Spas ji bo serdana Nature.com.Hûn guhertoyek gerokek bi piştgirîya CSS-ya sînorkirî bikar tînin.Ji bo ezmûna çêtirîn, em pêşniyar dikin ku hûn gerokek nûvekirî bikar bînin (an jî Moda Lihevhatinê ya di Internet Explorer de neçalak bikin).Wekî din, ji bo piştrastkirina piştgirîya domdar, em malperê bêyî şêwaz û JavaScript nîşan didin.
Sliders her slayd sê gotaran nîşan dide.Bişkojkên paş û paşê bikar bînin da ku di nav slaytan de bigerin, an jî bişkokên kontrolkerê slideyê yên li dawiyê bikar bînin da ku di her slaytê de bigerin.
Angiografiya tomografî ya hevrêziya optîkî (OCTA) rêbazek nû ye ji bo dîtina ne-dagirker a damarên retînal.Her çend OCTA xwedan gelek serîlêdanên klînîkî yên sozdar e, destnîşankirina kalîteya wêneyê pirsgirêkek dimîne.Me pergalek bingehîn a fêrbûna kûr bi karanîna dabeşkera tora neuralî ya ResNet152 ku bi ImageNet-ê pêşwext hatî perwerde kirin pêşve xist da ku wêneyên plexusê yên kapîlar ên rûpî ji 347 şopandina 134 nexweşan dabeş bike.Di heman demê de ji bo modelek fêrbûna çavdêrîkirî ji hêla du nirxdêrên serbixwe ve wêne bi destan wekî rastiya rastîn hatin nirxandin.Ji ber ku pêdiviyên kalîteya wêneyê dibe ku li gorî mîhengên klînîkî an lêkolînê cûda bibin, du model hatin perwerde kirin, yek ji bo naskirina wêneya kalîteya bilind û ya din jî ji bo naskirina wêneya kalîteya nizm.Modela meya tora neuralî deverek hêja di bin kevçîyê (AUC) de nîşan dide, 95% CI 0,96-0,99, \(\kappa\) = 0,81), ku ji asta sînyala ku ji hêla makîneyê ve hatî ragihandin (AUC = 0,82, 95) bi girîngî çêtir e. % CI).0,77-0,86, \(\kappa\) = 0,52 û AUC = 0,78, 95% CI 0,73-0,83, \(\kappa\) = 0,27, bi rêzê ve).Lêkolîna me destnîşan dike ku rêbazên fêrbûna makîneyê dikare were bikar anîn da ku ji bo wêneyên OCTA rêbazên kontrolkirina kalîteya maqûl û zexm pêş bixe.
Angiografiya tomografî ya hevrêziya optîkî (OCTA) teknolojiyek nû ye ku li ser bingeha tomografya hevrêziya optîkî (OCT) ye ku dikare ji bo dîtina ne-dagirker a mîkrovaskulasyona retînal were bikar anîn.OCTA cûdahiya şêwazên refleksê ji pêlên ronahiyê yên dubare li heman devera retina dipîve, û dûv re nûavakirin dikare were hesibandin ku damarên xwînê bêyî karanîna dagirkerî ya rengan an ajanên din ên berevajî eşkere bike.OCTA di heman demê de wênekêşiya damarê ya bi kûrahî-çareseriyê jî dihêle, rê dide bijîjkan ku ji hev veqetînin qatên keştiyên rûpî û kûr vekolînin, ji bo cûdahiya di navbera nexweşiya chorioretinal de dibe alîkar.
Digel ku ev teknîk sozdar e, guheztina kalîteya wêneyê ji bo analîzkirina wêneya pêbawer pirsgirêkek sereke dimîne, şirovekirina wêneyê dijwar dike û pêşî li pejirandina klînîkî ya berbelav digire.Ji ber ku OCTA gelek şaneyên OCT-ê yên li pey hev bikar tîne, ew ji hunerên wêneyê ji OCT standard hesastir e.Piraniya platformên OCTA yên bazirganî metrîka xweya kalîteya wêneyê bi navê Hêza Sînyal (SS) an carinan Indeksa Hêza Nîşanê (SSI) peyda dikin.Lêbelê, wêneyên bi nirxek SS an SSI-ya bilind nebûna nebûna hunerên wêneyê garantî nakin, ku dikare bandorê li her analîzek wêneya paşîn bike û bibe sedema biryarên klînîkî yên nerast.Berhemên wêneyê yên hevpar ên ku dikarin di wênekirina OCTA de çêbibin hunerên tevgerê, hunerên dabeşkirinê, hunerên nezelaliya medyayê, û hunerên projekirinê 1,2,3 hene.
