ఆప్టికల్ కోహెరెన్స్ టోమోగ్రఫీ యాంజియోగ్రఫీ యొక్క ఇమేజ్ క్వాలిటీ మూల్యాంకనం కోసం డీప్ లెర్నింగ్

Nature.comని సందర్శించినందుకు ధన్యవాదాలు.మీరు పరిమిత CSS మద్దతుతో బ్రౌజర్ సంస్కరణను ఉపయోగిస్తున్నారు.ఉత్తమ అనుభవం కోసం, మీరు నవీకరించబడిన బ్రౌజర్‌ను ఉపయోగించాల్సిందిగా మేము సిఫార్సు చేస్తున్నాము (లేదా Internet Explorerలో అనుకూలత మోడ్‌ని నిలిపివేయండి).అదనంగా, నిరంతర మద్దతును నిర్ధారించడానికి, మేము స్టైల్స్ మరియు జావాస్క్రిప్ట్ లేకుండా సైట్‌ని చూపుతాము.
స్లైడర్‌లు ఒక్కో స్లయిడ్‌కు మూడు కథనాలను చూపుతున్నాయి.స్లయిడ్‌ల ద్వారా తరలించడానికి వెనుక మరియు తదుపరి బటన్‌లను ఉపయోగించండి లేదా ప్రతి స్లయిడ్ ద్వారా తరలించడానికి చివర ఉన్న స్లయిడ్ కంట్రోలర్ బటన్‌లను ఉపయోగించండి.
ఆప్టికల్ కోహెరెన్స్ టోమోగ్రాఫిక్ యాంజియోగ్రఫీ (OCTA) అనేది రెటీనా నాళాల యొక్క నాన్-ఇన్వాసివ్ విజువలైజేషన్ కోసం ఒక కొత్త పద్ధతి.OCTA అనేక ఆశాజనకమైన క్లినికల్ అప్లికేషన్‌లను కలిగి ఉన్నప్పటికీ, చిత్ర నాణ్యతను నిర్ణయించడం ఒక సవాలుగా మిగిలిపోయింది.మేము 134 మంది రోగుల 347 స్కాన్‌ల నుండి మిడిమిడి క్యాపిల్లరీ ప్లెక్సస్ చిత్రాలను వర్గీకరించడానికి ఇమేజ్‌నెట్‌తో ముందస్తుగా శిక్షణ పొందిన ResNet152 న్యూరల్ నెట్‌వర్క్ వర్గీకరణను ఉపయోగించి లోతైన అభ్యాస ఆధారిత వ్యవస్థను అభివృద్ధి చేసాము.పర్యవేక్షించబడే అభ్యాస నమూనా కోసం ఇద్దరు స్వతంత్ర రేటర్‌ల ద్వారా చిత్రాలు నిజమైన సత్యంగా మాన్యువల్‌గా అంచనా వేయబడ్డాయి.క్లినికల్ లేదా రీసెర్చ్ సెట్టింగ్‌లను బట్టి ఇమేజ్ క్వాలిటీ అవసరాలు మారవచ్చు కాబట్టి, రెండు మోడల్‌లకు శిక్షణ ఇవ్వబడింది, ఒకటి అధిక నాణ్యత ఇమేజ్ రికగ్నిషన్ కోసం మరియు మరొకటి తక్కువ క్వాలిటీ ఇమేజ్ రికగ్నిషన్ కోసం.మా న్యూరల్ నెట్‌వర్క్ మోడల్ కర్వ్ (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81) కింద అద్భుతమైన ప్రాంతాన్ని చూపుతుంది, ఇది మెషిన్ నివేదించిన సిగ్నల్ స్థాయి కంటే గణనీయంగా మెరుగ్గా ఉంది (AUC = 0.82, 95 % CI).0.77–0.86, \(\kappa\) = 0.52 మరియు AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, వరుసగా).OCTA చిత్రాల కోసం సౌకర్యవంతమైన మరియు బలమైన నాణ్యత నియంత్రణ పద్ధతులను అభివృద్ధి చేయడానికి మెషిన్ లెర్నింగ్ పద్ధతులను ఉపయోగించవచ్చని మా అధ్యయనం నిరూపిస్తుంది.
ఆప్టికల్ కోహెరెన్స్ టోమోగ్రాఫిక్ యాంజియోగ్రఫీ (OCTA) అనేది రెటీనా మైక్రోవాస్కులేచర్ యొక్క నాన్-ఇన్వాసివ్ విజువలైజేషన్ కోసం ఉపయోగించబడే ఆప్టికల్ కోహెరెన్స్ టోమోగ్రఫీ (OCT) ఆధారంగా సాపేక్షంగా కొత్త టెక్నిక్.OCTA రెటీనా యొక్క అదే ప్రాంతంలో పునరావృతమయ్యే కాంతి పప్పుల నుండి ప్రతిబింబం నమూనాల వ్యత్యాసాన్ని కొలుస్తుంది మరియు రంగులు లేదా ఇతర కాంట్రాస్ట్ ఏజెంట్లను ఉపయోగించకుండా రక్త నాళాలను బహిర్గతం చేయడానికి పునర్నిర్మాణాలను లెక్కించవచ్చు.OCTA డెప్త్-రిజల్యూషన్ వాస్కులర్ ఇమేజింగ్‌ను కూడా ఎనేబుల్ చేస్తుంది, వైద్యులను మిడిమిడి మరియు లోతైన నాళాల పొరలను విడిగా పరిశీలించడానికి అనుమతిస్తుంది, కొరియోరెటినల్ వ్యాధి మధ్య తేడాను గుర్తించడంలో సహాయపడుతుంది.
ఈ సాంకేతికత ఆశాజనకంగా ఉన్నప్పటికీ, విశ్వసనీయ చిత్ర విశ్లేషణకు చిత్ర నాణ్యత వైవిధ్యం ఒక ప్రధాన సవాలుగా మిగిలిపోయింది, చిత్ర వివరణను కష్టతరం చేస్తుంది మరియు విస్తృతమైన క్లినికల్ స్వీకరణను నిరోధిస్తుంది.OCTA బహుళ వరుస OCT స్కాన్‌లను ఉపయోగిస్తున్నందున, ఇది ప్రామాణిక OCT కంటే చిత్ర కళాఖండాలకు ఎక్కువ సున్నితంగా ఉంటుంది.చాలా వాణిజ్య OCTA ప్లాట్‌ఫారమ్‌లు సిగ్నల్ స్ట్రెంత్ (SS) లేదా కొన్నిసార్లు సిగ్నల్ స్ట్రెంత్ ఇండెక్స్ (SSI) అని పిలవబడే వారి స్వంత చిత్ర నాణ్యత మెట్రిక్‌ను అందిస్తాయి.అయినప్పటికీ, అధిక SS లేదా SSI విలువ కలిగిన ఇమేజ్‌లు ఇమేజ్ ఆర్టిఫ్యాక్ట్‌లు లేవని హామీ ఇవ్వవు, ఇది ఏదైనా తదుపరి చిత్ర విశ్లేషణను ప్రభావితం చేస్తుంది మరియు తప్పు క్లినికల్ నిర్ణయాలకు దారి తీస్తుంది.OCTA ఇమేజింగ్‌లో సంభవించే సాధారణ చిత్ర కళాఖండాలలో చలన కళాఖండాలు, విభజన కళాఖండాలు, మీడియా అస్పష్టత కళాఖండాలు మరియు ప్రొజెక్షన్ కళాఖండాలు 1,2,3 ఉన్నాయి.
