Grazie per visità Nature.com.Aduprate una versione di navigatore cù supportu CSS limitatu.Per a megliu sperienza, ricumandemu chì utilizate un navigatore aghjurnatu (o disattivà u Modu di Compatibilità in Internet Explorer).Inoltre, per assicurà un supportu cuntinuu, mostramu u situ senza stili è JavaScript.
Sliders chì mostranu trè articuli per slide.Aduprate i buttuni di u ritornu è u prossimu per passà per e diapositive, o i buttoni di u controller di slide à a fine per passà per ogni slide.
L'angiografia tomografica di coherenza ottica (OCTA) hè un novu metudu per a visualizazione non invasiva di i vasi retinici.Ancu se OCTA hà parechje applicazioni cliniche promettenti, a determinazione di a qualità di l'imaghjini resta una sfida.Avemu sviluppatu un sistema basatu à l'apprendimentu prufondu utilizendu u classificatore di rete neurale ResNet152 pretrained cù ImageNet per classificà l'imaghjini di plexus capillari superficiali da 347 scans di 134 pazienti.L'imaghjini sò stati ancu valutati manualmente cum'è verità vera da dui valutatori indipendenti per un mudellu di apprendimentu supervisatu.Perchè i requisiti di qualità di l'imaghjini pò varià sicondu i paràmetri clinichi o di ricerca, dui mudelli sò stati furmati, unu per u ricunniscenza di l'imaghjini di alta qualità è l'altru per u ricunniscenza di l'imaghjini di bassa qualità.U nostru mudellu di rete neurale mostra una zona eccellente sottu a curva (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), chì hè significativamente megliu cà u livellu di signale rappurtatu da a macchina (AUC = 0.82, 95). % CI).0,77–0,86, \(\kappa\) = 0,52 è AUC = 0,78, 95% CI 0,73–0,83, \(\kappa\) = 0,27, rispettivamente).U nostru studiu dimostra chì i metudi d'apprendimentu automaticu ponu esse aduprati per sviluppà metudi di cuntrollu di qualità flessibili è robusti per l'imaghjini OCTA.
L'angiografia tomografica di coherenza ottica (OCTA) hè una tecnica relativamente nova basata nantu à a tomografia di coherenza ottica (OCT) chì pò esse aduprata per a visualizazione non invasiva di a microvasculatura retiniana.OCTA misura a diffarenza di mudelli di riflessione da impulsi di luce ripetuti in a listessa zona di a retina, è e ricustruzzioni ponu esse calculate per revelà i vini sanguini senza l'usu invasivu di coloranti o altri agenti di cuntrastu.OCTA permette ancu l'imaghjini vascular à risoluzione di prufundità, chì permette à i clinichi di esaminà separatamente i strati di i vasi superficiali è profondi, aiutendu à differenzià a malatia corioretinal.
Mentre sta tecnica hè promettente, a variazione di a qualità di l'imaghjini resta una sfida maiò per l'analisi di l'imaghjini affidabili, rendendu l'interpretazione di l'imaghjini difficili è impediscenu l'adopzione clinica generalizata.Perchè OCTA usa parechje scans OCT consecutivi, hè più sensibile à l'artefatti di l'imaghjini cà l'OCT standard.A maiò parte di e plataforme OCTA cummirciali furniscenu a so propria metrica di qualità d'imaghjini chjamata Signal Strength (SS) o qualchì volta Signal Strength Index (SSI).In ogni casu, l'imaghjini cù un altu valore SS o SSI ùn guarantisci micca l'absenza di artefatti di l'imaghjini, chì ponu influenzà ogni analisi di l'imaghjini sussegwente è portanu à decisioni cliniche incorrecte.Artefatti di l'imaghjini cumuni chì ponu accade in l'imaghjini OCTA includenu artefatti di muvimentu, artefatti di segmentazione, artefatti di opacità media è artefatti di proiezione1,2,3.