Ji ber ku tedbîrên OCTA-yê yên wekî dendika damaran her ku diçe di lêkolîna werger, ceribandinên klînîkî û pratîka klînîkî de zêde têne bikar anîn, pêdivîyek lezgîn heye ku pêvajoyên kontrolkirina kalîteya wêneyê ya zexm û pêbawer pêşve bibin da ku hunerên wêneyê ji holê rakin4.Girêdanên Skip, ku wekî girêdanên mayî jî têne zanîn, di mîmariya tora neuralî de pêşnûme ne ku dihêle ku agahdarî ji qatên konvolutional derbas bibe dema ku agahdarî di pîvan an biryarên cihêreng de hilîne5.Ji ber ku hunerên wêneyê dikarin bandorê li performansa wêneya pîvana piçûk û gelemperî ya mezin bikin, torên neuralî yên girêdana skip-ê ji bo otomatîkkirina vê peywira kontrolkirina kalîteyê baş in.Xebata ku vê dawîyê hatî weşandin hin soz ji bo torên neuralî yên konvolutional ên kûr ên ku bi karanîna daneyên kalîteya bilind ên ji texmînkerên mirovî hatine perwerde kirin, destnîşan kir.
Di vê lêkolînê de, em torgilokek neuralî ya pevgirêdan-derbazkirinê perwerde dikin da ku bixweber qalîteya wêneyên OCTA destnîşan bikin.Em li ser xebata berê bi pêşxistina modelên cihêreng ên ji bo nasîna wêneyên kalîteya bilind û wêneyên kêmkalîteyê ava dikin, ji ber ku dibe ku pêdiviyên kalîteya wêneyê ji bo senaryoyên klînîkî an lêkolînê yên taybetî cûda bibin.Em encamên van toran bi torên neuralî yên pevgirêdayî re bêyî girêdanên wenda didin ber hev da ku nirxa tevlêbûna taybetmendiyan di gelek astên hûrguliyê de di nav fêrbûna kûr de binirxînin.Dûv re me encamên xwe bi hêza nîşanê re, pîvanek pejirandî ya qalîteya wêneyê ya ku ji hêla hilberîner ve hatî peyda kirin berhev kir.
Lêkolîna me nexweşên bi diyabetê ku di navbera 11ê Tebaxa 2017-an û 11ê Avrêl, 2019-an de beşdarî Navenda Çavan a Yale bûn. Nexweşên bi nexweşiya korîoretînal a ne-diyabetî ve hatin derxistin.Li ser bingeha temen, zayend, nijad, qalîteya wêneyê, an faktorek din pîvanên tevlêbûn an derxistinê tune bûn.
Wêneyên OCTA bi karanîna platforma AngioPlex li ser Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) di binê protokolên wênekêşiyê yên 8 \(\caran\) 8 mm û 6 \(\caran\) 6 mm de hatin bidestxistin.Ji bo beşdarbûna di lêkolînê de razîbûna agahdar ji her beşdarê lêkolînê hate wergirtin, û Desteya Lêkolînê ya Saziyê ya Zanîngeha Yale (IRB) ji bo van hemî nexweşan karanîna razîbûna agahdar bi wênekêşiya gerdûnî pejirand.Li gorî prensîbên Danezana Helsinkî.Lêkolîn ji hêla Zanîngeha Yale IRB ve hate pejirandin.