అనువాద పరిశోధన, క్లినికల్ ట్రయల్స్ మరియు క్లినికల్ ప్రాక్టీస్‌లో వాస్కులర్ డెన్సిటీ వంటి OCTA-ఉత్పన్నమైన చర్యలు ఎక్కువగా ఉపయోగించబడుతున్నందున, చిత్ర కళాఖండాలను తొలగించడానికి బలమైన మరియు నమ్మదగిన చిత్ర నాణ్యత నియంత్రణ ప్రక్రియలను అభివృద్ధి చేయాల్సిన అవసరం ఉంది.స్కిప్ కనెక్షన్‌లు, అవశేష కనెక్షన్‌లు అని కూడా పిలుస్తారు, ఇవి న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్‌లోని ప్రొజెక్షన్‌లు, ఇవి వివిధ ప్రమాణాలు లేదా రిజల్యూషన్‌లలో సమాచారాన్ని నిల్వ చేస్తున్నప్పుడు కన్వల్యూషనల్ లేయర్‌లను దాటవేయడానికి సమాచారాన్ని అనుమతిస్తాయి.ఇమేజ్ కళాఖండాలు చిన్న-స్థాయి మరియు సాధారణ పెద్ద-స్థాయి చిత్ర పనితీరును ప్రభావితం చేయగలవు కాబట్టి, ఈ నాణ్యత నియంత్రణ పనిని ఆటోమేట్ చేయడానికి స్కిప్-కనెక్షన్ న్యూరల్ నెట్‌వర్క్‌లు బాగా సరిపోతాయి.ఇటీవల ప్రచురించిన పని మానవ అంచనాల నుండి అధిక నాణ్యత డేటాను ఉపయోగించి శిక్షణ పొందిన లోతైన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌ల కోసం కొంత వాగ్దానాన్ని చూపింది.
ఈ అధ్యయనంలో, OCTA చిత్రాల నాణ్యతను స్వయంచాలకంగా గుర్తించడానికి మేము కనెక్షన్-స్కిప్పింగ్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌కు శిక్షణ ఇస్తాము.మేము అధిక నాణ్యత చిత్రాలను మరియు తక్కువ నాణ్యత గల చిత్రాలను గుర్తించడం కోసం ప్రత్యేక నమూనాలను అభివృద్ధి చేయడం ద్వారా మునుపటి పనిని రూపొందించాము, ఎందుకంటే నిర్దిష్ట క్లినికల్ లేదా పరిశోధన దృశ్యాలకు చిత్ర నాణ్యత అవసరాలు భిన్నంగా ఉండవచ్చు.డీప్ లెర్నింగ్‌లో బహుళ స్థాయి గ్రాన్యులారిటీలో ఫీచర్‌లను చేర్చడం యొక్క విలువను అంచనా వేయడానికి మేము కనెక్షన్‌లు లేకుండా ఈ నెట్‌వర్క్‌ల ఫలితాలను కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లతో పోల్చాము.మేము మా ఫలితాలను సిగ్నల్ స్ట్రెంగ్త్‌తో పోల్చాము, తయారీదారులు అందించిన చిత్ర నాణ్యతకు సాధారణంగా ఆమోదించబడిన కొలమానం.
మా అధ్యయనంలో ఆగస్ట్ 11, 2017 మరియు ఏప్రిల్ 11, 2019 మధ్య యేల్ ఐ సెంటర్‌కు హాజరైన మధుమేహ రోగులు ఉన్నారు. ఏదైనా డయాబెటిక్ కాని కొరియోరెటినల్ వ్యాధి ఉన్న రోగులు మినహాయించబడ్డారు.వయస్సు, లింగం, జాతి, చిత్ర నాణ్యత లేదా మరే ఇతర అంశాల ఆధారంగా చేర్చడం లేదా మినహాయింపు ప్రమాణాలు లేవు.
OCTA చిత్రాలు 8\(\times\)8 mm మరియు 6\(\times\)6 mm ఇమేజింగ్ ప్రోటోకాల్‌ల క్రింద Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA)పై AngioPlex ప్లాట్‌ఫారమ్‌ని ఉపయోగించి పొందబడ్డాయి.ప్రతి అధ్యయనంలో పాల్గొనేవారి నుండి అధ్యయనంలో పాల్గొనడానికి సమాచార సమ్మతి పొందబడింది మరియు యేల్ యూనివర్సిటీ ఇన్‌స్టిట్యూషనల్ రివ్యూ బోర్డ్ (IRB) ఈ రోగులందరికీ గ్లోబల్ ఫోటోగ్రఫీతో సమాచార సమ్మతిని ఉపయోగించడాన్ని ఆమోదించింది.హెల్సింకి డిక్లరేషన్ సూత్రాలను అనుసరించడం.ఈ అధ్యయనాన్ని యేల్ విశ్వవిద్యాలయం IRB ఆమోదించింది.
గతంలో వివరించిన మోషన్ ఆర్టిఫ్యాక్ట్ స్కోర్ (MAS), గతంలో వివరించిన సెగ్మెంటేషన్ ఆర్టిఫ్యాక్ట్ స్కోర్ (SAS), ఫోవల్ సెంటర్, మీడియా అస్పష్టత ఉనికి మరియు ఇమేజ్ ఎవాల్యుయేటర్ ద్వారా నిర్ణయించబడిన చిన్న కేశనాళికల యొక్క మంచి విజువలైజేషన్ ఆధారంగా సర్ఫేస్ ప్లేట్ ఇమేజ్‌లు మూల్యాంకనం చేయబడ్డాయి.చిత్రాలను ఇద్దరు స్వతంత్ర మదింపుదారులు (RD మరియు JW) విశ్లేషించారు.కింది ప్రమాణాలు అన్నింటికి అనుగుణంగా ఉన్నట్లయితే చిత్రానికి గ్రేడెడ్ స్కోర్ 2 (అర్హత) ఉంటుంది: చిత్రం fovea వద్ద కేంద్రీకృతమై ఉంటుంది (చిత్రం మధ్యలో నుండి 100 పిక్సెల్‌ల కంటే తక్కువ), MAS 1 లేదా 2, SAS 1, మరియు మీడియా అస్పష్టత 1 కంటే తక్కువ. పరిమాణం / 16 చిత్రాలపై ఉంటుంది మరియు 15/16 కంటే పెద్ద చిత్రాలలో చిన్న కేశనాళికలు కనిపిస్తాయి.కింది ప్రమాణాలలో దేనినైనా పాటించినట్లయితే చిత్రం 0గా రేట్ చేయబడుతుంది (రేటింగ్ లేదు): చిత్రం ఆఫ్-సెంటర్‌లో ఉంటుంది, MAS 4 అయితే, SAS 2 అయితే లేదా సగటు అస్పష్టత చిత్రం యొక్క 1/4 కంటే ఎక్కువగా ఉంటే మరియు చిన్న కేశనాళికలు వేరు చేయడానికి 1 చిత్రం /4 కంటే ఎక్కువ సర్దుబాటు చేయబడవు.స్కోరింగ్ ప్రమాణాలు 0 లేదా 2కి అనుగుణంగా లేని అన్ని ఇతర చిత్రాలు 1 (క్లిప్పింగ్)గా స్కోర్ చేయబడ్డాయి.
