Vă mulțumim că ați vizitat Nature.com.Utilizați o versiune de browser cu suport limitat pentru CSS.Pentru cea mai bună experiență, vă recomandăm să utilizați un browser actualizat (sau să dezactivați Modul de compatibilitate în Internet Explorer).În plus, pentru a asigura suport continuu, arătăm site-ul fără stiluri și JavaScript.
Glisoare care arată trei articole pe diapozitiv.Utilizați butoanele înapoi și următorul pentru a vă deplasa prin diapozitive sau butoanele controlerului de diapozitive de la sfârșit pentru a vă deplasa prin fiecare diapozitiv.
Angiografia tomografică cu coerență optică (OCTA) este o nouă metodă de vizualizare neinvazivă a vaselor retiniene.Deși OCTA are multe aplicații clinice promițătoare, determinarea calității imaginii rămâne o provocare.Am dezvoltat un sistem bazat pe învățarea profundă folosind clasificatorul de rețea neuronală ResNet152 preantrenat cu ImageNet pentru a clasifica imaginile plexului capilar superficial din 347 de scanări a 134 de pacienți.Imaginile au fost, de asemenea, evaluate manual ca fiind adevărate de către doi evaluatori independenți pentru un model de învățare supravegheată.Deoarece cerințele de calitate a imaginii pot varia în funcție de setările clinice sau de cercetare, au fost instruite două modele, unul pentru recunoașterea imaginii de înaltă calitate și celălalt pentru recunoașterea imaginilor de calitate scăzută.Modelul nostru de rețea neuronală arată o zonă excelentă sub curbă (AUC), 95% CI 0,96-0,99, \(\kappa\) = 0,81), care este semnificativ mai bună decât nivelul semnalului raportat de aparat (AUC = 0,82, 95). % CI).0,77–0,86, \(\kappa\) = 0,52 și AUC = 0,78, 95% CI 0,73–0,83, respectiv \(\kappa\) = 0,27).Studiul nostru demonstrează că metodele de învățare automată pot fi utilizate pentru a dezvolta metode flexibile și robuste de control al calității pentru imaginile OCTA.
Angiografia tomografică cu coerență optică (OCTA) este o tehnică relativ nouă bazată pe tomografia cu coerență optică (OCT) care poate fi utilizată pentru vizualizarea neinvazivă a microvasculaturii retiniene.OCTA măsoară diferența de modele de reflexie de la pulsurile de lumină repetate în aceeași zonă a retinei, iar reconstrucțiile pot fi apoi calculate pentru a dezvălui vasele de sânge fără utilizarea invazivă a coloranților sau a altor agenți de contrast.OCTA permite, de asemenea, imagistica vasculară cu rezoluție în profunzime, permițând clinicienilor să examineze separat straturile vasculare superficiale și profunde, ajutând la diferențierea dintre bolile corioretiniene.
Deși această tehnică este promițătoare, variația calității imaginii rămâne o provocare majoră pentru analiza fiabilă a imaginii, făcând dificilă interpretarea imaginii și împiedicând adoptarea clinică pe scară largă.Deoarece OCTA utilizează mai multe scanări OCT consecutive, este mai sensibil la artefactele de imagine decât OCT standard.Cele mai multe platforme comerciale OCTA oferă propria lor măsurătoare de calitate a imaginii numită Puterea semnalului (SS) sau, uneori, Indice de putere a semnalului (SSI).Cu toate acestea, imaginile cu o valoare mare SS sau SSI nu garantează absența artefactelor de imagine, care pot afecta orice analiză ulterioară a imaginii și pot duce la decizii clinice incorecte.Artefactele de imagine obișnuite care pot apărea în imagistica OCTA includ artefacte de mișcare, artefacte de segmentare, artefacte de opacitate media și artefacte de proiecție1,2,3.
