth ResNet152 ac AlexNet, mae'r golled traws-entropi ar ddilysu a hyfforddi yn disgyn dros 50 cyfnod (Ffigur 3B,C).Mae cywirdeb dilysu yn y cyfnod hyfforddi terfynol dros 90% ar gyfer achosion defnydd o ansawdd uchel ac o ansawdd isel.
Mae cromliniau perfformiad derbynnydd yn dangos bod model ResNet152 yn perfformio'n sylweddol well na'r pŵer signal a adroddwyd gan y peiriant mewn achosion defnydd isel ac o ansawdd uchel (p < 0.001).Mae model ResNet152 hefyd yn perfformio'n sylweddol well na phensaernïaeth AlexNet (p = 0.005 a p = 0.014 ar gyfer achosion o ansawdd isel ac o ansawdd uchel, yn y drefn honno).Roedd y modelau canlyniadol ar gyfer pob un o'r tasgau hyn yn gallu cyflawni gwerthoedd AUC o 0.99 a 0.97, yn y drefn honno, sy'n sylweddol well na'r gwerthoedd AUC cyfatebol o 0.82 a 0.78 ar gyfer y mynegai cryfder signal peiriant neu 0.97 a 0.94 ar gyfer AlexNet ..(Ffig. 3).Mae'r gwahaniaeth rhwng ResNet ac AUC mewn cryfder signal yn uwch wrth adnabod delweddau o ansawdd uchel, gan nodi manteision ychwanegol defnyddio ResNet ar gyfer y dasg hon.
Mae'r graffiau'n dangos gallu pob graddiwr annibynnol i sgorio a chymharu â chryfder y signal a adroddwyd gan y peiriant.(A) Defnyddir swm y pwyntiau i'w hasesu i greu cyfanswm nifer y pwyntiau i'w hasesu.Rhoddir ansawdd uchel i ddelweddau sydd â sgôr graddadwyedd cyffredinol o 4, tra rhoddir ansawdd isel i ddelweddau â sgôr graddadwyedd cyffredinol o 1 neu lai.(B) Mae dwyster signal yn cyd-fynd ag amcangyfrifon llaw, ond gall delweddau â dwysedd signal uchel fod o ansawdd gwaeth.Mae'r llinell ddotiog goch yn nodi trothwy ansawdd a argymhellir gan y gwneuthurwr yn seiliedig ar gryfder y signal (cryfder signal \(\ge\)6).
Mae dysgu trosglwyddo ResNet yn darparu gwelliant sylweddol mewn adnabod ansawdd delwedd ar gyfer achosion defnydd o ansawdd isel ac o ansawdd uchel o gymharu â lefelau signal a adroddir gan beiriannau.(A) Diagramau pensaernïaeth wedi'u symleiddio o saernïaeth (i) ResNet152 a (ii) pensaernïaeth AlexNet sydd wedi'u hyfforddi ymlaen llaw.(B) Hanes hyfforddi a chromliniau perfformiad derbynnydd ar gyfer ResNet152 o'i gymharu â chryfder signal a adroddwyd gan beiriant a meini prawf ansawdd isel AlexNet.(C) Hanes hyfforddiant derbynnydd ResNet152 a chromliniau perfformiad o'i gymharu â chryfder signal peiriant a adroddwyd a meini prawf ansawdd uchel AlexNet.
Ar ôl addasu'r trothwy terfyn penderfyniad, cywirdeb rhagfynegiad uchaf y model ResNet152 yw 95.3% ar gyfer yr achos ansawdd isel a 93.5% ar gyfer yr achos o ansawdd uchel (Tabl 2).Cywirdeb rhagfynegiad uchaf model AlexNet yw 91.0% ar gyfer yr achos o ansawdd isel a 90.1% ar gyfer yr achos o ansawdd uchel (Tabl 2).Y cywirdeb rhagfynegiad cryfder signal uchaf yw 76.1% ar gyfer yr achos defnydd o ansawdd isel a 77.8% ar gyfer yr achos defnydd o ansawdd uchel.Yn ôl kappa Cohen (\(\kappa\)), y cytundeb rhwng model ResNet152 a'r amcangyfrifwyr yw 0.90 ar gyfer yr achos ansawdd isel a 0.81 ar gyfer yr achos o ansawdd uchel.Mae AlexNet kappa Cohen yn 0.82 a 0.71 ar gyfer achosion defnydd o ansawdd isel ac o ansawdd uchel, yn y drefn honno.Cryfder signal kappa Cohen yw 0.52 a 0.27 ar gyfer yr achosion defnydd isel ac o ansawdd uchel, yn y drefn honno.