Siccomu e misure derivate da OCTA, cum'è a densità vascular, sò sempre più usate in a ricerca traslazionale, i prucessi clinichi è a pratica clinica, ci hè una necessità urgente di sviluppà prucessi di cuntrollu di qualità di l'imaghjini robusti è affidabili per eliminà l'artefatti di l'imaghjini4.E cunnessioni di salta, cunnisciute ancu cum'è cunnessione residuale, sò proiezioni in l'architettura di a rete neurale chì permettenu à l'infurmazioni di scaccià i strati di cunvoluzione mentre almacenanu l'infurmazioni in diverse scale o risoluzioni5.Perchè l'artefatti di l'imaghjini ponu influenzà a prestazione di l'imaghjini à piccula scala è generale à grande scala, e rete neurali di salta di cunnessione sò bè ​​adattate per automatizà sta attività di cuntrollu di qualità5.U travagliu publicatu recentemente hà dimustratu una certa prumessa per e rete neurali cunvoluzionali prufonde addestrate utilizendu dati di alta qualità da stimatori umani6.
In questu studiu, entremu una rete neurale cunvoluzionale chì salta a cunnessione per determinà automaticamente a qualità di l'imaghjini OCTA.Bastemu nantu à u travagliu precedente sviluppendu mudelli separati per identificà l'imaghjini di alta qualità è l'imaghjini di bassa qualità, postu chì i requisiti di qualità di l'imaghjini ponu differisce per scenarii clinichi o di ricerca specifichi.Paragunemu i risultati di queste rete cù e rete neurali cunvoluzionali senza mancate cunnessione per valutà u valore di include funzioni à parechji livelli di granularità in l'apprendimentu prufondu.Dopu avemu paragunatu i nostri risultati à a forza di u signale, una misura cumunimenti accettata di a qualità di l'imagine furnita da i pruduttori.
U nostru studiu includeu pazienti cun diabete chì anu assistitu à u Yale Eye Center trà l'11 d'Agostu 2017 è l'11 d'aprile di 2019. I Pacienti cù qualsiasi malatia chorioretinal non-diabetica sò stati esclusi.Ùn ci era micca criteri d'inclusione o esclusione basatu annantu à l'età, u sessu, a razza, a qualità di l'imaghjini, o qualsiasi altru fattore.
L'imaghjini OCTA sò stati acquistati utilizendu a piattaforma AngioPlex nantu à un Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) sottu i protokolli di imaging 8\(\times\)8 mm è 6\(\times\)6 mm.Un accunsentu infurmatu per a participazione à u studiu hè statu ottenutu da ogni participante di studiu, è u Yale University Institutional Review Board (IRB) appruva l'usu di cunsensu infurmatu cù a fotografia globale per tutti questi pazienti.Dopu à i principii di a Dichjarazione di Helsinki.U studiu hè statu appruvatu da l'IRB di l'Università di Yale.
L'imaghjini di a piastra di a superficia sò stati valutati basatu annantu à u Motion Artifact Score (MAS) deskrittu prima, u Segmentation Artifact Score (SAS), u centru foveal, a prisenza di l'opacità media, è una bona visualizazione di picculi capillari determinate da l'evaluatore di l'imaghjini.L'imaghjini sò stati analizati da dui evaluatori indipendenti (RD è JW).Una maghjina hà un puntuatu di 2 (elegibile) se tutti i criterii seguenti sò soddisfatti: l'immagine hè centrata à a fovea (menu di 100 pixel da u centru di l'imaghjini), MAS hè 1 o 2, SAS hè 1, è l'opacità di i media hè menu di 1. Presente nantu à l'imaghjini di grandezza / 16, è i picculi capillari sò veduti in imagine più grande di 15/16.Una maghjina hè valutata 0 (senza valutazione) se qualcunu di i criterii seguenti sò soddisfatti: l'imaghjina hè fora di centru, se MAS hè 4, se SAS hè 2, o l'opacità media hè più grande di 1/4 di l'imaghjini, è i picculi capillari ùn ponu esse aghjustati più di 1 imagine / 4 per distingue.Tutte l'altri imagine chì ùn rispondenu micca à i criterii di scoring 0 o 2 sò puntuati cum'è 1 (clipping).
Nantu à fig.1 mostra l'imaghjini di mostra per ognuna di e stimi scalati è artefatti di l'imaghjini.L'affidabilità inter-rater di i punteggi individuali hè stata valutata da a ponderazione kappa di Cohen8.I punteggi individuali di ogni valutatore sò summati per ottene un puntuatu generale per ogni imagine, chì varieghja da 0 à 4. L'imaghjini cù un puntu tutale di 4 sò cunsiderate bè.L'imaghjini cun un puntuatu tutale di 0 o 1 sò cunsiderate di qualità bassa.