అంజీర్ న.1 స్కేల్ చేయబడిన ప్రతి అంచనాలు మరియు చిత్ర కళాఖండాల కోసం నమూనా చిత్రాలను చూపుతుంది.వ్యక్తిగత స్కోర్‌ల యొక్క ఇంటర్-రేటర్ విశ్వసనీయత కోహెన్ యొక్క కప్పా వెయిటింగ్ 8 ద్వారా అంచనా వేయబడింది.ప్రతి రేటర్ యొక్క వ్యక్తిగత స్కోర్‌లు ప్రతి చిత్రానికి 0 నుండి 4 వరకు మొత్తం స్కోర్‌ను పొందేందుకు సంగ్రహించబడ్డాయి. మొత్తం స్కోరు 4 ఉన్న చిత్రాలు మంచివిగా పరిగణించబడతాయి.మొత్తం స్కోర్ 0 లేదా 1 ఉన్న చిత్రాలు తక్కువ నాణ్యతగా పరిగణించబడతాయి.
ImageNet డేటాబేస్ నుండి చిత్రాలపై ముందుగా శిక్షణ పొందిన ResNet152 ఆర్కిటెక్చర్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (Fig. 3A.i) fast.ai మరియు PyTorch ఫ్రేమ్‌వర్క్ 5, 9, 10, 11 ఉపయోగించి రూపొందించబడింది. ఒక కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ అనేది నేర్చుకున్న వాటిని ఉపయోగించే నెట్‌వర్క్. ప్రాదేశిక మరియు స్థానిక లక్షణాలను అధ్యయనం చేయడానికి చిత్ర శకలాలను స్కాన్ చేయడానికి ఫిల్టర్‌లు.మా శిక్షణ పొందిన ResNet అనేది 152-లేయర్ న్యూరల్ నెట్‌వర్క్, ఇది ఖాళీలు లేదా "అవశేష కనెక్షన్‌లు" ద్వారా వర్గీకరించబడుతుంది, ఇది ఏకకాలంలో బహుళ రిజల్యూషన్‌లతో సమాచారాన్ని ప్రసారం చేస్తుంది.నెట్‌వర్క్‌లో వివిధ రిజల్యూషన్‌లలో సమాచారాన్ని ప్రొజెక్ట్ చేయడం ద్వారా, ప్లాట్‌ఫారమ్ తక్కువ-నాణ్యత చిత్రాల లక్షణాలను బహుళ స్థాయిల వివరాలతో తెలుసుకోవచ్చు.మా రెస్‌నెట్ మోడల్‌తో పాటు, పోలిక కోసం కనెక్షన్‌లను కోల్పోకుండా, బాగా అధ్యయనం చేసిన న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్ అయిన అలెక్స్‌నెట్‌కు కూడా మేము శిక్షణ ఇచ్చాము (మూర్తి 3A.ii)12.కనెక్షన్‌లను కోల్పోకుండా, ఈ నెట్‌వర్క్ అధిక గ్రాన్యులారిటీలో ఫీచర్‌లను క్యాప్చర్ చేయదు.
అసలైన 8\(\times\)8mm OCTA13 ఇమేజ్ సెట్ క్షితిజ సమాంతర మరియు నిలువు ప్రతిబింబ పద్ధతులను ఉపయోగించి మెరుగుపరచబడింది.స్కికిట్-లెర్న్ టూల్‌బాక్స్ పైథాన్14ను ఉపయోగించి పూర్తి డేటాసెట్ చిత్ర స్థాయిలో యాదృచ్ఛికంగా శిక్షణ (51.2%), టెస్టింగ్ (12.8%), హైపర్‌పారామీటర్ ట్యూనింగ్ (16%) మరియు ధ్రువీకరణ (20%) డేటాసెట్‌లుగా విభజించబడింది.రెండు కేసులు పరిగణించబడ్డాయి, ఒకటి అత్యధిక నాణ్యత గల చిత్రాలను (మొత్తం స్కోర్ 4) మాత్రమే గుర్తించడంపై ఆధారపడి ఉంటుంది మరియు మరొకటి అత్యల్ప నాణ్యత గల చిత్రాలను (మొత్తం స్కోర్ 0 లేదా 1) మాత్రమే గుర్తించడంపై ఆధారపడి ఉంటుంది.ప్రతి అధిక-నాణ్యత మరియు తక్కువ-నాణ్యత వినియోగ సందర్భం కోసం, మా ఇమేజ్ డేటాలో న్యూరల్ నెట్‌వర్క్ ఒకసారి మళ్లీ శిక్షణ పొందుతుంది.ప్రతి వినియోగ సందర్భంలో, న్యూరల్ నెట్‌వర్క్ 10 యుగాల పాటు శిక్షణ పొందింది, అత్యధిక లేయర్ బరువులు తప్ప అన్నీ స్తంభింపజేయబడ్డాయి మరియు క్రాస్-ఎంట్రోపీ లాస్ ఫంక్షన్ 15తో వివక్షత లెర్నింగ్ రేట్ పద్ధతిని ఉపయోగించి అన్ని అంతర్గత పారామితుల బరువులు 40 యుగాలకు నేర్చుకోబడ్డాయి. 16..క్రాస్ ఎంట్రోపీ లాస్ ఫంక్షన్ అనేది ఊహించిన నెట్‌వర్క్ లేబుల్‌లు మరియు రియల్ డేటా మధ్య వ్యత్యాసం యొక్క లాగరిథమిక్ స్కేల్ యొక్క కొలత.శిక్షణ సమయంలో, నష్టాలను తగ్గించడానికి న్యూరల్ నెట్‌వర్క్ యొక్క అంతర్గత పారామితులపై ప్రవణత సంతతి నిర్వహించబడుతుంది.2 యాదృచ్ఛిక ప్రారంభ పాయింట్లు మరియు 10 పునరావృతాలతో బయేసియన్ ఆప్టిమైజేషన్‌ని ఉపయోగించి అభ్యాస రేటు, డ్రాపౌట్ రేటు మరియు బరువు తగ్గింపు హైపర్‌పారామీటర్‌లు ట్యూన్ చేయబడ్డాయి మరియు డేటాసెట్‌లోని AUC హైపర్‌పారామీటర్‌లను 17 లక్ష్యంగా ఉపయోగించి ట్యూన్ చేయబడింది.
2 (A, B), 1 (C, D) మరియు 0 (E, F) స్కోర్ చేసిన ఉపరితల కేశనాళిక ప్లెక్సస్‌ల 8 × 8 mm OCTA చిత్రాల ప్రతినిధి ఉదాహరణలు.చూపిన చిత్ర కళాఖండాలలో మినుకుమినుకుమనే గీతలు (బాణాలు), విభజన కళాఖండాలు (నక్షత్రాలు) మరియు మీడియా అస్పష్టత (బాణాలు) ఉన్నాయి.చిత్రం (E) కూడా మధ్యలో లేదు.
అన్ని న్యూరల్ నెట్‌వర్క్ మోడల్‌ల కోసం రిసీవర్ ఆపరేటింగ్ లక్షణాలు (ROC) కర్వ్‌లు ఉత్పత్తి చేయబడతాయి మరియు ప్రతి తక్కువ-నాణ్యత మరియు అధిక-నాణ్యత వినియోగ కేసు కోసం ఇంజిన్ సిగ్నల్ స్ట్రెంగ్త్ రిపోర్ట్‌లు రూపొందించబడతాయి.కర్వ్ కింద ఉన్న ప్రాంతం (AUC) pROC R ప్యాకేజీని ఉపయోగించి లెక్కించబడుతుంది మరియు 95% విశ్వాస అంతరాలు మరియు p-విలువలు DeLong పద్ధతిని ఉపయోగించి లెక్కించబడ్డాయి18,19.మానవ రేటర్‌ల సంచిత స్కోర్‌లు అన్ని ROC గణనలకు బేస్‌లైన్‌గా ఉపయోగించబడతాయి.యంత్రం ద్వారా నివేదించబడిన సిగ్నల్ బలం కోసం, AUC రెండుసార్లు లెక్కించబడుతుంది: ఒకసారి అధిక నాణ్యత గల స్కేలబిలిటీ స్కోర్ కటాఫ్ మరియు తక్కువ నాణ్యత గల స్కేలబిలిటీ స్కోర్ కటాఫ్ కోసం ఒకసారి.న్యూరల్ నెట్‌వర్క్ దాని స్వంత శిక్షణ మరియు మూల్యాంకన పరిస్థితులను ప్రతిబింబించే AUC సిగ్నల్ బలంతో పోల్చబడుతుంది.