Mae dilysu modelau adnabod ansawdd uchel ac isel ar ddelweddau 6\(\x\) o blât fflat 6 mm yn dangos gallu'r model hyfforddedig i bennu ansawdd delwedd ar draws paramedrau delweddu amrywiol.Wrth ddefnyddio slabiau bas 6\(\x\) 6 mm ar gyfer ansawdd delweddu, roedd gan y model ansawdd isel CDU o 0.83 (95% CI: 0.69–0.98) ac roedd gan y model ansawdd uchel CDU o 0.85.(95% CI: 0.55–1.00) (Tabl 2).
Dangosodd archwiliad gweledol o'r mapiau actifadu dosbarth haen mewnbwn fod pob rhwydwaith niwral hyfforddedig yn defnyddio nodweddion delwedd yn ystod dosbarthiad delwedd (Ffig. 4 A, B).Ar gyfer delweddau 8 \(\times \) 8 mm a 6 \(\times \) 6 mm, mae delweddau actifadu ResNet yn dilyn fasgwleiddiad y retina yn agos.Mae mapiau actifadu AlexNet hefyd yn dilyn llongau retina, ond gyda datrysiad mwy bras.
Mae'r mapiau actifadu dosbarth ar gyfer modelau ResNet152 ac AlexNet yn amlygu nodweddion sy'n ymwneud ag ansawdd delwedd.(A) Dosbarth actifadu map yn dangos actifadu cydlynol ar ôl fasgwleiddiad retinol arwynebol ar 8 \ (\times \) 8 mm dilysu delweddau a (B) maint ar lai 6 \ (\times \) 6 mm dilysu delweddau.Model LQ wedi'i hyfforddi ar feini prawf ansawdd isel, model pencadlys wedi'i hyfforddi ar feini prawf ansawdd uchel.
Dangoswyd yn flaenorol y gall ansawdd delwedd effeithio'n fawr ar unrhyw feintoli delweddau OCTA.Yn ogystal, mae presenoldeb retinopathi yn cynyddu nifer yr achosion o arteffactau delwedd7,26.Mewn gwirionedd, yn ein data, yn gyson ag astudiaethau blaenorol, canfuom gysylltiad sylweddol rhwng oedran cynyddol a difrifoldeb clefyd y retina a dirywiad yn ansawdd y ddelwedd (p < 0.001, p = 0.017 ar gyfer oedran a statws DR, yn y drefn honno; Tabl 1) 27 Felly, mae'n hollbwysig asesu ansawdd delwedd cyn gwneud unrhyw ddadansoddiad meintiol o ddelweddau OCTA.Mae'r rhan fwyaf o astudiaethau sy'n dadansoddi delweddau OCTA yn defnyddio trothwyon dwyster signal a adroddir gan beiriannau i ddiystyru delweddau o ansawdd isel.Er y dangoswyd bod dwyster signal yn effeithio ar feintoli paramedrau OCTA, efallai na fydd dwyster signal uchel yn unig yn ddigon i ddiystyru delweddau ag arteffactau delwedd2,3,28,29.Felly, mae angen datblygu dull mwy dibynadwy o reoli ansawdd delwedd.I'r perwyl hwn, rydym yn gwerthuso perfformiad dulliau dysgu dwfn dan oruchwyliaeth yn erbyn cryfder y signal a adroddwyd gan y peiriant.