Una rete neurale convoluzionale di l'architettura ResNet152 (Fig. 3A.i) pre-formata nantu à l'imaghjini da a basa di dati ImageNet hè stata generata cù fast.ai è u framework PyTorch5, 9, 10, 11. Una rete neurale convoluzionale hè una reta chì usa l'apprendimentu. filtri per scanning fragments d'imaghjini per studià e caratteristiche spaziali è lucali.A nostra ResNet furmata hè una rete neurale di 152 strati carattarizata da lacune o "connessioni residuali" chì trasmettenu simultaneamente infurmazioni cù più risoluzioni.Prughjettendu infurmazioni in diverse risoluzioni nantu à a reta, a piattaforma pò amparà e caratteristiche di l'imaghjini di bassa qualità à parechji livelli di dettagliu.In più di u nostru mudellu ResNet, avemu ancu furmatu AlexNet, una architettura di rete neurale ben studiata, senza missing connections for comparison (Figura 3A.ii)12.Senza missing connections, sta reta ùn serà micca capaci di catturà funzioni à una granularità più altu.
U set d'imaghjini OCTA13 8\(\times\)8mm originale hè statu migliuratu cù tecniche di riflessione horizontale è verticale.U dataset sanu hè statu allora spartutu aleatoriamente à u livellu di l'imaghjini in furmazione (51.2%), testing (12.8%), tuning hyperparameter (16%), è validazione (20%) datasets cù u scikit-learn toolbox python14.Dui casi sò stati cunsiderati, unu basatu annantu à a rilevazione solu di l'imaghjini di a più alta qualità (puntuamentu generale 4) è l'altru basatu nantu à a rilevazione solu di l'imaghjini di qualità più bassa (spuntu generale 0 o 1).Per ogni casu d'usu d'alta qualità è di bassa qualità, a rete neurale hè ripresa una volta nantu à i nostri dati d'imaghjini.In ogni casu d'usu, a rete neurale hè stata furmata per 10 epoche, tutti i pesi di a capa più altu sò stati congelati, è i pesi di tutti i paràmetri internu sò stati amparati per 40 epoche utilizendu un metudu di ritmu d'apprendimentu discriminativu cù una funzione di perdita di entropia cruciata 15, 16..A funzione di perdita di l'entropia incruciata hè una misura di a scala logaritmica di a discrepanza trà l'etichette di rete previste è i dati reali.Durante a furmazione, a discesa di gradiente hè realizatu nantu à i paràmetri interni di a rete neurale per minimizzà e perdite.A rata di apprendimentu, a rata di abbandunamentu è l'iperparametri di riduzzione di pesu sò stati sintonizzati cù l'ottimisazione Bayesiana cù 2 punti di partenza aleatorii è 10 iterazioni, è l'AUC nantu à u dataset hè stata sintonizzata cù l'iperparametri cum'è un mira di 17.
Esempi rappresentativi di 8 × 8 mm OCTA di l'imaghjini di plexus capillari superficiali anu puntuatu 2 (A, B), 1 (C, D) è 0 (E, F).L'artefatti di l'imaghjini mostrati includenu linee sfarfallanti (frecce), artefatti di segmentazione (asterischi) è opacità media (frecce).L'immagine (E) hè ancu fora di centru.
E curve di e caratteristiche operative di u receptore (ROC) sò allora generate per tutti i mudelli di rete neurale, è i rapporti di forza di u segnu di u mutore sò generati per ogni casu d'usu di bassa qualità è di alta qualità.L'area sottu a curva (AUC) hè stata calculata cù u pacchettu pROC R, è l'intervalli di cunfidenza di 95% è i valori p sò stati calculati cù u metudu DeLong18,19.I punteggi cumulativi di i valutatori umani sò usati cum'è a basa per tutti i calculi ROC.Per a forza di signale rappurtata da a macchina, l'AUC hè stata calculata duie volte: una volta per u cutoff di Scalability Score d'alta qualità è una volta per u cutoff di Scalability Score di bassa qualità.A rete neurale hè paragunata à a forza di u signale AUC chì riflette a so propria furmazione è e cundizioni di valutazione.