Wêneyên tabloya rûkalê li ser bingeha Pûlana Artifactê ya Tevgerê (MAS) ya ku berê hatî destnîşan kirin, Pûana Artifactê ya Segmentasyonê (SAS), navenda foveal, hebûna nezelaliya medyayê, û dîtbarîkirina baş a kapîlarên piçûk ên ku ji hêla nirxandina wêneyê ve hatî destnîşan kirin, têne nirxandin.Wêneyên ji hêla du nirxdêrên serbixwe (RD û JW) ve hatine analîz kirin.Heke hemî pîvanên jêrîn bi cih werin an wêneyek xala 2 (destûrdar) heye: wêne li foveayê ye (kêmtirî 100 pixel ji navenda wêneyê), MAS 1 an 2 ye, SAS 1 e, û nezelaliya medyayê ji 1 kêmtir e. Li ser wêneyên mezinahiyê / 16 hene, û kapîlarên piçûk di wêneyên ji 15/16 mezintir de têne dîtin.Ger yek ji pîvanên jêrîn pêk were wêneyek 0 (bê nirx) tête nirxandin: wêne ji navendê ye, heke MAS 4 be, heke SAS 2 be, an jî nezelaliya navîn ji 1/4 ê wêneyê mezintir e, û kapîlarên piçûk ji 1 wêneyê /4 bêtir nayên guheztin da ku ji hev cuda bibin.Hemî wêneyên din ên ku pîvanên dengdanê 0 an 2 pêk naynin, wekî 1 (klîpkirin) têne xal kirin.
Li ser hêjîrê.1 ji bo her yek ji texmînên pîvandî û hunerên wêneyê wêneyên nimûne nîşan dide.Pêbaweriya nav-nirxdar a pûanên kesane ji hêla giraniya kappa ya Cohen ve8 hate nirxandin.Pûanên ferdî yên her nirxdar têne berhev kirin da ku ji bo her wêneyek xalek giştî, ji 0 heta 4-an be. Wêneyên bi puana giştî 4 baş têne hesibandin.Wêneyên ku bi tevahî xala 0 an 1-ê ne qalîteya kêm têne hesibandin.
Tora neuralî ya konvolutional a mîmarî ya ResNet152 (Hêjî. 3A.i) ku li ser wêneyên ji databasa ImageNet-ê pêşwext hatî perwerde kirin, bi karanîna fast.ai û çarçoveya PyTorch5, 9, 10, 11 hate afirandin. Tora neuralî ya konvolutional toreyek e ku fêrbûnê bikar tîne. Parzûnên ji bo şopandina perçeyên wêneyê ji bo lêkolîna taybetmendiyên mekanî û herêmî.ResNeta meya perwerdekirî torgilokek neuralî ya 152-qatî ye ku bi valahiyan an "girêdanên bermayî" ve tête taybetmendî kirin ku bi hevdemî agahdarî bi gelek biryaran veguhezîne.Bi projekirina agahdariya bi çareseriyên cihêreng li ser torê, platform dikare taybetmendiyên wêneyên kêm-kalîteyê di gelek astên hûrguliyê de fêr bibe.Ji bilî modela xweya ResNet, me AlexNet jî perwerde kir, mîmariya tora neuralî ya ku baş hatî lêkolîn kirin, bêyî ku girêdanên ji bo berhevdanê winda bibin (Wêne 3A.ii)12.Bêyî girêdanên wenda, ev tora dê nikaribe taybetmendiyan bi hûrguliyek bilindtir bigire.