Deoarece măsurile derivate din OCTA, cum ar fi densitatea vasculară, sunt din ce în ce mai utilizate în cercetarea translațională, studiile clinice și practica clinică, există o nevoie urgentă de a dezvolta procese robuste și fiabile de control al calității imaginii pentru a elimina artefactele de imagine4.Conexiunile ignorate, cunoscute și ca conexiuni reziduale, sunt proiecții în arhitectura rețelei neuronale care permit informațiilor să ocolească straturile convoluționale în timp ce stochează informații la diferite scări sau rezoluții5.Deoarece artefactele de imagine pot afecta performanța imaginilor la scară mică și generală la scară mare, rețelele neuronale de ignorare a conexiunii sunt potrivite pentru a automatiza această sarcină de control al calității5.Lucrările publicate recent au arătat o anumită promisiune pentru rețelele neuronale convoluționale profunde antrenate folosind date de înaltă calitate de la estimatori umani6.
În acest studiu, antrenăm o rețea neuronală convoluțională care săriască conexiunea pentru a determina automat calitatea imaginilor OCTA.Ne bazăm pe munca anterioară prin dezvoltarea modelelor separate pentru identificarea imaginilor de înaltă calitate și a imaginilor de calitate scăzută, deoarece cerințele de calitate a imaginii pot diferi pentru scenarii clinice sau de cercetare specifice.Comparăm rezultatele acestor rețele cu rețele neuronale convoluționale fără conexiuni lipsă pentru a evalua valoarea includerii caracteristicilor la mai multe niveluri de granularitate în cadrul învățării profunde.Apoi am comparat rezultatele noastre cu puterea semnalului, o măsură acceptată în mod obișnuit a calității imaginii furnizată de producători.
Studiul nostru a inclus pacienți cu diabet care au participat la Yale Eye Center între 11 august 2017 și 11 aprilie 2019. Pacienții cu orice boală corioretiniană non-diabetică au fost excluși.Nu au existat criterii de includere sau excludere bazate pe vârstă, sex, rasă, calitate a imaginii sau orice alt factor.
Imaginile OCTA au fost achiziționate folosind platforma AngioPlex pe un Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) sub protocoale de imagistică de 8\(\times\)8 mm și 6\(\times\)6 mm.Consimțământul informat pentru participarea la studiu a fost obținut de la fiecare participant la studiu, iar Consiliul de revizuire instituțional al Universității Yale (IRB) a aprobat utilizarea consimțământului informat cu fotografia globală pentru toți acești pacienți.Urmând principiile Declarației de la Helsinki.Studiul a fost aprobat de Universitatea Yale IRB.
Imaginile plăcilor de suprafață au fost evaluate pe baza scorului de artefact de mișcare (MAS) descris anterior, scorul artefactului de segmentare (SAS) descris anterior, centrul foveal, prezența opacității mediilor și vizualizarea bună a capilarelor mici așa cum este determinat de evaluatorul de imagine.Imaginile au fost analizate de doi evaluatori independenți (RD și JW).O imagine are un scor de 2 (eligibilă) dacă sunt îndeplinite toate următoarele criterii: imaginea este centrată la fovea (la mai puțin de 100 de pixeli de centrul imaginii), MAS este 1 sau 2, SAS este 1 și opacitatea suportului este mai mică de 1. Prezentă pe imagini de dimensiune / 16, iar capilarele mici sunt văzute în imaginile mai mari de 15/16.O imagine este evaluată 0 (fără evaluare) dacă este îndeplinit oricare dintre următoarele criterii: imaginea este decentrată, dacă MAS este 4, dacă SAS este 2 sau opacitatea medie este mai mare de 1/4 din imagine și capilarele mici nu pot fi reglate mai mult de 1 imagine /4 pentru a distinge.Toate celelalte imagini care nu îndeplinesc criteriile de punctare 0 sau 2 sunt notate ca 1 (decupare).
Pe fig.1 prezintă imagini eșantion pentru fiecare dintre estimările scalate și artefactele de imagine.Fiabilitatea între evaluatori a scorurilor individuale a fost evaluată prin ponderarea kappa a lui Cohen8.Scorurile individuale ale fiecărui evaluator sunt însumate pentru a obține un scor general pentru fiecare imagine, variind de la 0 la 4. Imaginile cu un scor total de 4 sunt considerate bune.Imaginile cu un scor total de 0 sau 1 sunt considerate de calitate scăzută.