Per pruvà ulteriormente u mudellu di apprendimentu profondu addestratu nantu à un inseme di dati separatu, mudelli di alta qualità è di bassa qualità sò stati direttamente applicati à a valutazione di u rendiment di 32 immagini di lastre di superficia di 6 (\times) di 6 mm di faccia completa raccolte da l'Università di Yale.Eye Mass hè centratu à u stessu tempu cum'è l'imaghjini 8 \(\times \) 8 mm.L'imaghjini 6\(\×\) 6 mm sò stati valutati manualmente da i stessi valutatori (RD è JW) in a stessa manera di l'imaghjini 8\(\×\) 8 mm, l'AUC hè stata calculata è a precisione è u kappa di Cohen. .ugualmente.
U rapportu di sbilanciamentu di classa hè 158:189 (\(\rho = 1.19\)) per u mudellu di qualità bassa è 80:267 (\(\rho = 3.3\)) per u mudellu d'alta qualità.Perchè u rapportu di sbilanciamentu di classi hè menu di 1: 4, ùn sò stati fatti cambiamenti architettonici specifichi per curregà u sbilanciamentu di classi20,21.
Per visualizà megliu u prucessu di apprendimentu, e carte di attivazione di classi sò state generate per tutti i quattru mudelli di apprendimentu prufonda furmatu: mudellu ResNet152 di alta qualità, mudellu ResNet152 di bassa qualità, mudellu AlexNet di alta qualità è mudellu AlexNet di bassa qualità.I carte di attivazione di classi sò generati da i strati di cunvoluzione di input di questi quattru mudelli, è i carte di calore sò generati da a superposizione di carte d'attivazione cù l'imàgine fonte da i set di validazione 8 × 8 mm è 6 × 6 mm22, 23.
A versione R 4.0.3 hè stata aduprata per tutti i calculi statistichi, è e visualizazioni sò state create usendu a biblioteca di l'utillita grafica ggplot2.
Avemu cullatu 347 imaghjini frontali di u plexus capillary superficiale chì misura 8 \(\times\)8 mm da 134 persone.A macchina hà riportatu a forza di u signale nantu à una scala da 0 à 10 per tutte l'imaghjini (media = 6,99 ± 2,29).Di l'imaghjini 347 acquistate, l'età media à l'esame era di 58,7 ± 14,6 anni, è u 39,2% era di pazienti maschili.Di tutte l'imaghjini, 30.8% eranu da Caucasians, 32.6% da Neri, 30.8% da Hispanics, 4% da Asians, è 1.7% da altre razzi (Table 1).).A distribuzione d'età di i malati cù OCTA differisce significativamente secondu a qualità di l'imaghjini (p <0.001).U percentualità di l'imaghjini d'alta qualità in i pazienti più ghjovani di 18-45 anni era 33.8% paragunatu à 12.2% di l'imaghjini di bassa qualità (Table 1).A distribuzione di l'estatus di retinopatia diabetica variava ancu significativamente in a qualità di l'imaghjini (p <0.017).Trà tutte l'imaghjini d'alta qualità, u percentualità di i pazienti cù PDR era 18.8% cumparatu à 38.8% di tutte l'imaghjini di qualità bassa (Table 1).
E valutazioni individuali di tutte l'imaghjini dimustranu una affidabilità inter-rating da moderata à forte trà e persone chì leghjenu l'imaghjini (kappa ponderatu di Cohen = 0,79, 95% CI: 0,76-0,82), è ùn ci era micca punti di l'imaghjini induve i valutatori differiscenu di più di 1 (Fig. 2A)..L'intensità di u signalu correlated significativamente cù u scoring manual (Pearson product moment correlation = 0.58, 95% CI 0.51-0.65, p <0.001), ma assai imaghjini sò stati identificati cum'è avè una intensità di signale alta, ma scoring manual low (Fig. .2B).
Durante a furmazione di l'architetture ResNet152 è AlexNet, a perdita di l'entropia incruciata nantu à a validazione è a furmazione cade più di 50 epoche (Figura 3B, C).A precisione di validazione in l'epica di furmazione finale hè più di 90% per i casi d'usu di alta qualità è di bassa qualità.