Rêzeya wêneya 8 \(\ caran\) 8 mm ya orîjînal OCTA13 bi karanîna teknîkên refleksê yên horizontî û vertîkal hatî zêdekirin.Dûv re danûstendina tevahî bi rasthatinî di asta wêneyê de li perwerdehiyê (51.2%), ceribandinê (12.8%), birêkûpêkkirina hîperparametre (16%) û verastkirin (20%) bi karanîna python toolboxa scikit-learn python14 ve hate dabeş kirin.Du doz hatin binçavkirin, yek li ser bingeha tespîtkirina tenê wêneyên kalîteya herî bilind (tevahiya 4 xal) û ya din jî li ser bingeha tespîtkirina tenê wêneyên kalîteya herî nizim (pûleya giştî 0 an 1).Ji bo her doza karanîna kalîteya bilind û kêm-kalîteyê, tora neuralî carekê li ser daneyên wêneya me ji nû ve tê perwerde kirin.Di her rewşê bikar anînê de, tora neuralî ji bo 10 serdeman hate perwerde kirin, hemî ji bilî giraniya qata herî bilind hatin cemidandin, û giraniya hemî pîvanên hundurîn ji bo 40 serdeman bi karanîna rêbazek rêjeya fêrbûnê ya cihêkar bi fonksiyonek windakirina cross-entropy 15 hate fêr kirin, 16..Fonksiyona windakirina entropiya xaç pîvanek pîvana logarîtmîkî ya cûdahiya di navbera etîketên torê yên pêşbînîkirî û daneyên rastîn de ye.Di dema perwerdehiyê de, daketina gradient li ser pîvanên hundurîn ên tora neuralî tête kirin da ku windahiyan kêm bike.Rêjeya fêrbûnê, rêjeya berdanê, û hîperparametreyên kêmkirina giraniyê bi karanîna xweşbîniya Bayesian bi 2 xalên destpêkê yên rasthatî û 10 dubareyan ve hatine verast kirin, û AUC-ya li ser databasê bi karanîna hîperparametreyên wekî armancek 17-ê hate guheztin.
Nimûneyên nûner ên wêneyên OCTA yên 8 × 8 mm yên plexusên kapîlar ên rûkal ên 2 (A, B), 1 (C, D), û 0 (E, F) bi dest xistin.Artifaktên wêneyê yên ku têne xuyang kirin xêzên dibiriqînê (tîr), hunerên dabeşkirinê (astîrk), û nezelaliya medyayê (tîr) hene.Wêne (E) jî ji navendê ye.
Dûv re kavilên taybetmendiyên xebitandinê yên wergir (ROC) ji bo hemî modelên tora neuralî têne çêkirin, û raporên hêza sînyala motorê ji bo her doza karanîna kêm-kalîte û kalîteyê têne çêkirin.Qada di bin kevçîyê (AUC) de bi karanîna pakêta pROC R hate hesibandin, û 95% navberên pêbaweriyê û nirxên p bi karanîna rêbaza DeLong18,19 hatin hesibandin.Pûanên berhevkirî yên rêjeyên mirovan wekî bingehek ji bo hemî hesabên ROC têne bikar anîn.Ji bo hêza sînyala ku ji hêla makîneyê ve hatî ragihandin, AUC du caran hate hesibandin: carekê ji bo qutkirina Pûana Scalability ya bi kalîteya bilind û carekê jî ji bo qutkirina Pûana Scalability ya nizm.Tora neuralî bi hêza sînyala AUC re tê berhev kirin ku şert û mercên perwerdehiya xwe û nirxandina xwe nîşan dide.
Ji bo ceribandina bêtir modela fêrbûna kûr a perwerdekirî li ser danegehek cihêreng, modelên qalîteya bilind û nizm rasterast ji bo nirxandina performansê ya 32 wêneyên slabên rûvî yên 6 \(\caran\) 6mm yên ku ji Zanîngeha Yale hatine berhev kirin hatine sepandin.Eye Mass di heman demê de wekî wêneyê 8 \(\car \) 8 mm navend e.Wêneyên 6 \(\×\) 6 mm bi destan ji hêla heman rêjeyên (RD û JW) ve bi heman rengî wekî wêneyên 8 \(\×\) 8 mm hatin nirxandin, AUC û her weha rastbûn û kappaya Cohen hate hesibandin. .wekhev.
Rêjeya bêhevsengiya polê 158:189 (\(\rho = 1.19\)) ji bo modela kalîteya nizm û 80:267 (\(\rho = 3.3\)) ji bo modela kalîteya bilind.Ji ber ku rêjeya bêhevsengiya sinifê ji 1:4 kêmtir e, ji bo rastkirina bêhevsengiya polê ti guhertinên mîmarî yên taybetî nehatine çêkirin20,21.