O rețea neuronală convoluțională cu arhitectură ResNet152 (Fig. 3A.i) pre-antrenată pe imagini din baza de date ImageNet a fost generată folosind fast.ai și framework-ul PyTorch5, 9, 10, 11. O rețea neuronală convoluțională este o rețea care utilizează rețeaua învățată. filtre pentru scanarea fragmentelor de imagine pentru a studia caracteristicile spațiale și locale.ResNetul nostru instruit este o rețea neuronală cu 152 de straturi, caracterizată prin goluri sau „conexiuni reziduale” care transmit simultan informații cu rezoluții multiple.Proiectând informații la diferite rezoluții prin rețea, platforma poate învăța caracteristicile imaginilor de calitate scăzută la mai multe niveluri de detaliu.Pe lângă modelul nostru ResNet, am antrenat și AlexNet, o arhitectură de rețea neuronală bine studiată, fără a lipsi conexiunile pentru comparație (Figura 3A.ii)12.Fără conexiuni lipsă, această rețea nu va putea capta funcții la o granularitate mai mare.
Setul original de imagini OCTA13 de 8\(\times\)8mm a fost îmbunătățit folosind tehnici de reflexie orizontală și verticală.Setul de date complet a fost apoi împărțit aleatoriu la nivel de imagine în seturi de date de antrenament (51,2%), testare (12,8%), reglare hiperparametrică (16%) și validare (20%) folosind setul de instrumente scikit-learn python14.Au fost luate în considerare două cazuri, unul bazat pe detectarea doar a imaginilor de cea mai bună calitate (scor general 4) și celălalt bazat pe detectarea doar a imaginilor de cea mai scăzută calitate (scor general 0 sau 1).Pentru fiecare caz de utilizare de înaltă calitate și de calitate scăzută, rețeaua neuronală este reantrenată o dată pe datele noastre de imagine.În fiecare caz de utilizare, rețeaua neuronală a fost antrenată pentru 10 epoci, toate greutățile stratului, cu excepția celor mai mari, au fost înghețate, iar greutățile tuturor parametrilor interni au fost învățate pentru 40 de epoci folosind o metodă discriminativă a ratei de învățare cu o funcție de pierdere a entropiei încrucișate 15, 16..Funcția de pierdere a entropiei încrucișate este o măsură a scării logaritmice a discrepanței dintre etichetele de rețea prezise și datele reale.În timpul antrenamentului, coborârea în gradient este efectuată pe parametrii interni ai rețelei neuronale pentru a minimiza pierderile.Rata de învățare, rata de abandon și hiperparametrii de reducere a greutății au fost reglați utilizând optimizarea Bayesiană cu 2 puncte de pornire aleatoare și 10 iterații, iar AUC-ul de pe setul de date a fost reglat folosind hiperparametrii ca țintă de 17.
Exemple reprezentative de imagini OCTA de 8 × 8 mm ale plexurilor capilare superficiale au notat 2 (A, B), 1 (C, D) și 0 (E, F).Artefactele de imagine afișate includ linii pâlpâitoare (săgeți), artefacte de segmentare (asteriscuri) și opacitatea media (săgeți).Imaginea (E) este, de asemenea, decentrată.
Curbele caracteristicilor de operare a receptorului (ROC) sunt apoi generate pentru toate modelele de rețele neuronale, iar rapoartele de putere a semnalului motorului sunt generate pentru fiecare caz de utilizare de calitate scăzută și de înaltă calitate.Aria de sub curbă (AUC) a fost calculată utilizând pachetul pROC R, iar intervalele de încredere de 95% și valorile p au fost calculate folosind metoda DeLong18,19.Scorurile cumulate ale evaluatorilor umani sunt utilizate ca bază pentru toate calculele ROC.Pentru puterea semnalului raportată de aparat, AUC a fost calculată de două ori: o dată pentru limitarea scorului de scalabilitate de înaltă calitate și o dată pentru limitarea scorului de scalabilitate de calitate scăzută.Rețeaua neuronală este comparată cu puterea semnalului AUC, reflectând propriile condiții de antrenament și evaluare.