Rydym wedi datblygu sawl model ar gyfer gwerthuso ansawdd delwedd oherwydd efallai y bydd gan wahanol achosion defnydd OCTA ofynion ansawdd delwedd gwahanol.Er enghraifft, dylai delweddau fod o ansawdd uwch.Yn ogystal, mae paramedrau meintiol penodol o ddiddordeb hefyd yn bwysig.Er enghraifft, nid yw ardal y parth fasgwlaidd foveal yn dibynnu ar gymylogrwydd y cyfrwng nad yw'n ganolog, ond mae'n effeithio ar ddwysedd y llongau.Er bod ein hymchwil yn parhau i ganolbwyntio ar ymagwedd gyffredinol at ansawdd delwedd, nad yw'n gysylltiedig â gofynion unrhyw brawf penodol, ond wedi'i fwriadu i ddisodli cryfder y signal a adroddwyd gan y peiriant yn uniongyrchol, rydym yn gobeithio rhoi mwy o reolaeth i ddefnyddwyr fel eu bod yn gallu dewis y metrig penodol sydd o ddiddordeb i'r defnyddiwr.dewiswch fodel sy'n cyfateb i'r radd uchaf o arteffactau delwedd a ystyrir yn dderbyniol.
Ar gyfer golygfeydd o ansawdd isel ac o ansawdd uchel, rydym yn dangos perfformiad rhagorol o rwydweithiau niwral troellol dwfn sydd ar goll, gydag AUCs o 0.97 a 0.99 a modelau o ansawdd isel, yn y drefn honno.Rydym hefyd yn dangos perfformiad uwch ein dull dysgu dwfn o gymharu â lefelau signal a adroddwyd gan beiriannau yn unig.Mae cysylltiadau neidio yn galluogi rhwydweithiau niwral i ddysgu nodweddion ar lefelau lluosog o fanylder, gan ddal agweddau manylach ar ddelweddau (ee cyferbyniad) yn ogystal â nodweddion cyffredinol (ee delwedd ganolog30,31).Gan ei bod yn debyg mai'r ffordd orau o nodi arteffactau delwedd sy'n effeithio ar ansawdd delwedd yw dros ystod eang, gall pensaernïaeth rhwydwaith niwral gyda chysylltiadau coll ddangos perfformiad gwell na'r rhai heb dasgau pennu ansawdd delwedd.
Wrth brofi ein model ar ddelweddau 6\(\×6mm) OCTA, gwnaethom sylwi ar ostyngiad mewn perfformiad dosbarthu ar gyfer modelau o ansawdd uchel ac ansawdd isel (Ffig. 2), yn wahanol i faint y model a hyfforddwyd ar gyfer dosbarthu.O'i gymharu â model ResNet, mae gan fodel AlexNet gwymp mwy.Gall perfformiad cymharol well ResNet fod oherwydd gallu’r cysylltiadau gweddilliol i drosglwyddo gwybodaeth ar raddfeydd lluosog, sy’n gwneud y model yn fwy cadarn ar gyfer dosbarthu delweddau a ddaliwyd ar wahanol raddfeydd a/neu chwyddiadau.
Gall rhai gwahaniaethau rhwng delweddau 8 \(\×\) 8 mm a delweddau 6 \(\×\) 6 mm arwain at ddosbarthiad gwael, gan gynnwys cyfran gymharol uchel o ddelweddau sy'n cynnwys ardaloedd fasgwlaidd ffoveal, newidiadau mewn gwelededd, arcedau fasgwlaidd, a dim nerf optig ar y ddelwedd 6 × 6 mm.Er gwaethaf hyn, llwyddodd ein model ResNet o ansawdd uchel i gyflawni AUC o 85% ar gyfer delweddau 6 \(\x\) 6 mm, ffurfwedd nad oedd y model wedi'i hyfforddi ar ei gyfer, sy'n awgrymu bod y wybodaeth ansawdd delwedd wedi'i hamgodio yn y rhwydwaith niwral yn addas.ar gyfer un maint delwedd neu ffurfweddiad peiriant y tu allan i'w hyfforddiant (Tabl 2).Yn galonogol, roedd mapiau actifadu tebyg i ResNet ac AlexNet o ddelweddau 8 \(\times \) 8 mm a 6 \(\times \) 6 mm yn gallu tynnu sylw at lestri retina yn y ddau achos, gan awgrymu bod gan y model wybodaeth bwysig.yn berthnasol ar gyfer dosbarthu'r ddau fath o ddelweddau OCTA (Ffig. 4).