Ji bo ku pêvajoya fêrbûnê çêtir were xuyang kirin, nexşeyên aktîvkirina polê ji bo her çar modelên fêrbûna kûr ên perwerdekirî hatin çêkirin: modela ResNet152-ya kalîteya bilind, modela ResNet152-a kalîteya nizm, modela AlexNet-a kalîteya bilind, û modela AlexNet-a kalîteya kêm.Nexşeyên aktîvkirina polê ji tebeqeyên pevgirêdana têketinê yên van çar modelan têne hilberandin, û nexşeyên germahiyê ji hêla nexşeyên aktîfkirinê ve bi wêneyên çavkaniyê ji setên pejirandinê yên 8 × 8 mm û 6 × 6 mm têne çêkirin22, 23.
Guhertoya R 4.0.3 ji bo hemî hesabên statîstîkî hate bikar anîn, û dîmen bi karanîna pirtûkxaneya amûra grafîkî ya ggplot2 ve hatin afirandin.
Me ji 134 kesan 347 wêneyên pêşiyê yên plexusa kapîlar a rûperî ya bi pîvana 8 \(\car \)8 mm berhev kir.Makîne hêza sînyalê li ser pîvanek ji 0 heta 10 ji bo hemî wêneyan ragihand (navgîn = 6,99 ± 2,29).Ji 347 wêneyên hatine bidestxistin, temenê navînî di muayeneyê de 58,7 ± 14,6 sal bû, û 39,2% ji nexweşên mêr bûn.Ji hemî wêneyan, 30,8% ji Kafkasiyan, 32,6% ji Reş, 30,8% ji Hispanîk, 4% ji Asyayî, û 1,7% ji nijadên din bûn (Table 1).).Dabeşkirina temenê nexweşên bi OCTA ve girêdayî bi kalîteya wêneyê ve girêdayî ye (p <0.001).Rêjeya wêneyên kalîteya bilind di nexweşên piçûk ên 18-45 salî de 33,8% bû li gorî 12,2% ji wêneyên kêmkalîteyê (Table 1).Dabeşkirina rewşa retînopatiya diyabetîk jî di qalîteya wêneyê de pir cûda bû (p <0.017).Di nav hemî wêneyên qalîteya bilind de, rêjeya nexweşên bi PDR 18,8% bû beramberî 38,8% ji hemî wêneyên kêmkalîteyê (Table 1).
Nirxên kesane yên hemî wêneyan pêbaweriya nav-nirxandinê ya nerm û bihêz di navbera kesên ku wêneyan dixwînin de nîşan da (kapa giran a Cohen = 0,79, 95% CI: 0,76-0,82), û xalên wêneyê tune bûn ku nirxdar ji 1-ê zêdetir ji hev cihê bûn (Hêjî. 2A)..Zêdebûna sînyalê bi pîvana destan re têkildar e (hevgirêdana kêliya hilbera Pearson = 0,58, 95% CI 0,51-0,65, p<0,001), lê gelek wêne wekî xwedan şiyana sînyala bilind lê bi destan kêm in (Hêjîrê. .2B) hatine nas kirin.
Di dema perwerdehiya mîmariya ResNet152 û AlexNet de, windabûna entropiya xaça li ser pejirandin û perwerdehiyê ji 50 serdeman re dikeve (Wêne 3B,C).Rastbûna erêkirinê di serdema perwerdehiya paşîn de hem ji bo dozên karanîna kalîteya bilind û hem jî ji bo qalîteya kêm ji% 90 zêdetir e.
Kevirên performansa wergir destnîşan dikin ku modela ResNet152 bi girîngî ji hêza sînyala ku ji hêla makîneyê ve hatî ragihandin hem di rewşên karanîna kêm û hem jî kalîteya bilind de (p <0,001) derdixe pêş.Modela ResNet152 di heman demê de ji mîmariya AlexNet-ê bi girîngî derdixe (p = 0.005 û p = 0.014 ji bo dozên qalîteya kêm û kalîteya bilind, bi rêzê ve).Modelên encam ên ji bo her yek ji van karan karîbûn bi rêzê ve bigihîjin nirxên AUC yên 0,99 û 0,97, ku ji nirxên AUC yên têkildar ên 0,82 û 0,78 ji bo nîşaneya hêza sînyala makîneyê an 0,97 û 0,94 ji bo AlexNet-ê pir çêtir e. ..(Hêjîra 3).Cûdahiya di navbera ResNet û AUC-ê ​​de di hêza sînyalê de dema ku hûn wêneyên bi kalîte nas dikin pirtir e, ku feydeyên din ên karanîna ResNet ji bo vê peywirê destnîşan dike.