ప్రత్యేక డేటాసెట్‌లో శిక్షణ పొందిన లోతైన అభ్యాస నమూనాను మరింత పరీక్షించడానికి, యేల్ విశ్వవిద్యాలయం నుండి సేకరించిన 32 పూర్తి ముఖం 6\(\times\) 6mm ఉపరితల స్లాబ్ చిత్రాల పనితీరు మూల్యాంకనానికి అధిక నాణ్యత మరియు తక్కువ నాణ్యత నమూనాలు నేరుగా వర్తింపజేయబడ్డాయి.ఐ మాస్ చిత్రం 8 \(\ సార్లు \) 8 మిమీ అదే సమయంలో కేంద్రీకృతమై ఉంటుంది.6\(\×\) 6 mm ఇమేజ్‌లు 8\(\×\) 8 mm చిత్రాల మాదిరిగానే అదే రేటర్‌ల (RD మరియు JW) ద్వారా మాన్యువల్‌గా అంచనా వేయబడ్డాయి, AUC అలాగే ఖచ్చితత్వం మరియు కోహెన్ యొక్క కప్పా లెక్కించబడుతుంది. .సమానంగా.
తరగతి అసమతుల్యత నిష్పత్తి తక్కువ నాణ్యత గల మోడల్‌కు 158:189 (\(\rho = 1.19\)) మరియు అధిక నాణ్యత గల మోడల్‌కు 80:267 (\(\rho = 3.3\)).తరగతి అసమతుల్యత నిష్పత్తి 1:4 కంటే తక్కువగా ఉన్నందున, తరగతి అసమతుల్యత20,21 సరిచేయడానికి నిర్దిష్ట నిర్మాణ మార్పులు చేయలేదు.
అభ్యాస ప్రక్రియను మెరుగ్గా దృశ్యమానం చేయడానికి, శిక్షణ పొందిన నాలుగు లోతైన అభ్యాస నమూనాల కోసం క్లాస్ యాక్టివేషన్ మ్యాప్‌లు రూపొందించబడ్డాయి: అధిక నాణ్యత గల ResNet152 మోడల్, తక్కువ నాణ్యత గల ResNet152 మోడల్, అధిక నాణ్యత గల AlexNet మోడల్ మరియు తక్కువ నాణ్యత గల AlexNet మోడల్.క్లాస్ యాక్టివేషన్ మ్యాప్‌లు ఈ నాలుగు మోడళ్ల ఇన్‌పుట్ కన్వల్యూషనల్ లేయర్‌ల నుండి రూపొందించబడ్డాయి మరియు 8 × 8 మిమీ మరియు 6 × 6 మిమీ ధ్రువీకరణ సెట్‌ల నుండి సోర్స్ ఇమేజ్‌లతో యాక్టివేషన్ మ్యాప్‌లను అతివ్యాప్తి చేయడం ద్వారా హీట్ మ్యాప్‌లు రూపొందించబడతాయి22, 23.
R వెర్షన్ 4.0.3 అన్ని గణాంక గణనల కోసం ఉపయోగించబడింది మరియు ggplot2 గ్రాఫిక్స్ టూల్ లైబ్రరీని ఉపయోగించి విజువలైజేషన్‌లు సృష్టించబడ్డాయి.
మేము 134 మంది వ్యక్తుల నుండి 8 \(\ సార్లు \)8 మిమీ కొలిచే మిడిమిడి క్యాపిల్లరీ ప్లెక్సస్ యొక్క 347 ఫ్రంటల్ చిత్రాలను సేకరించాము.యంత్రం అన్ని చిత్రాలకు 0 నుండి 10 స్కేల్‌లో సిగ్నల్ బలాన్ని నివేదించింది (సగటు = 6.99 ± 2.29).పొందిన 347 చిత్రాలలో, పరీక్షలో సగటు వయస్సు 58.7 ± 14.6 సంవత్సరాలు, మరియు 39.2% మగ రోగుల నుండి.అన్ని చిత్రాలలో, 30.8% కాకేసియన్ల నుండి, 32.6% నల్లజాతీయుల నుండి, 30.8% హిస్పానిక్స్ నుండి, 4% ఆసియన్ల నుండి మరియు 1.7% ఇతర జాతుల నుండి (టేబుల్ 1).)చిత్రం యొక్క నాణ్యతను బట్టి OCTA ఉన్న రోగుల వయస్సు పంపిణీ గణనీయంగా భిన్నంగా ఉంటుంది (p <0.001).తక్కువ నాణ్యత గల చిత్రాలలో 12.2% (టేబుల్ 1)తో పోలిస్తే 18-45 సంవత్సరాల వయస్సు గల చిన్న రోగులలో అధిక-నాణ్యత చిత్రాల శాతం 33.8%.డయాబెటిక్ రెటినోపతి స్థితి పంపిణీ చిత్రం నాణ్యతలో కూడా గణనీయంగా మారుతూ ఉంటుంది (p <0.017).అన్ని అధిక నాణ్యత చిత్రాలలో, PDR ఉన్న రోగుల శాతం 18.8%, అన్ని తక్కువ నాణ్యత చిత్రాలలో 38.8% (టేబుల్ 1).
అన్ని చిత్రాల యొక్క వ్యక్తిగత రేటింగ్‌లు చిత్రాలను చదివే వ్యక్తుల మధ్య మితమైన మరియు బలమైన అంతర్-రేటింగ్ విశ్వసనీయతను చూపించాయి (కోహెన్ యొక్క వెయిటెడ్ కప్పా = 0.79, 95% CI: 0.76-0.82), మరియు రేటర్‌లు 1 కంటే ఎక్కువ తేడా ఉన్న ఇమేజ్ పాయింట్‌లు లేవు (Fig. 2A)..సిగ్నల్ తీవ్రత మాన్యువల్ స్కోరింగ్‌తో గణనీయంగా సంబంధం కలిగి ఉంది (పియర్సన్ ఉత్పత్తి క్షణం సహసంబంధం = 0.58, 95% CI 0.51–0.65, p<0.001), అయితే చాలా చిత్రాలు అధిక సిగ్నల్ తీవ్రతను కలిగి ఉన్నప్పటికీ తక్కువ మాన్యువల్ స్కోరింగ్ (Fig. .2B) ఉన్నట్లు గుర్తించబడ్డాయి.
ResNet152 మరియు AlexNet ఆర్కిటెక్చర్‌ల శిక్షణ సమయంలో, ధ్రువీకరణ మరియు శిక్షణపై క్రాస్-ఎంట్రోపీ నష్టం 50 యుగాలకు పైగా తగ్గుతుంది (మూర్తి 3B,C).చివరి శిక్షణా యుగంలో అధిక నాణ్యత మరియు తక్కువ నాణ్యత వినియోగ సందర్భాలలో 90% కంటే ఎక్కువ ధృవీకరణ ఖచ్చితత్వం ఉంది.