E curve di prestazione di u ricevitore mostranu chì u mudellu ResNet152 supera significativamente a putenza di signale rappurtata da a macchina in casi d'usu di bassa è d'alta qualità (p <0.001).U mudellu ResNet152 supera ancu significativamente l'architettura AlexNet (p = 0.005 è p = 0.014 per i casi di qualità bassa è di alta qualità, rispettivamente).I mudelli risultanti per ognuna di sti travaglii sò stati capaci di ottene i valori AUC di 0,99 è 0,97, rispettivamente, chì hè significativamente megliu cà i valori AUC currispondenti di 0,82 è 0,78 per l'indice di forza di signale di a macchina o 0,97 è 0,94 per AlexNet. ..(Fig. 3).A diffarenza trà ResNet è AUC in a forza di u signale hè più altu quandu si ricunnosce l'imaghjini di alta qualità, chì indicanu benefici supplementari di l'usu di ResNet per questu compitu.
I grafici mostranu a capacità di ogni valutatore indipendente di puntuà è paragunà cù a forza di u signale riportata da a macchina.(A) A summa di i punti per esse valutati hè aduprata per creà u numeru tutale di punti per esse valutati.L'imaghjini cù un puntu di scalabilità generale di 4 sò attribuiti di alta qualità, mentre chì l'imaghjini cun un puntu di scalabilità generale di 1 o menu sò attribuiti di qualità bassa.(B) L'intensità di u signale correlate cù l'estimi manuali, ma l'imaghjini cù una intensità di signale alta pò esse di qualità più povera.A linea di punti rossi indica a soglia di qualità cunsigliata da u fabricatore basatu nantu à a forza di u signale (forza di u segnu \(\ge\)6).
L'apprendimentu di trasferimentu ResNet furnisce una mellura significativa in l'identificazione di a qualità di l'imaghjini per i casi d'usu di bassa qualità è di alta qualità in paragunà à i livelli di signali riportati da a macchina.(A) Schemi di architettura simplificati di architetture pre-formate (i) ResNet152 è (ii) AlexNet.(B) Storia di furmazione è curve di prestazione di u ricevitore per ResNet152 paragunatu à a forza di signale rappurtata da a macchina è à i criterii di qualità bassa AlexNet.(C) ResNet152 a storia di furmazione di u ricevitore è e curve di prestazione cumparatu cù a forza di u signale di a macchina è i criteri di alta qualità AlexNet.
Dopu avè aghjustatu u limitu di u limitu di decisione, a precisione di prediczione massima di u mudellu ResNet152 hè 95.3% per u casu di qualità bassa è 93.5% per u casu d'alta qualità (Table 2).A precisione di prediczione massima di u mudellu AlexNet hè 91.0% per u casu di qualità bassa è 90.1% per u casu d'alta qualità (Table 2).A precisione massima di a prediczione di forza di signale hè 76.1% per u casu d'usu di bassa qualità è 77.8% per u casu d'usu di alta qualità.Sicondu u kappa di Cohen (\(\kappa\)), l'accordu trà u mudellu ResNet152 è l'estimatori hè 0.90 per u casu di qualità bassa è 0.81 per u casu d'alta qualità.AlexNet kappa di Cohen hè 0.82 è 0.71 per i casi d'usu di bassa qualità è di alta qualità, rispettivamente.A forza di signale di Cohen kappa hè 0.52 è 0.27 per i casi d'usu di bassa è alta qualità, rispettivamente.
A validazione di mudelli di ricunniscenza di alta è bassa qualità nantu à l'imaghjini 6\(\x\) di una piastra di 6 mm dimustra a capacità di u mudellu addestratu per determinà a qualità di l'imaghjini in diversi parametri di imaging.Quandu s'utilice 6\(\x\) 6 mm lastre pocu per a qualità di l'imaghjini, u mudellu di bassa qualità avia un AUC di 0,83 (95% CI: 0,69-0,98) è u mudellu di alta qualità avia un AUC di 0,85.(95% CI: 0,55-1,00) (Table 2).
L'ispezione visuale di e carte d'attivazione di a classa di l'input dimustrava chì tutte e rete neurali furmati anu utilizatu funzioni di l'imaghjini durante a classificazione di l'imaghjini (Fig. 4A, B).Per l'imaghjini di 8 \(\times \) 8 mm è 6 \(\times \) 6 mm, l'imaghjini di attivazione ResNet seguenu strettamente a vasculatura di a retina.E carte d'attivazione di AlexNet seguitanu ancu i vasi di a retina, ma cù una risoluzione più grossa.