Grafîk kapasîteya her nirxdarek serbixwe nîşan dide ku bi hêza sînyala ku ji hêla makîneyê ve hatî ragihandin ve bihejîne û berhev bike.(A) Berhevoka xalên ku bêne nirxandin tê bikar anîn da ku jimara giştî ya xalên ku têne nirxandin were afirandin.Wêneyên bi pûanek mezinbûna giştî ya 4-ê qalîteya bilind têne destnîşan kirin, dema ku wêneyên bi pîvana pîvana giştî ya 1 an kêmtir têne kalîteya nizm têne destnîşan kirin.(B) Zêdebûna sînyalê bi texmînên destan re têkildar e, lê wêneyên bi tundiya nîşana bilind dibe ku ji kalîteya xizantir bin.Xeta xalîçeya sor li ser bingeha hêza sînyalê (hêza sînyalê \(\ge\)6) bendeya kalîteya pêşniyarkirî ya hilberîner destnîşan dike.
Fêrbûna veguheztina ResNet di nasnameya kalîteya wêneyê de hem ji bo rewşên karanîna kalîteya kêm û hem jî ji bo qalîteya bilind li gorî astên sînyala ragihandina makîneyê çêtirbûnek girîng peyda dike.(A) Diyagramên mîmariya hêsankirî yên pêş-perwerdekirî (i) ResNet152 û (ii) mîmariyên AlexNet.(B) Dîroka perwerdehiyê û kêşeyên performansa wergirê ji bo ResNet152 li gorî hêza sînyala ragihandina makîneyê û pîvanên kalîteya kêm AlexNet.(C) Dîroka perwerdehiya wergirê ResNet152 û kêşeyên performansê li gorî hêza sînyala ragihandina makîneyê û pîvanên kalîteya bilind AlexNet.
Piştî sererastkirina sînorê biryarê, rastbûna pêşbîniya herî zêde ya modela ResNet152 ji bo doza kalîteya nizm 95.3% û ji bo doza kalîteya bilind 93.5% e (Table 2).Rastiya pêşbîniya herî zêde ya modela AlexNet ji bo doza kalîteya nizm 91.0% û ji bo doza kalîteya bilind 90.1% e (Table 2).Rastiya pêşbîniya hêza sînyala herî zêde 76,1% ji bo doza karanîna kêm-kalîteyê û 77,8% ji bo doza karanîna kalîteya bilind e.Li gorî kappaya Cohen (\(\kappa\)), peymana di navbera modela ResNet152 û texmînkeran de 0.90 ji bo doza nizm û 0.81 ji bo doza kalîteya bilind.AlexNet kappa ya Cohen bi rêzdarî ji bo dozên karanîna kêm û kalîteya bilind 0.82 û 0.71 e.Kappa hêza sînyala Cohen bi rêzdarî ji bo dozên karanîna kêm û kalîteya bilind 0.52 û 0.27 e.
Verastkirina modelên naskirina qalîteya bilind û nizm li ser wêneyên 6 \(\x\) yên plakaya 6 mm ya daîre, şiyana modela perwerdekirî ji bo destnîşankirina qalîteya wêneyê di nav cûrbecûr pîvanên wênekêşiyê de destnîşan dike.Dema ku ji bo qalîteya wênekirinê 6 \(\x\) lewheyên hûrgelî 6 mm bikar tînin, modela kalîteya nizm xwedî AUC 0,83 (95% CI: 0,69–0,98) û modela kalîteya bilind xwediyê AUC 0,85 bû.(95% CI: 0,55-1,00) (Table 2).