తక్కువ మరియు అధిక నాణ్యత వినియోగ సందర్భాలలో (p <0.001) మెషిన్ నివేదించిన సిగ్నల్ పవర్‌ను ResNet152 మోడల్ గణనీయంగా అధిగమిస్తుందని రిసీవర్ పనితీరు వక్రతలు చూపిస్తున్నాయి.ResNet152 మోడల్ అలెక్స్ నెట్ ఆర్కిటెక్చర్‌ను కూడా గణనీయంగా అధిగమిస్తుంది (తక్కువ నాణ్యత మరియు అధిక నాణ్యత కేసులకు వరుసగా p = 0.005 మరియు p = 0.014).ఈ టాస్క్‌లలో ప్రతిదానికి ఫలిత నమూనాలు వరుసగా 0.99 మరియు 0.97 AUC విలువలను సాధించగలిగాయి, ఇది మెషిన్ సిగ్నల్ స్ట్రెంత్ ఇండెక్స్ కోసం సంబంధిత AUC విలువలు 0.82 మరియు 0.78 లేదా అలెక్స్‌నెట్ కోసం 0.97 మరియు 0.94 కంటే మెరుగ్గా ఉంటుంది. ..(Fig. 3).అధిక నాణ్యత గల చిత్రాలను గుర్తించేటప్పుడు సిగ్నల్ బలంలో ResNet మరియు AUC మధ్య వ్యత్యాసం ఎక్కువగా ఉంటుంది, ఈ పని కోసం ResNetని ఉపయోగించడం వల్ల కలిగే అదనపు ప్రయోజనాలను సూచిస్తుంది.
గ్రాఫ్‌లు ప్రతి స్వతంత్ర రేటర్ యొక్క స్కోర్ చేయగల సామర్థ్యాన్ని చూపుతాయి మరియు యంత్రం ద్వారా నివేదించబడిన సిగ్నల్ బలంతో పోల్చవచ్చు.(A) అంచనా వేయవలసిన పాయింట్ల మొత్తం మొత్తం పాయింట్ల సంఖ్యను అంచనా వేయడానికి ఉపయోగించబడుతుంది.మొత్తం స్కేలబిలిటీ స్కోర్ 4తో ఉన్న చిత్రాలకు అధిక నాణ్యత కేటాయించబడుతుంది, అయితే మొత్తం స్కేలబిలిటీ స్కోర్ 1 లేదా అంతకంటే తక్కువ ఉన్న చిత్రాలు తక్కువ నాణ్యతతో కేటాయించబడతాయి.(B) సిగ్నల్ ఇంటెన్సిటీ మాన్యువల్ అంచనాలతో సహసంబంధం కలిగి ఉంటుంది, అయితే అధిక సిగ్నల్ ఇంటెన్సిటీ ఉన్న ఇమేజ్‌లు తక్కువ నాణ్యతతో ఉండవచ్చు.ఎరుపు చుక్కల రేఖ సిగ్నల్ బలం (సిగ్నల్ బలం \(\ge\)6) ఆధారంగా తయారీదారు సిఫార్సు చేసిన నాణ్యత థ్రెషోల్డ్‌ని సూచిస్తుంది.
ResNet బదిలీ అభ్యాసం మెషిన్-రిపోర్ట్ సిగ్నల్ స్థాయిలతో పోలిస్తే తక్కువ నాణ్యత మరియు అధిక నాణ్యత వినియోగ సందర్భాలు రెండింటికీ చిత్ర నాణ్యత గుర్తింపులో గణనీయమైన మెరుగుదలను అందిస్తుంది.(A) ముందుగా శిక్షణ పొందిన (i) ResNet152 మరియు (ii) AlexNet ఆర్కిటెక్చర్‌ల యొక్క సరళీకృత నిర్మాణ రేఖాచిత్రాలు.(B) మెషిన్ రిపోర్ట్ సిగ్నల్ బలం మరియు AlexNet తక్కువ నాణ్యత ప్రమాణాలతో పోలిస్తే ResNet152 కోసం శిక్షణ చరిత్ర మరియు రిసీవర్ పనితీరు వక్రతలు.(C) ResNet152 రిసీవర్ శిక్షణ చరిత్ర మరియు మెషిన్ రిపోర్ట్ సిగ్నల్ బలం మరియు AlexNet అధిక నాణ్యత ప్రమాణాలతో పోలిస్తే పనితీరు వక్రతలు.
నిర్ణయ సరిహద్దు థ్రెషోల్డ్‌ని సర్దుబాటు చేసిన తర్వాత, ResNet152 మోడల్ యొక్క గరిష్ట అంచనా ఖచ్చితత్వం తక్కువ నాణ్యత కేసుకు 95.3% మరియు అధిక నాణ్యత విషయంలో 93.5% (టేబుల్ 2).AlexNet మోడల్ యొక్క గరిష్ట అంచనా ఖచ్చితత్వం తక్కువ నాణ్యత కేసు కోసం 91.0% మరియు అధిక నాణ్యత కేసు కోసం 90.1% (టేబుల్ 2).గరిష్ట సిగ్నల్ బలం అంచనా ఖచ్చితత్వం తక్కువ నాణ్యత వినియోగ కేసు కోసం 76.1% మరియు అధిక నాణ్యత వినియోగ కేసు కోసం 77.8%.కోహెన్ యొక్క కప్పా (\(\kappa\)) ప్రకారం, ResNet152 మోడల్ మరియు ఎస్టిమేటర్‌ల మధ్య ఒప్పందం తక్కువ నాణ్యత కేసుకు 0.90 మరియు అధిక నాణ్యత కేసుకు 0.81.కోహెన్ యొక్క AlexNet కప్పా తక్కువ నాణ్యత మరియు అధిక నాణ్యత వినియోగ సందర్భాలలో వరుసగా 0.82 మరియు 0.71.తక్కువ మరియు అధిక నాణ్యత వినియోగ సందర్భాలలో కోహెన్ యొక్క సిగ్నల్ బలం కప్పా వరుసగా 0.52 మరియు 0.27.
6 mm ఫ్లాట్ ప్లేట్ యొక్క 6\(\x\) చిత్రాలపై అధిక మరియు తక్కువ నాణ్యత గుర్తింపు నమూనాల ధ్రువీకరణ వివిధ ఇమేజింగ్ పారామితులలో చిత్ర నాణ్యతను నిర్ణయించే శిక్షణ పొందిన మోడల్ సామర్థ్యాన్ని ప్రదర్శిస్తుంది.ఇమేజింగ్ నాణ్యత కోసం 6\(\x\) 6 mm నిస్సార స్లాబ్‌లను ఉపయోగిస్తున్నప్పుడు, తక్కువ నాణ్యత గల మోడల్ AUC 0.83 (95% CI: 0.69–0.98) మరియు అధిక నాణ్యత గల మోడల్ 0.85 AUCని కలిగి ఉంది.(95% CI: 0.55–1.00) (టేబుల్ 2).
ఇన్‌పుట్ లేయర్ క్లాస్ యాక్టివేషన్ మ్యాప్‌ల యొక్క విజువల్ ఇన్‌స్పెక్షన్ అన్ని శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్‌లు ఇమేజ్ వర్గీకరణ సమయంలో ఇమేజ్ ఫీచర్‌లను ఉపయోగించినట్లు చూపించింది (Fig. 4A, B).8 \(\times \) 8 mm మరియు 6 \(\times \) 6 mm చిత్రాల కోసం, ResNet యాక్టివేషన్ ఇమేజ్‌లు రెటీనా వాస్కులేచర్‌ను దగ్గరగా అనుసరిస్తాయి.AlexNet యాక్టివేషన్ మ్యాప్‌లు కూడా రెటీనా నాళాలను అనుసరిస్తాయి, కానీ ముతక రిజల్యూషన్‌తో ఉంటాయి.