Pentru a testa în continuare modelul de învățare profundă antrenat pe un set de date separat, modelele de înaltă calitate și de calitate scăzută au fost aplicate direct la evaluarea performanței a 32 de imagini cu suprafață de 6\(\times\) 6mm colectate de la Universitatea Yale.Masa ochilor este centrată în același timp cu imaginea 8 \(\times \) 8 mm.Imaginile de 6\(\×\) 6 mm au fost evaluate manual de aceiași evaluatori (RD și JW) în același mod ca și imaginile de 8\(\×\) 8 mm, AUC a fost calculată, precum și acuratețea și kappa lui Cohen. .in aceeasi masura .
Raportul de dezechilibru al clasei este 158:189 (\(\rho = 1,19\)) pentru modelul de calitate scăzută și 80:267 (\(\rho = 3,3\)) pentru modelul de înaltă calitate.Deoarece raportul de dezechilibru de clasă este mai mic de 1:4, nu au fost făcute modificări arhitecturale specifice pentru a corecta dezechilibrul de clasă20,21.
Pentru a vizualiza mai bine procesul de învățare, au fost generate hărți de activare a clasei pentru toate cele patru modele de deep learning instruite: model ResNet152 de înaltă calitate, model ResNet152 de calitate scăzută, model AlexNet de înaltă calitate și model AlexNet de calitate scăzută.Hărțile de activare a clasei sunt generate din straturile convoluționale de intrare ale acestor patru modele, iar hărțile termice sunt generate prin suprapunerea hărților de activare cu imagini sursă din seturile de validare de 8 × 8 mm și 6 × 6 mm22, 23.
R versiunea 4.0.3 a fost folosită pentru toate calculele statistice, iar vizualizările au fost create utilizând biblioteca de instrumente grafice ggplot2.
Am colectat 347 de imagini frontale ale plexului capilar superficial care măsoară 8 \(\times \)8 mm de la 134 de persoane.Aparatul a raportat puterea semnalului pe o scară de la 0 la 10 pentru toate imaginile (medie = 6,99 ± 2,29).Din cele 347 de imagini obținute, vârsta medie la examinare a fost de 58,7 ± 14,6 ani, iar 39,2% au fost de la pacienți de sex masculin.Dintre toate imaginile, 30,8% proveneau de la caucazieni, 32,6% de la negri, 30,8% de la hispanici, 4% de la asiatici și 1,7% de la alte rase (Tabelul 1).).Distribuția de vârstă a pacienților cu OCTA a diferit semnificativ în funcție de calitatea imaginii (p < 0,001).Procentul de imagini de înaltă calitate la pacienții mai tineri cu vârsta cuprinsă între 18-45 de ani a fost de 33,8%, comparativ cu 12,2% din imaginile de calitate scăzută (Tabelul 1).Distribuția statutului de retinopatie diabetică a variat, de asemenea, semnificativ în calitatea imaginii (p < 0,017).Dintre toate imaginile de înaltă calitate, procentul de pacienți cu PDR a fost de 18,8%, comparativ cu 38,8% din toate imaginile de calitate scăzută (Tabelul 1).
Evaluările individuale ale tuturor imaginilor au arătat o fiabilitate inter-evaluare moderată până la puternică între persoanele care citesc imaginile (kappa ponderat Cohen = 0,79, IC 95%: 0,76-0,82) și nu au existat puncte de imagine în care evaluatorii diferă cu mai mult de 1 (Fig. 2A)..Intensitatea semnalului s-a corelat semnificativ cu scorul manual (corelația momentului produs Pearson = 0,58, 95% CI 0,51–0,65, p<0,001), dar multe imagini au fost identificate ca având intensitate mare a semnalului, dar scor manual scăzut (Fig. 2B).
În timpul antrenamentului arhitecturilor ResNet152 și AlexNet, pierderea de entropie încrucișată la validare și antrenament scade peste 50 de epoci (Figura 3B, C).Precizia validării în epoca finală de antrenament este de peste 90% atât pentru cazurile de utilizare de înaltă calitate, cât și pentru cele de calitate scăzută.