I carte di attivazione di classi per i mudelli ResNet152 è AlexNet mette in risaltu e caratteristiche relative à a qualità di l'imaghjini.(A) Mappa di attivazione di classi chì mostra l'attivazione coerente dopu a vasculatura di a retina superficiale nantu à l'imaghjini di validazione di 8 \(\times \) 8 mm è (B) l'estensione nantu à l'imaghjini di validazione di 6 \(\times \) 6 mm.U mudellu LQ furmatu nantu à i criterii di bassa qualità, u mudellu HQ furmatu nantu à i criterii di alta qualità.
Hè statu dimustratu prima chì a qualità di l'imaghjini pò influenzà assai qualsiasi quantificazione di l'imaghjini OCTA.Inoltre, a prisenza di retinopatia aumenta l'incidenza di artefatti di l'imaghjini7,26.In fatti, in i nostri dati, in cunfurmità cù studii precedenti, avemu trovu una associazione significativa trà l'età è a gravità di a malatia di a retina è u deterioramentu di a qualità di l'imaghjini (p <0.001, p = 0.017 per l'età è u statutu DR, rispettivamente; Table 1) 27 Dunque, hè criticu per evaluà a qualità di l'imaghjini prima di fà qualsiasi analisi quantitative di l'imaghjini OCTA.A maiò parte di i studii chì analizzanu l'imaghjini OCTA utilizanu soglie di intensità di signale rapportati da a macchina per escludiri l'imaghjini di bassa qualità.Ancu s'ellu hè statu dimustratu l'intensità di u signale per affettà a quantificazione di i paràmetri OCTA, l'intensità di u signale alta solu pò esse micca abbastanza per escludiri l'imaghjini cù artefatti di l'imaghjini2,3,28,29.Per quessa, hè necessariu di sviluppà un metudu più affidabile di cuntrollu di qualità di l'imaghjini.À questu scopu, valutemu a prestazione di i metudi d'apprendimentu prufondu supervisatu contru a forza di u signale riportata da a macchina.
Avemu sviluppatu parechji mudelli per evaluà a qualità di l'imaghjini perchè diversi casi d'usu OCTA ponu avè esigenze di qualità di l'imaghjini diffirenti.Per esempiu, l'imaghjini deve esse di qualità più altu.Inoltre, i parametri quantitativi specifichi d'interessu sò ancu impurtanti.Per esempiu, l'area di a zona avascular foveal ùn dipende micca da a turbidità di u mediu non-cintrali, ma affetta a densità di i navi.Mentre a nostra ricerca cuntinueghja à fucalizza nantu à un approcciu generale à a qualità di l'imaghjini, micca ligatu à i requisiti di alcuna prova particulare, ma destinatu à rimpiazzà direttamente a forza di signale riportata da a macchina, speremu di dà à l'utilizatori un più grande gradu di cuntrollu in modu chì ponu selezziunà a metrica specifica di interessu à l'utilizatore.sceglite un mudellu chì currisponde à u gradu massimu di artefatti di l'imaghjini cunsiderati accettabili.
Per sceni di bassa qualità è di alta qualità, mostramu un rendimentu eccellente di e rete neurali convoluzionali profonde mancanti di cunnessione, cù AUC di 0.97 è 0.99 è mudelli di bassa qualità, rispettivamente.Avemu ancu dimustratu a prestazione superiore di u nostru approcciu di apprendimentu prufondu paragunatu à i livelli di signali riportati solu da e macchine.I cunnessione di salta permettenu à e rete neurali d'amparà e funzioni à parechji livelli di dettagliu, catturà aspetti più fini di l'imaghjini (per esempiu, cuntrastu) è e caratteristiche generali (per esempiu, centru di l'imaghjini30,31).Siccomu l'artefatti di l'imaghjini chì affettanu a qualità di l'imaghjini sò probabilmente megliu identificati in una larga gamma, l'architetture di rete neurali cù cunnessione mancanti ponu esibisce un rendimentu megliu cà quelli senza compiti di determinazione di qualità di l'imagine.