ResNet152 మరియు AlexNet మోడల్‌ల కోసం క్లాస్ యాక్టివేషన్ మ్యాప్‌లు ఇమేజ్ క్వాలిటీకి సంబంధించిన ఫీచర్‌లను హైలైట్ చేస్తాయి.(A) 8 \(\ సార్లు \) 8 mm ధ్రువీకరణ చిత్రాలపై మరియు (B) పరిధి చిన్న 6 \(\ సార్లు \) 6 mm ధ్రువీకరణ చిత్రాలపై ఉపరితల రెటీనా వాస్కులేచర్ తర్వాత పొందికైన క్రియాశీలతను చూపుతున్న క్లాస్ యాక్టివేషన్ మ్యాప్.తక్కువ నాణ్యత ప్రమాణాలపై శిక్షణ పొందిన LQ మోడల్, అధిక నాణ్యత ప్రమాణాలపై శిక్షణ పొందిన HQ మోడల్.
OCTA చిత్రాల యొక్క ఏదైనా పరిమాణాన్ని చిత్ర నాణ్యత బాగా ప్రభావితం చేస్తుందని గతంలో చూపబడింది.అదనంగా, రెటినోపతి ఉనికిని చిత్ర కళాఖండాల సంభవం పెంచుతుంది7,26.వాస్తవానికి, మా డేటాలో, మునుపటి అధ్యయనాలకు అనుగుణంగా, పెరుగుతున్న వయస్సు మరియు రెటీనా వ్యాధి తీవ్రత మరియు ఇమేజ్ నాణ్యతలో క్షీణత మధ్య ముఖ్యమైన అనుబంధాన్ని మేము కనుగొన్నాము (వరుసగా వయస్సు మరియు DR స్థితికి p <0.001, p = 0.017; టేబుల్ 1) 27 కాబట్టి, OCTA ఇమేజ్‌ల యొక్క ఏదైనా పరిమాణాత్మక విశ్లేషణ చేసే ముందు చిత్ర నాణ్యతను అంచనా వేయడం చాలా ముఖ్యం.OCTA చిత్రాలను విశ్లేషించే చాలా అధ్యయనాలు తక్కువ నాణ్యత గల చిత్రాలను తోసిపుచ్చడానికి మెషిన్-రిపోర్ట్ సిగ్నల్ ఇంటెన్సిటీ థ్రెషోల్డ్‌లను ఉపయోగిస్తాయి.సిగ్నల్ తీవ్రత OCTA పారామితుల పరిమాణాన్ని ప్రభావితం చేస్తుందని చూపినప్పటికీ, చిత్ర కళాఖండాలు2,3,28,29తో చిత్రాలను తోసిపుచ్చడానికి అధిక సిగ్నల్ తీవ్రత మాత్రమే సరిపోదు.అందువల్ల, చిత్ర నాణ్యత నియంత్రణ యొక్క మరింత విశ్వసనీయ పద్ధతిని అభివృద్ధి చేయడం అవసరం.ఈ క్రమంలో, మేము మెషీన్ ద్వారా నివేదించబడిన సిగ్నల్ స్ట్రెంగ్త్‌కు వ్యతిరేకంగా పర్యవేక్షించబడే లోతైన అభ్యాస పద్ధతుల పనితీరును మూల్యాంకనం చేస్తాము.
మేము చిత్ర నాణ్యతను మూల్యాంకనం చేయడానికి అనేక నమూనాలను అభివృద్ధి చేసాము ఎందుకంటే వివిధ OCTA వినియోగ సందర్భాలలో విభిన్న చిత్ర నాణ్యత అవసరాలు ఉండవచ్చు.ఉదాహరణకు, చిత్రాలు అధిక నాణ్యతతో ఉండాలి.అదనంగా, ఆసక్తి యొక్క నిర్దిష్ట పరిమాణాత్మక పారామితులు కూడా ముఖ్యమైనవి.ఉదాహరణకు, ఫోవల్ అవాస్కులర్ జోన్ యొక్క ప్రాంతం నాన్-సెంట్రల్ మీడియం యొక్క టర్బిడిటీపై ఆధారపడి ఉండదు, కానీ నాళాల సాంద్రతను ప్రభావితం చేస్తుంది.మా పరిశోధన చిత్రం నాణ్యతకు సంబంధించిన సాధారణ విధానంపై దృష్టి సారించడం కొనసాగిస్తున్నప్పటికీ, ఏదైనా నిర్దిష్ట పరీక్ష యొక్క అవసరాలతో ముడిపడి ఉండదు, కానీ మెషీన్ ద్వారా నివేదించబడిన సిగ్నల్ స్ట్రెంగ్త్‌ను నేరుగా భర్తీ చేయడానికి ఉద్దేశించబడింది, వినియోగదారులకు మరింత నియంత్రణను అందించాలని మేము ఆశిస్తున్నాము. వినియోగదారుకు ఆసక్తి ఉన్న నిర్దిష్ట మెట్రిక్‌ను ఎంచుకోవచ్చు.ఆమోదయోగ్యమైన చిత్ర కళాఖండాల గరిష్ట స్థాయికి అనుగుణంగా ఉండే మోడల్‌ను ఎంచుకోండి.
తక్కువ-నాణ్యత మరియు అధిక-నాణ్యత దృశ్యాల కోసం, మేము వరుసగా 0.97 మరియు 0.99 AUCలు మరియు తక్కువ-నాణ్యత మోడల్‌లతో కనెక్షన్-తప్పిపోయిన లోతైన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌ల అద్భుతమైన పనితీరును చూపుతాము.యంత్రాల ద్వారా మాత్రమే నివేదించబడిన సిగ్నల్ స్థాయిలతో పోల్చినప్పుడు మేము మా లోతైన అభ్యాస విధానం యొక్క అత్యుత్తమ పనితీరును కూడా ప్రదర్శిస్తాము.స్కిప్ కనెక్షన్‌లు నాడీ నెట్‌వర్క్‌లను అనేక స్థాయిల వివరాలలో లక్షణాలను తెలుసుకోవడానికి అనుమతిస్తాయి, చిత్రాల యొక్క సూక్ష్మమైన అంశాలను (ఉదా కాంట్రాస్ట్) అలాగే సాధారణ లక్షణాలను (ఉదా. చిత్రం కేంద్రీకరించడం30,31) సంగ్రహిస్తుంది.చిత్ర నాణ్యతను ప్రభావితం చేసే చిత్ర కళాఖండాలు బహుశా విస్తృత పరిధిలో ఉత్తమంగా గుర్తించబడతాయి కాబట్టి, తప్పిపోయిన కనెక్షన్‌లతో కూడిన న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్‌లు ఇమేజ్ నాణ్యత నిర్ధారణ పనులు లేని వాటి కంటే మెరుగైన పనితీరును ప్రదర్శిస్తాయి.