Curbele de performanță ale receptorului arată că modelul ResNet152 depășește semnificativ puterea semnalului raportată de mașină atât în ​​cazuri de utilizare de calitate scăzută, cât și de înaltă calitate (p < 0,001).De asemenea, modelul ResNet152 depășește semnificativ arhitectura AlexNet (p = 0,005 și p = 0,014 pentru cazuri de calitate scăzută și, respectiv, de înaltă calitate).Modelele rezultate pentru fiecare dintre aceste sarcini au reușit să atingă valori AUC de 0,99 și, respectiv, 0,97, ceea ce este semnificativ mai bun decât valorile AUC corespunzătoare de 0,82 și 0,78 pentru indicele de putere a semnalului mașinii sau 0,97 și 0,94 pentru AlexNet. ..(Fig. 3).Diferența dintre ResNet și AUC în puterea semnalului este mai mare la recunoașterea imaginilor de înaltă calitate, indicând beneficii suplimentare ale utilizării ResNet pentru această sarcină.
Graficele arată capacitatea fiecărui evaluator independent de a nota și de a compara cu puterea semnalului raportată de aparat.(A) Suma punctelor de evaluat este utilizată pentru a crea numărul total de puncte care urmează să fie evaluate.Imaginile cu un scor de scalabilitate general de 4 sunt atribuite de calitate înaltă, în timp ce imaginilor cu un scor de scalabilitate general de 1 sau mai puțin li se atribuie calitate scăzută.(B) Intensitatea semnalului se corelează cu estimările manuale, dar imaginile cu intensitate mare a semnalului pot fi de o calitate mai slabă.Linia punctată roșie indică pragul de calitate recomandat de producător pe baza puterii semnalului (puterea semnalului \(\ge\)6).
Învățarea transferului ResNet oferă o îmbunătățire semnificativă a identificării calității imaginii atât pentru cazurile de utilizare de calitate scăzută, cât și pentru cele de înaltă calitate, în comparație cu nivelurile de semnal raportate de mașină.(A) Diagrame de arhitectură simplificate ale arhitecturilor pre-antrenate (i) ResNet152 și (ii) AlexNet.(B) Istoricul antrenamentului și curbele de performanță ale receptorului pentru ResNet152 în comparație cu puterea semnalului raportată de mașină și cu criteriile AlexNet de calitate scăzută.(C) Istoricul de antrenament al receptorului ResNet152 și curbele de performanță în comparație cu puterea semnalului raportată de mașină și cu criteriile de înaltă calitate AlexNet.
După ajustarea pragului limită de decizie, precizia maximă de predicție a modelului ResNet152 este de 95,3% pentru cazul de calitate scăzută și 93,5% pentru cazul de înaltă calitate (Tabelul 2).Precizia maximă de predicție a modelului AlexNet este de 91,0% pentru cazul de calitate scăzută și 90,1% pentru cazul de înaltă calitate (Tabelul 2).Precizia maximă de predicție a puterii semnalului este de 76,1% pentru cazul de utilizare de calitate scăzută și 77,8% pentru cazul de utilizare de înaltă calitate.Conform kappa lui Cohen (\(\kappa\)), acordul dintre modelul ResNet152 și estimatori este de 0,90 pentru cazul de calitate scăzută și 0,81 pentru cazul de calitate înaltă.AlexNet kappa de la Cohen este 0,82 și 0,71 pentru cazuri de utilizare de calitate scăzută și, respectiv, de înaltă calitate.Intensitatea semnalului Kappa a lui Cohen este de 0,52 și, respectiv, 0,27 pentru cazurile de utilizare de calitate scăzută și, respectiv, înaltă.
Validarea modelelor de recunoaștere de înaltă și scăzută calitate pe imagini de 6\(\x\) ale unei plăci plane de 6 mm demonstrează capacitatea modelului antrenat de a determina calitatea imaginii prin diverși parametri de imagine.Când se utilizează plăci de mică adâncime de 6\(\x\) 6 mm pentru calitatea imaginii, modelul de calitate scăzută a avut un ASC de 0,83 (95% CI: 0,69–0,98) iar modelul de înaltă calitate a avut un ASC de 0,85.(95% CI: 0,55–1,00) (Tabelul 2).