Roedd Lauerman et al.Yn yr un modd, perfformiwyd asesiad ansawdd delwedd ar ddelweddau OCTA gan ddefnyddio pensaernïaeth Inception, rhwydwaith niwral troellog arall â chysylltiad sgip6,32 gan ddefnyddio technegau dysgu dwfn.Roeddent hefyd yn cyfyngu'r astudiaeth i ddelweddau o'r plexws capilari arwynebol, ond dim ond gan ddefnyddio'r delweddau 3 × 3 mm llai o Optovue AngioVue, er bod cleifion â chlefydau corioretinol amrywiol hefyd wedi'u cynnwys.Mae ein gwaith yn adeiladu ar eu sylfeini, gan gynnwys modelau lluosog i fynd i'r afael â throthwyon ansawdd delwedd amrywiol a dilysu canlyniadau ar gyfer delweddau o wahanol feintiau.Rydym hefyd yn adrodd ar fetrig AUC o fodelau dysgu peirianyddol ac yn cynyddu eu cywirdeb sydd eisoes yn drawiadol (90%)6 ar gyfer modelau ansawdd isel (96%) ac ansawdd uchel (95.7%)6.
Mae gan yr hyfforddiant hwn nifer o gyfyngiadau.Yn gyntaf, cafwyd y delweddau gyda dim ond un peiriant OCTA, gan gynnwys dim ond delweddau o'r plexws capilari arwynebol ar 8 \ ( \ amser \ ) 8 mm a 6 \ ( \ amser \ ) 6 mm .Y rheswm dros eithrio delweddau o haenau dyfnach yw y gall arteffactau taflunio wneud gwerthuso delweddau â llaw yn anos ac o bosibl yn llai cyson.At hynny, dim ond mewn cleifion diabetig y mae delweddau wedi'u caffael, y mae OCTA yn dod i'r amlwg fel offeryn diagnostig a phrognostig pwysig33,34.Er ein bod yn gallu profi ein model ar ddelweddau o wahanol feintiau i sicrhau bod y canlyniadau'n gadarn, nid oeddem yn gallu nodi setiau data addas o wahanol ganolfannau, a oedd yn cyfyngu ar ein hasesiad o gyffredinoli'r model.Er mai dim ond o un ganolfan y cafwyd y delweddau, fe'u cafwyd gan gleifion o wahanol gefndiroedd ethnig a hiliol, sy'n gryfder unigryw yn ein hastudiaeth.Trwy gynnwys amrywiaeth yn ein proses hyfforddi, rydym yn gobeithio y bydd ein canlyniadau yn cael eu cyffredinoli mewn ystyr ehangach, ac y byddwn yn osgoi amgodio rhagfarn hiliol yn y modelau rydym yn eu hyfforddi.
Mae ein hastudiaeth yn dangos y gellir hyfforddi rhwydweithiau niwral sgipio cysylltiad i gyflawni perfformiad uchel wrth bennu ansawdd delwedd OCTA.Rydym yn darparu'r modelau hyn fel offer ar gyfer ymchwil pellach.Oherwydd y gall fod gan wahanol fetrigau ofynion ansawdd delwedd gwahanol, gellir datblygu model rheoli ansawdd unigol ar gyfer pob metrig gan ddefnyddio'r strwythur a sefydlwyd yma.
Dylai ymchwil yn y dyfodol gynnwys delweddau o wahanol feintiau o wahanol ddyfnderoedd a pheiriannau OCTA gwahanol i gael proses werthuso ansawdd delwedd dysgu dwfn y gellir ei chyffredinoli i lwyfannau OCTA a phrotocolau delweddu.Mae ymchwil gyfredol hefyd yn seiliedig ar ddulliau dysgu dwfn dan oruchwyliaeth sy'n gofyn am werthusiad dynol a gwerthuso delweddau, a all fod yn llafurddwys ac yn cymryd llawer o amser ar gyfer setiau data mawr.Rhaid aros i weld a all dulliau dysgu dwfn heb oruchwyliaeth wahaniaethu'n ddigonol rhwng delweddau o ansawdd isel a delweddau o ansawdd uchel.