6\(\×6mm) OCTA చిత్రాలపై మా మోడల్‌ను పరీక్షిస్తున్నప్పుడు, వర్గీకరణ కోసం శిక్షణ పొందిన మోడల్ పరిమాణానికి భిన్నంగా, అధిక నాణ్యత మరియు తక్కువ నాణ్యత గల మోడల్‌లు (Fig. 2) రెండింటికీ వర్గీకరణ పనితీరు తగ్గడాన్ని మేము గమనించాము.ResNet మోడల్‌తో పోలిస్తే, AlexNet మోడల్ పెద్ద ఫాల్‌ఆఫ్‌ను కలిగి ఉంది.ResNet యొక్క సాపేక్షంగా మెరుగైన పనితీరు బహుళ ప్రమాణాల వద్ద సమాచారాన్ని ప్రసారం చేసే అవశేష కనెక్షన్‌ల సామర్థ్యం వల్ల కావచ్చు, ఇది విభిన్న ప్రమాణాలు మరియు/లేదా మాగ్నిఫికేషన్‌లలో సంగ్రహించబడిన చిత్రాలను వర్గీకరించడానికి మోడల్‌ను మరింత పటిష్టంగా చేస్తుంది.
8 \(\×\) 8 mm ఇమేజ్‌లు మరియు 6 \(\×\) 6 mm చిత్రాల మధ్య కొన్ని వ్యత్యాసాలు పేలవమైన వర్గీకరణకు దారితీస్తాయి, వీటిలో ఫోవల్ అవాస్కులర్ ప్రాంతాలు, దృశ్యమానతలో మార్పులు, వాస్కులర్ ఆర్కేడ్‌లు మరియు చిత్రం 6×6 మిమీపై ఆప్టిక్ నరం లేదు.అయినప్పటికీ, మా అధిక నాణ్యత గల ResNet మోడల్ 6 \(\x\) 6 mm చిత్రాలకు 85% AUCని సాధించగలిగింది, మోడల్ శిక్షణ పొందని కాన్ఫిగరేషన్, చిత్ర నాణ్యత సమాచారం నాడీ నెట్‌వర్క్‌లో ఎన్‌కోడ్ చేయబడిందని సూచిస్తుంది. అనుకూలంగా ఉంటుంది.దాని శిక్షణ వెలుపల ఒక చిత్ర పరిమాణం లేదా యంత్ర కాన్ఫిగరేషన్ కోసం (టేబుల్ 2).భరోసాగా, ResNet- మరియు AlexNet లాంటి యాక్టివేషన్ మ్యాప్‌లు 8 \(\times \) 8 mm మరియు 6 \(\times \) 6 mm చిత్రాలు రెండు సందర్భాల్లోనూ రెటీనా నాళాలను హైలైట్ చేయగలిగాయి, మోడల్‌లో ముఖ్యమైన సమాచారం ఉందని సూచిస్తుంది.రెండు రకాల OCTA చిత్రాలను వర్గీకరించడానికి వర్తిస్తాయి (Fig. 4).
లాయర్మాన్ మరియు ఇతరులు.OCTA చిత్రాలపై చిత్ర నాణ్యత అంచనా అదే విధంగా ఇన్‌సెప్షన్ ఆర్కిటెక్చర్, మరొక స్కిప్-కనెక్షన్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ 6,32 ఉపయోగించి డీప్ లెర్నింగ్ టెక్నిక్‌లను ఉపయోగించి నిర్వహించబడింది.వారు అధ్యయనాన్ని మిడిమిడి కేశనాళిక ప్లెక్సస్ చిత్రాలకు పరిమితం చేశారు, అయితే Optovue AngioVue నుండి చిన్న 3×3 mm చిత్రాలను మాత్రమే ఉపయోగిస్తున్నారు, అయినప్పటికీ వివిధ కోరియోరెటినల్ వ్యాధులతో బాధపడుతున్న రోగులు కూడా చేర్చబడ్డారు.వివిధ చిత్ర నాణ్యత థ్రెషోల్డ్‌లను పరిష్కరించడానికి మరియు విభిన్న పరిమాణాల చిత్రాల కోసం ఫలితాలను ధృవీకరించడానికి బహుళ నమూనాలతో సహా మా పని వారి పునాదులపై ఆధారపడి ఉంటుంది.మేము మెషిన్ లెర్నింగ్ మోడల్‌ల AUC మెట్రిక్‌ను కూడా నివేదిస్తాము మరియు తక్కువ నాణ్యత (96%) మరియు అధిక నాణ్యత (95.7%) మోడల్‌లు రెండింటికీ ఇప్పటికే ఆకట్టుకునే ఖచ్చితత్వాన్ని (90%)6 పెంచుతాము.
ఈ శిక్షణకు అనేక పరిమితులు ఉన్నాయి.మొదట, చిత్రాలు కేవలం ఒక OCTA మెషీన్‌తో పొందబడ్డాయి, 8\(\times\)8 mm మరియు 6\(\times\)6 mm వద్ద ఉపరితల కేశనాళిక ప్లెక్సస్ యొక్క చిత్రాలు మాత్రమే ఉన్నాయి.లోతైన లేయర్‌ల నుండి చిత్రాలను మినహాయించడానికి గల కారణం ఏమిటంటే, ప్రొజెక్షన్ కళాఖండాలు చిత్రాల మాన్యువల్ మూల్యాంకనాన్ని మరింత కష్టతరం చేయగలవు మరియు తక్కువ స్థిరంగా ఉంటాయి.ఇంకా, డయాబెటిక్ రోగులలో మాత్రమే చిత్రాలు పొందబడ్డాయి, వీరి కోసం OCTA ఒక ముఖ్యమైన రోగనిర్ధారణ మరియు రోగనిర్ధారణ సాధనంగా అభివృద్ధి చెందుతోంది33,34.ఫలితాలు బలంగా ఉన్నాయని నిర్ధారించుకోవడానికి మేము మా మోడల్‌ని వేర్వేరు పరిమాణాల చిత్రాలపై పరీక్షించగలిగినప్పటికీ, మేము వివిధ కేంద్రాల నుండి తగిన డేటాసెట్‌లను గుర్తించలేకపోయాము, ఇది మోడల్ యొక్క సాధారణీకరణపై మా అంచనాను పరిమితం చేసింది.చిత్రాలు ఒకే కేంద్రం నుండి పొందబడినప్పటికీ, అవి వివిధ జాతి మరియు జాతి నేపథ్యాల రోగుల నుండి పొందబడ్డాయి, ఇది మా అధ్యయనం యొక్క ప్రత్యేక బలం.మా శిక్షణ ప్రక్రియలో వైవిధ్యాన్ని చేర్చడం ద్వారా, మా ఫలితాలు విస్తృత కోణంలో సాధారణీకరించబడతాయని మరియు మేము శిక్షణ ఇచ్చే మోడల్‌లలో జాతి పక్షపాతాన్ని ఎన్‌కోడ్ చేయడాన్ని నివారిస్తామని మేము ఆశిస్తున్నాము.
OCTA చిత్ర నాణ్యతను నిర్ణయించడంలో అధిక పనితీరును సాధించడానికి కనెక్షన్-స్కిప్పింగ్ న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వవచ్చని మా అధ్యయనం చూపిస్తుంది.తదుపరి పరిశోధన కోసం మేము ఈ నమూనాలను సాధనాలుగా అందిస్తాము.వేర్వేరు కొలమానాలు వేర్వేరు చిత్ర నాణ్యత అవసరాలను కలిగి ఉండవచ్చు కాబట్టి, ఇక్కడ ఏర్పాటు చేసిన నిర్మాణాన్ని ఉపయోగించి ప్రతి మెట్రిక్‌కు వ్యక్తిగత నాణ్యత నియంత్రణ నమూనాను అభివృద్ధి చేయవచ్చు.