Inspecția vizuală a hărților de activare a clasei stratului de intrare a arătat că toate rețelele neuronale antrenate au folosit caracteristici de imagine în timpul clasificării imaginii (Fig. 4A, B).Pentru imagini de 8 \(\times \) 8 mm și 6 \(\times \) 6 mm, imaginile de activare ResNet urmăresc îndeaproape vascularizația retiniană.Hărțile de activare AlexNet urmăresc și vasele retiniene, dar cu o rezoluție mai grosieră.
Hărțile de activare a clasei pentru modelele ResNet152 și AlexNet evidențiază caracteristici legate de calitatea imaginii.(A) Harta de activare a clasei care arată activarea coerentă după vascularizația retiniană superficială pe imagini de validare de 8 \(\times \) 8 mm și (B) extinderea pe imagini de validare mai mici de 6 \(\times \) 6 mm.Modelul LQ instruit pe criterii de calitate scăzută, modelul HQ instruit pe criterii de înaltă calitate.
S-a demonstrat anterior că calitatea imaginii poate afecta foarte mult orice cuantificare a imaginilor OCTA.În plus, prezența retinopatiei crește incidența artefactelor de imagine7,26.De fapt, în datele noastre, în concordanță cu studiile anterioare, am găsit o asociere semnificativă între creșterea vârstei și severitatea bolii retiniene și deteriorarea calității imaginii (p < 0,001, p = 0,017 pentru vârstă și, respectiv, starea DR; Tabelul 1) 27 Prin urmare, este esențial să se evalueze calitatea imaginii înainte de a efectua orice analiză cantitativă a imaginilor OCTA.Majoritatea studiilor care analizează imaginile OCTA folosesc praguri de intensitate a semnalului raportate de mașină pentru a exclude imagini de calitate scăzută.Deși s-a demonstrat că intensitatea semnalului afectează cuantificarea parametrilor OCTA, este posibil ca intensitatea ridicată a semnalului să nu fie suficientă pentru a exclude imaginile cu artefacte de imagine2,3,28,29.Prin urmare, este necesar să se dezvolte o metodă mai fiabilă de control al calității imaginii.În acest scop, evaluăm performanța metodelor de învățare profundă supravegheată în raport cu puterea semnalului raportată de mașină.
Am dezvoltat mai multe modele pentru evaluarea calității imaginii, deoarece diferitele cazuri de utilizare OCTA pot avea cerințe diferite de calitate a imaginii.De exemplu, imaginile ar trebui să fie de calitate superioară.În plus, sunt importanți și parametrii cantitativi specifici de interes.De exemplu, zona zonei avasculare foveale nu depinde de turbiditatea mediului non-central, ci afectează densitatea vaselor.În timp ce cercetările noastre continuă să se concentreze pe o abordare generală a calității imaginii, care nu este legată de cerințele unui anumit test, dar care are scopul de a înlocui direct puterea semnalului raportată de aparat, sperăm să oferim utilizatorilor un grad mai mare de control, astfel încât să poate selecta valoarea specifică de interes pentru utilizator.alegeți un model care să corespundă gradului maxim de artefacte de imagine considerate acceptabile.
Pentru scenele de calitate scăzută și de înaltă calitate, arătăm performanțe excelente ale rețelelor neuronale convoluționale profunde care lipsesc conexiune, cu AUC-uri de 0,97 și 0,99 și, respectiv, modele de calitate scăzută.De asemenea, demonstrăm performanța superioară a abordării noastre de deep learning în comparație cu nivelurile de semnal raportate numai de mașini.Conexiunile ignorate permit rețelelor neuronale să învețe caracteristici la mai multe niveluri de detaliu, captând aspecte mai fine ale imaginilor (de exemplu contrastul), precum și caracteristici generale (de exemplu, centrarea imaginii30,31).Deoarece artefactele de imagine care afectează calitatea imaginii sunt probabil cel mai bine identificate pe o gamă largă, arhitecturile de rețele neuronale cu conexiuni lipsă pot prezenta performanțe mai bune decât cele fără sarcini de determinare a calității imaginii.