Quandu pruvate u nostru mudellu nantu à l'imaghjini 6 \ (\ × 6mm) OCTA, avemu nutatu una diminuzione di u rendiment di classificazione per i mudelli d'alta qualità è di qualità bassa (Fig. 2), in cuntrastu à a dimensione di u mudellu furmatu per a classificazione.Comparatu à u mudellu ResNet, u mudellu AlexNet hà una caduta più grande.U rendimentu relativamente megliu di ResNet pò esse dovutu à a capacità di e cunnessione residuale di trasmette infurmazioni à scale multiple, chì rende u mudellu più robustu per classificà l'imaghjini catturati à diverse scale è / o ingrandimenti.
Alcune differenze trà l'imaghjini di 8 \(\×\) 8 mm è l'imaghjini di 6 \(\×\) 6 mm ponu purtà à una classificazione cattiva, cumpresa una proporzione relativamente alta di l'imaghjini chì cuntenenu zoni avasculari foveali, cambiamenti di visibilità, arcades vasculi è senza nervu otticu nantu à l'imaghjini 6 × 6 mm.Malgradu questu, u nostru mudellu ResNet d'alta qualità hà sappiutu ottene un AUC di 85% per l'imaghjini di 6 \(\x\) 6 mm, una cunfigurazione per a quale u mudellu ùn hè statu furmatu, chì suggerenu chì l'infurmazioni di qualità di l'imagine codificate in a rete neurale. hè adattatu.per una dimensione d'imagine o cunfigurazione di a macchina fora di a so furmazione (Table 2).In modu rassicurante, e carte d'attivazione ResNet- è AlexNet-like di 8 \(\times \) 8 mm è 6 \(\times \) 6 mm images anu pussutu mette in risaltu i vasi di a retina in i dui casi, suggerendu chì u mudellu hà infurmazione impurtante.sò applicabili per classificà i dui tipi di imagine OCTA (Fig. 4).
Lauerman et al.A valutazione di a qualità di l'imaghjini nantu à l'imaghjini OCTA hè stata realizata in modu simile utilizendu l'architettura Inception, un'altra rete neurale convoluzionale di salta di cunnessione6,32 utilizendu tecniche di apprendimentu profondu.Anu ancu limitatu l'studiu à l'imaghjini di u plexus capillary superficial, ma solu cù l'imaghjini più chjuchi di 3 × 3 mm da Optovue AngioVue, ancu s'ellu era ancu include i malati cù diverse malatie corioretinal.U nostru travagliu si basa nantu à i so fundamenti, cumprese parechji mudelli per affruntà diversi limiti di qualità di l'imaghjini è validà i risultati per l'imaghjini di diverse dimensioni.Riportemu ancu a metrica AUC di mudelli di apprendimentu di macchina è aumentemu a so precisione già impressiunanti (90%)6 per i mudelli di bassa qualità (96%) è di alta qualità (95.7%)6.
Questa furmazione hà parechje limitazioni.Prima, l'imaghjini sò stati acquistati cù una sola macchina OCTA, cumpresa solu l'imaghjini di u plexus capillary superficial à 8\(\times\)8 mm è 6\(\times\)6 mm.U mutivu di escludiri l'imaghjini da i strati più profondi hè chì l'artefatti di projezzione ponu fà a valutazione manuale di l'imaghjini più difficili è possibbilmente menu coherente.Inoltre, l'imaghjini sò stati acquistati solu in i pazienti diabetici, per i quali OCTA hè emergente cum'è un strumentu diagnosticu è prognosticu impurtante33,34.Ancu se pudemu pruvà u nostru mudellu nantu à l'imaghjini di diverse dimensioni per assicurà chì i risultati eranu robusti, ùn pudemu micca identificà datasets adattati da diversi centri, chì limitanu a nostra valutazione di a generalizazione di u mudellu.Ancu s'è l'imaghjini sò stati ottenuti da un solu centru, sò stati ottenuti da i pazienti di diversi sfondi etnici è razziali, chì hè una forza unica di u nostru studiu.Cumprendu a diversità in u nostru prucessu di furmazione, speremu chì i nostri risultati seranu generalizati in un sensu più largu, è chì eviteremu di codificà preghjudizii razziali in i mudelli chì furmà.
U nostru studiu mostra chì e rete neurali di salta di cunnessione ponu esse furmatu per ottene un altu rendimentu in a determinazione di a qualità di l'imaghjini OCTA.Fornemu questi mudelli cum'è strumenti per più ricerche.Perchè e diverse metriche ponu avè diverse esigenze di qualità di l'imaghjini, un mudellu di cuntrollu di qualità individuale pò esse sviluppatu per ogni metrica utilizendu a struttura stabilita quì.