OCTA ప్లాట్‌ఫారమ్‌లు మరియు ఇమేజింగ్ ప్రోటోకాల్‌లకు సాధారణీకరించబడే లోతైన అభ్యాస చిత్ర నాణ్యత మూల్యాంకన ప్రక్రియను పొందేందుకు భవిష్యత్ పరిశోధనలో విభిన్న లోతుల నుండి వివిధ పరిమాణాల చిత్రాలను మరియు విభిన్న OCTA యంత్రాలు ఉండాలి.ప్రస్తుత పరిశోధన మానవ మూల్యాంకనం మరియు ఇమేజ్ మూల్యాంకనం అవసరమయ్యే పర్యవేక్షించబడే లోతైన అభ్యాస విధానాలపై కూడా ఆధారపడి ఉంటుంది, ఇది పెద్ద డేటాసెట్‌ల కోసం శ్రమతో కూడుకున్నది మరియు సమయం తీసుకుంటుంది.పర్యవేక్షించబడని లోతైన అభ్యాస పద్ధతులు తక్కువ నాణ్యత గల చిత్రాలు మరియు అధిక నాణ్యత గల చిత్రాల మధ్య తగినంతగా తేడాను గుర్తించగలవో లేదో చూడాలి.
OCTA సాంకేతికత అభివృద్ధి చెందడం మరియు స్కానింగ్ వేగం పెరగడం వలన, చిత్ర కళాఖండాలు మరియు నాణ్యత లేని చిత్రాల సంభవం తగ్గవచ్చు.సాఫ్ట్‌వేర్‌లో ఇటీవల ప్రవేశపెట్టిన ప్రొజెక్షన్ ఆర్టిఫ్యాక్ట్ రిమూవల్ ఫీచర్ వంటి మెరుగుదలలు కూడా ఈ పరిమితులను తగ్గించగలవు.అయినప్పటికీ, పేలవమైన స్థిరీకరణ లేదా ముఖ్యమైన మీడియా టర్బిడిటీ ఉన్న రోగుల ఇమేజింగ్‌గా అనేక సమస్యలు మిగిలి ఉన్నాయి, అవి ఇమేజ్ కళాఖండాలకు దారితీస్తాయి.OCTA క్లినికల్ ట్రయల్స్‌లో విస్తృతంగా ఉపయోగించబడుతున్నందున, ఇమేజ్ విశ్లేషణ కోసం ఆమోదయోగ్యమైన ఇమేజ్ ఆర్టిఫ్యాక్ట్ స్థాయిల కోసం స్పష్టమైన మార్గదర్శకాలను ఏర్పాటు చేయడానికి జాగ్రత్తగా పరిశీలించాల్సిన అవసరం ఉంది.OCTA చిత్రాలకు లోతైన అభ్యాస పద్ధతుల యొక్క అప్లికేషన్ గొప్ప వాగ్దానాన్ని కలిగి ఉంది మరియు చిత్ర నాణ్యత నియంత్రణకు బలమైన విధానాన్ని అభివృద్ధి చేయడానికి ఈ ప్రాంతంలో మరింత పరిశోధన అవసరం.
ప్రస్తుత పరిశోధనలో ఉపయోగించిన కోడ్ octa-qc రిపోజిటరీ, https://github.com/rahuldhodapkar/octa-qcలో అందుబాటులో ఉంది.ప్రస్తుత అధ్యయనం సమయంలో రూపొందించబడిన మరియు/లేదా విశ్లేషించబడిన డేటాసెట్‌లు సహేతుకమైన అభ్యర్థనపై సంబంధిత రచయితల నుండి అందుబాటులో ఉంటాయి.
ఆప్టికల్ కోహెరెన్స్ యాంజియోగ్రఫీలో స్పైడ్, RF, ఫుజిమోటో, JG & వహీద్, NK ఇమేజ్ కళాఖండాలు.రెటీనా 35, 2163–2180 (2015).
ఫెన్నర్, BJ మరియు ఇతరులు.OCT యాంజియోగ్రఫీలో రెటీనా క్యాపిల్లరీ ప్లెక్సస్ సాంద్రత కొలతల నాణ్యత మరియు పునరుత్పత్తిని నిర్ణయించే ఇమేజింగ్ లక్షణాల గుర్తింపు.BR.J. ఆప్తాల్మోల్.102, 509–514 (2018).
లౌర్మాన్, JL మరియు ఇతరులు.వయస్సు-సంబంధిత మచ్చల క్షీణతలో OCT యాంజియోగ్రఫీ యొక్క చిత్ర నాణ్యతపై కంటి-ట్రాకింగ్ సాంకేతికత ప్రభావం.సమాధి వంపు.వైద్యసంబంధమైన.గడువునేత్ర వైద్యం.255, 1535–1542 (2017).
బేబియుచ్ AS మరియు ఇతరులు.మాక్యులార్ ఇస్కీమియాను గుర్తించడానికి మరియు మూల్యాంకనం చేయడానికి OCTA కేశనాళిక పెర్ఫ్యూజన్ సాంద్రత కొలతలు ఉపయోగించబడతాయి.కంటి శస్త్రచికిత్స.రెటీనా లేజర్ ఇమేజింగ్ 51, S30–S36 (2020).
హి, కె., జాంగ్, ఎక్స్., రెన్, ఎస్., మరియు సన్, జె. డీప్ రెసిడ్యువల్ లెర్నింగ్ ఫర్ ఇమేజ్ రికగ్నిషన్.2016లో IEEE కాన్ఫరెన్స్ ఆన్ కంప్యూటర్ విజన్ అండ్ ప్యాటర్న్ రికగ్నిషన్ (2016).
లౌర్మాన్, JL మరియు ఇతరులు.డీప్ లెర్నింగ్ అల్గారిథమ్‌లను ఉపయోగించి ఆటోమేటెడ్ OCT యాంజియోగ్రాఫిక్ ఇమేజ్ క్వాలిటీ అసెస్‌మెంట్.సమాధి వంపు.వైద్యసంబంధమైన.గడువునేత్ర వైద్యం.257, 1641–1648 (2019).
లాయర్మాన్, J. మరియు ఇతరులు.OCT యాంజియోగ్రఫీలో విభజన లోపాలు మరియు చలన కళాఖండాల ప్రాబల్యం రెటీనా వ్యాధిపై ఆధారపడి ఉంటుంది.సమాధి వంపు.వైద్యసంబంధమైన.గడువునేత్ర వైద్యం.256, 1807–1816 (2018).
పాస్క్, ఆడమ్ మరియు ఇతరులు.పైటార్చ్: అత్యవసరమైన, అధిక-పనితీరు గల డీప్ లెర్నింగ్ లైబ్రరీ.నాడీ సమాచారం యొక్క అధునాతన ప్రాసెసింగ్.వ్యవస్థ.32, 8026–8037 (2019).
డెంగ్, J. మరియు ఇతరులు.ఇమేజ్ నెట్: ఒక పెద్ద-స్థాయి క్రమానుగత చిత్ర డేటాబేస్.2009 IEEE కాన్ఫరెన్స్ ఆన్ కంప్యూటర్ విజన్ మరియు ప్యాటర్న్ రికగ్నిషన్.248–255.(2009)
క్రిజెవ్స్కీ A., సుట్జ్‌కేవర్ I. మరియు హింటన్ GE ఇమేజెనెట్ వర్గీకరణ లోతైన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగిస్తుంది.నాడీ సమాచారం యొక్క అధునాతన ప్రాసెసింగ్.వ్యవస్థ.25, 1 (2012).


పోస్ట్ సమయం: మే-30-2023
  • wechat
  • wechat