Când am testat modelul nostru pe imagini OCTA de 6\(\×6mm), am observat o scădere a performanței de clasificare atât pentru modelele de înaltă calitate, cât și pentru cele de calitate scăzută (Fig. 2), în contrast cu dimensiunea modelului antrenat pentru clasificare.În comparație cu modelul ResNet, modelul AlexNet are o scădere mai mare.Performanța relativ mai bună a ResNet se poate datora capacității conexiunilor reziduale de a transmite informații la mai multe scale, ceea ce face modelul mai robust pentru clasificarea imaginilor capturate la diferite scări și/sau măriri.
Unele diferențe între imaginile de 8 \(\×\) 8 mm și imaginile de 6 \(\×\) 6 mm pot duce la o clasificare slabă, inclusiv o proporție relativ mare de imagini care conțin zone avasculare foveale, modificări ale vizibilității, arcade vasculare și fara nerv optic pe imagine 6×6 mm.În ciuda acestui fapt, modelul nostru ResNet de înaltă calitate a reușit să atingă un AUC de 85% pentru imagini de 6 \(\x\) 6 mm, o configurație pentru care modelul nu a fost antrenat, sugerând că informațiile despre calitatea imaginii au fost codificate în rețeaua neuronală. este potrivit.pentru o dimensiune de imagine sau configurație de mașină în afara antrenamentului său (Tabelul 2).În mod liniștitor, hărțile de activare asemănătoare ResNet și AlexNet de imagini de 8 \(\times \) 8 mm și 6 \(\times \) 6 mm au putut evidenția vasele retiniene în ambele cazuri, sugerând că modelul are informații importante.sunt aplicabile pentru clasificarea ambelor tipuri de imagini OCTA (Fig. 4).
Lauerman şi colab.Evaluarea calității imaginii pe imaginile OCTA a fost efectuată în mod similar utilizând arhitectura Inception, o altă rețea neuronală convoluțională cu salt-conexiune6,32 folosind tehnici de învățare profundă.De asemenea, ei au limitat studiul la imagini ale plexului capilar superficial, dar folosind doar imaginile mai mici de 3×3 mm de la Optovue AngioVue, deși au fost incluși și pacienți cu diferite boli corioretinale.Munca noastră se bazează pe bazele lor, inclusiv modele multiple pentru a aborda diferite praguri de calitate a imaginii și pentru a valida rezultatele pentru imagini de diferite dimensiuni.Raportăm, de asemenea, metrica AUC a modelelor de învățare automată și creștem precizia lor deja impresionantă (90%)6 atât pentru modelele de calitate scăzută (96%), cât și pentru cele de înaltă calitate (95,7%)6.
Acest antrenament are mai multe limitări.Mai întâi, imaginile au fost achiziționate cu un singur aparat OCTA, incluzând doar imagini ale plexului capilar superficial la 8\(\times\)8 mm și 6\(\times\)6 mm.Motivul excluderii imaginilor din straturi mai profunde este că artefactele de proiecție pot face evaluarea manuală a imaginilor mai dificilă și posibil mai puțin consistentă.Mai mult, imaginile au fost obținute doar la pacienții diabetici, pentru care OCTA se conturează ca un instrument important de diagnostic și prognostic33,34.Deși am putut testa modelul nostru pe imagini de diferite dimensiuni pentru a ne asigura că rezultatele au fost robuste, nu am putut identifica seturi de date adecvate din diferite centre, ceea ce ne-a limitat evaluarea generalizării modelului.Deși imaginile au fost obținute de la un singur centru, acestea au fost obținute de la pacienți de diferite medii etnice și rasiale, ceea ce este un punct unic al studiului nostru.Prin includerea diversității în procesul nostru de formare, sperăm că rezultatele noastre vor fi generalizate într-un sens mai larg și că vom evita codificarea părtinirii rasiale în modelele pe care le antrenăm.
Studiul nostru arată că rețelele neuronale care ignoră conexiunea pot fi antrenate pentru a obține performanțe ridicate în determinarea calității imaginii OCTA.Oferim aceste modele ca instrumente pentru cercetări ulterioare.Deoarece valorile diferite pot avea cerințe diferite de calitate a imaginii, se poate dezvolta un model individual de control al calității pentru fiecare măsură folosind structura stabilită aici.