A ricerca futura deve include imagine di diverse dimensioni da diverse profondità è diverse macchine OCTA per ottene un prucessu di valutazione di qualità di l'imaghjini d'apprendimentu profondu chì pò esse generalizatu à e plataforme OCTA è i protokolli di imaging.A ricerca attuale hè ancu basata nantu à approcci di apprendimentu prufondu supervisatu chì necessitanu valutazione umana è valutazione di l'imaghjini, chì ponu esse intensivi di travagliu è di tempu per i grandi datasets.Resta da vede se i metudi di apprendimentu profondu senza supervisione ponu distingue bè trà l'imaghjini di bassa qualità è l'imaghjini di alta qualità.
Siccomu a tecnulugia OCTA cuntinueghja à evoluzione è a velocità di scansione aumenta, l'incidenza di l'artefatti di l'imaghjini è l'imaghjini di mala qualità pò diminuite.I migliuramentu in u software, cum'è a funzione di rimozione di l'artefatti di proiezzione recentemente introduta, ponu ancu allevà queste limitazioni.Tuttavia, parechji prublemi restanu cum'è l'imaghjini di i pazienti cù una fissazione povera o una turbidità media significativa invariabilmente risultati in artefatti di l'imaghjini.Siccomu l'OCTA diventa più largamente utilizatu in i prucessi clinichi, hè necessariu una cunsiderazione attenta per stabilisce linee guida chjaramente per livelli accettabili di artefatti di l'imaghjini per l'analisi di l'imaghjini.L'applicazione di metudi d'apprendimentu profondu à l'imaghjini OCTA hè una grande prumessa è più ricerca hè necessaria in questa zona per sviluppà un approcciu robustu à u cuntrollu di qualità di l'imaghjini.
U codice utilizatu in a ricerca attuale hè dispunibule in u repository octa-qc, https://github.com/rahuldhodapkar/octa-qc.I datasets generati è / o analizati durante u studiu attuale sò dispunibuli da i rispettivi autori nantu à una dumanda ragionevule.
Spaide, RF, Fujimoto, JG & Waheed, NK Artefatti d'imaghjini in angiografia di coerenza ottica.Retina 35, 2163-2180 (2015).
Fenner, BJ et al.Identificazione di e caratteristiche di l'imaghjini chì determinanu a qualità è a riproducibilità di e misurazioni di a densità di plexus capillari retinienu in l'angiografia OCT.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL et al.Influenza di a tecnulugia di traccia di l'ochju nantu à a qualità di l'imaghjini di l'angiografia OCT in a degenerazione maculare ligata à l'età.Arcu tomba.clinicu.Exp.oftalmologia.255, 1535-1542 (2017).
Babyuch AS et al.E misurazioni di densità di perfusione capillare OCTA sò usate per detectà è valutà l'ischemia macular.chirurgia oftalmica.Retinal Laser Imaging 51, S30–S36 (2020).
Ellu, K., Zhang, X., Ren, S., è Sun, J. Deep Residual Learning for Image Recognition.In 2016 à a Conferenza IEEE nantu à a Visione Informatica è a Recognizione di Pattern (2016).
Lauerman, JL et al.Valutazione automatizzata di a qualità di l'imaghjini angiografiche OCT utilizendu algoritmi di apprendimentu profondu.Arcu tomba.clinicu.Exp.oftalmologia.257, 1641–1648 (2019).
Lauermann, J. et al.A prevalenza di l'errore di segmentazione è l'artifacti di u muvimentu in l'angiografia OCT dipende da a malatia di a retina.Arcu tomba.clinicu.Exp.oftalmologia.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Una biblioteca di apprendimentu prufonda imperativa è d'altu rendiment.Trattamentu avanzatu di l'infurmazioni neurali.sistema.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Una basa di dati d'imaghjini gerarchici à grande scala.2009 Conferenza IEEE nantu à Visione Informatica è Ricunniscenza di Pattern.248-255.(2009).
Krizhevsky A., Sutzkever I. è Hinton GE Classificazione Imagenet utilizendu e rete neurali cunvoluzionale profonda.Trattamentu avanzatu di l'infurmazioni neurali.sistema.25, 1 (2012).