Wrth i dechnoleg OCTA barhau i esblygu a chyflymder sganio gynyddu, gall nifer yr arteffactau delwedd a delweddau o ansawdd gwael leihau.Gall gwelliannau yn y feddalwedd, fel y nodwedd tynnu arteffact taflunio a gyflwynwyd yn ddiweddar, hefyd liniaru'r cyfyngiadau hyn.Fodd bynnag, erys llawer o broblemau gan fod delweddu cleifion â gosodiad gwael neu gymylogrwydd cyfryngau sylweddol yn ddieithriad yn arwain at arteffactau delwedd.Wrth i OCTA gael ei ddefnyddio'n ehangach mewn treialon clinigol, mae angen ystyriaeth ofalus i sefydlu canllawiau clir ar gyfer lefelau arteffactau delwedd derbyniol ar gyfer dadansoddi delweddau.Mae cymhwyso dulliau dysgu dwfn i ddelweddau OCTA yn addawol iawn ac mae angen ymchwil pellach yn y maes hwn i ddatblygu dull cadarn o reoli ansawdd delweddau.
Mae'r cod a ddefnyddir yn yr ymchwil gyfredol ar gael yn y gadwrfa octa-qc, https://github.com/rahuldhodapkar/octa-qc.Mae setiau data a gynhyrchwyd a/neu a ddadansoddwyd yn ystod yr astudiaeth gyfredol ar gael gan yr awduron priodol ar gais rhesymol.
Spaide, RF, Fujimoto, JG & Waheed, NK Arteffactau delwedd mewn angiograffeg cydlyniad optegol.Retina 35, 2163–2180 (2015).
Fenner, BJ et al.Nodi nodweddion delweddu sy'n pennu ansawdd ac atgynhyrchedd mesuriadau dwysedd plexws capilari retinol mewn angiograffeg OCT.Mae BR.J. Offthalmol.102, 509–514 (2018).
Lauerman, JL et al.Dylanwad technoleg olrhain llygaid ar ansawdd delwedd angiograffeg OCT mewn dirywiad macwlaidd sy'n gysylltiedig ag oedran.Bwa bwa.clinigol.Exp.offthalmoleg.255, 1535–1542 (2017).
Roedd Babyuch AS et al.Defnyddir mesuriadau dwysedd darlifiad capilari OCTA i ganfod a gwerthuso isgemia macwlaidd.llawdriniaeth offthalmig.Delweddu Laser Retinol 51, S30–S36 (2020).
Ef, K., Zhang, X., Ren, S., a Sun, J. Dysgu Gweddilliol dwfn ar gyfer Cydnabod Delwedd.Yn 2016 yng Nghynhadledd IEEE ar Weledigaeth Cyfrifiadurol a Chydnabod Patrymau (2016).
Lauerman, JL et al.Asesiad ansawdd delwedd angiograffig OCT awtomataidd gan ddefnyddio algorithmau dysgu dwfn.Bwa bwa.clinigol.Exp.offthalmoleg.257, 1641–1648 (2019).
Lauermann, J. et al.Mae nifer yr achosion o wallau segmentu ac arteffactau mudiant mewn angiograffeg OCT yn dibynnu ar glefyd y retina.Bwa bwa.clinigol.Exp.offthalmoleg.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Llyfrgell Ddysgu Ddwfn Gorfodol, Perfformiad Uchel.Prosesu uwch o wybodaeth niwral.system.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Cronfa Ddata Delweddau Hierarchaidd ar Raddfa Fawr.2009 Cynhadledd IEEE ar Weledigaeth Cyfrifiadurol ac Adnabod Patrymau.248–255.(2009).
Dosbarthiad Krizhevsky A., Sutzkever I. a Hinton GE Imagenet gan ddefnyddio rhwydweithiau niwral troellog dwfn.Prosesu uwch o wybodaeth niwral.system.25, 1 (2012).