Cercetările viitoare ar trebui să includă imagini de diferite dimensiuni de la diferite adâncimi și diferite mașini OCTA pentru a obține un proces de evaluare profundă a calității imaginii care poate fi generalizat la platformele OCTA și protocoalele de imagistică.Cercetările actuale se bazează, de asemenea, pe abordări supravegheate de învățare profundă, care necesită evaluare umană și evaluarea imaginii, care poate fi laborioasă și consumatoare de timp pentru seturi mari de date.Rămâne de văzut dacă metodele de învățare profundă nesupravegheate pot face distincția adecvată între imagini de calitate scăzută și imagini de înaltă calitate.
Pe măsură ce tehnologia OCTA continuă să evolueze și vitezele de scanare cresc, incidența artefactelor de imagine și a imaginilor de calitate slabă poate scădea.Îmbunătățirile software-ului, cum ar fi caracteristica recent introdusă de eliminare a artefactelor de proiecție, pot, de asemenea, atenua aceste limitări.Cu toate acestea, rămân multe probleme, deoarece imagistica pacienților cu fixare proastă sau cu turbiditate semnificativă a mediului duce invariabil la artefacte de imagine.Pe măsură ce OCTA devine mai utilizat pe scară largă în studiile clinice, este necesară o analiză atentă pentru a stabili linii directoare clare pentru niveluri acceptabile de artefact de imagine pentru analiza imaginii.Aplicarea metodelor de învățare profundă la imaginile OCTA este foarte promițătoare și sunt necesare cercetări suplimentare în acest domeniu pentru a dezvolta o abordare robustă a controlului calității imaginii.
Codul folosit în cercetarea curentă este disponibil în depozitul octa-qc, https://github.com/rahuldhodapkar/octa-qc.Seturile de date generate și/sau analizate în timpul studiului curent sunt disponibile de la autorii respectivi la cerere rezonabilă.
Spaide, RF, Fujimoto, JG & Waheed, NK Artefacte de imagine în angiografia cu coerență optică.Retina 35, 2163–2180 (2015).
Fenner, BJ și colab.Identificarea caracteristicilor imagistice care determină calitatea și reproductibilitatea măsurătorilor densității plexului capilar retinian în angiografia OCT.BR.J. Oftalmol.102, 509–514 (2018).
Lauerman, JL şi colab.Influența tehnologiei de urmărire a ochilor asupra calității imaginii angiografiei OCT în degenerescenta maculară legată de vârstă.Arc mormânt.clinic.Exp.oftalmologie.255, 1535–1542 (2017).
Babyuch AS și colab.Măsurătorile OCTA ale densității perfuziei capilare sunt utilizate pentru a detecta și evalua ischemia maculară.chirurgie oftalmica.Imagistica laser retiniană 51, S30–S36 (2020).
El, K., Zhang, X., Ren, S. și Sun, J. Deep Residual Learning for Image Recognition.În 2016, la Conferința IEEE privind viziunea computerizată și recunoașterea modelelor (2016).
Lauerman, JL şi colab.Evaluarea automată a calității imaginii angiografice OCT folosind algoritmi de învățare profundă.Arc mormânt.clinic.Exp.oftalmologie.257, 1641–1648 (2019).
Lauermann, J. şi colab.Prevalența erorilor de segmentare și a artefactelor de mișcare în angiografia OCT depinde de boala retinei.Arc mormânt.clinic.Exp.oftalmologie.256, 1807–1816 (2018).
Pask, Adam și colab.Pytorch: O bibliotecă imperativă, de înaltă performanță de învățare profundă.Procesarea avansată a informațiilor neuronale.sistem.32, 8026–8037 (2019).
Deng, J. şi colab.ImageNet: O bază de date de imagini ierarhice la scară largă.2009 IEEE Conference on Computer Vision and Pattern Recognition.248–255.(2009).
Krizhevsky A., Sutzkever I. și Hinton GE Clasificarea Imagenet folosind rețele neuronale convoluționale profunde.Procesarea avansată a informațiilor neuronale.sistem.25, 1 (2012).