Kontrola dîtbar a nexşeyên aktîvkirina pola qata têketinê destnîşan kir ku hemî torên neuralî yên perwerdekirî di dema dabeşkirina wêneyê de taybetmendiyên wêneyê bikar tînin (Hêjîrê. 4A, B).Ji bo 8 \(\caran \) 8 mm û 6 \(\caran \) 6 mm wêneyên, wêneyên çalakkirina ResNet ji nêz ve vaskulasyona retînal dişopînin.Nexşeyên aktîvkirina AlexNet di heman demê de keştiyên retînal jî dişopînin, lê bi çareseriya hişktir.
Nexşeyên aktîvkirina polê ji bo modelên ResNet152 û AlexNet taybetmendiyên girêdayî bi kalîteya wêneyê ronî dikin.(A) Nexşeya aktîvkirina pola ku li ser 8 \(\caran \) wêneyên erêkirinê yên 8 mm û (B) berfirehî li ser wêneyên erêkirina 6 \(\caran \) 6 mm yên piçûktir, çalakkirina hevgirtî piştî vaskulasyona retînal a rûpî nîşan dide.Modela LQ li ser pîvanên kalîteya kêm hatî perwerde kirin, modela HQ li ser pîvanên kalîteya bilind hatine perwerde kirin.
Berê hate destnîşan kirin ku qalîteya wêneyê dikare pir bandor li her hejmartina wêneyên OCTA bike.Digel vê yekê, hebûna retînopatiyê bûyera hunerên wêneyê zêde dike7,26.Bi rastî, di daneyên me de, li gorî lêkolînên berê, me têkiliyek girîng di navbera zêdebûna temen û giraniya nexweşiya retînal û xirabbûna kalîteya wêneyê de dît (p <0.001, p = 0.017 ji bo temen û rewşa DR, bi rêzê; Tablo 1) 27 Ji ber vê yekê, girîng e ku meriv qalîteya wêneyê berî ku hûn analîzek hejmarî ya wêneyên OCTA bikin binirxînin.Piraniya lêkolînên ku wêneyên OCTA analîz dikin, bendên tundiya nîşana makîneyê bikar tînin da ku wêneyên kêmkalîteyê ji holê rakin.Her çend tundiya nîşanê hate destnîşan kirin ku bandorê li pîvandina parametreyên OCTA dike, dibe ku hêza nîşana bilind bi tenê ne bes be ku wêneyên bi hunerên wêneyê 2,3,28,29 derxîne.Ji ber vê yekê, pêdivî ye ku meriv rêbazek pêbawertir a kontrolkirina kalîteya wêneyê pêşve bibe.Ji bo vê armancê, em performansa rêbazên fêrbûna kûr a çavdêrkirî li hember hêza nîşana ku ji hêla makîneyê ve hatî ragihandin dinirxînin.
Me ji bo nirxandina qalîteya wêneyê gelek model pêşxistiye ji ber ku bûyerên cûda yên karanîna OCTA dibe ku hewceyên cûda yên kalîteya wêneyê hebin.Mînakî, wêne divê kalîteya bilindtir bin.Wekî din, pîvanên mîqdar ên taybetî yên balkêş jî girîng in.Mînakî, qada qada avaskuler a foveal ne bi tîrêjiya navgîniya ne-navendî ve girêdayî ye, lê bandorê li dendika damaran dike.Dema ku lêkolîna me berdewam dike ku balê bikişîne ser nêzîkatiyek gelemperî ya qalîteya wêneyê, ne girêdayî hewcedariyên ceribandinek taybetî, lê mebest ew e ku rasterast hêza sînyala ku ji hêla makîneyê ve hatî ragihandin veguhezîne, em hêvî dikin ku em astek kontrolek mezintir bidin bikarhêneran da ku ew dikare metrîka taybetî ya berjewendiya bikarhêner hilbijêrin.modelek hilbijêrin ku bi asta herî zêde ya hunerên wêneyê yên ku têne pejirandin ve girêdayî ye hilbijêrin.
Ji bo dîmenên kêm-kalîte û bi kalîte, em performansa hêja ya torên neuralî yên kûr ên pêwendiya wenda nîşan didin, bi rêzê ve bi AUC-yên 0,97 û 0,99 û modelên kêm-kalîteyê.Em di heman demê de gava ku bi astên nîşana ku tenê ji hêla makîneyan ve têne ragihandin ve têne berhev kirin performansa çêtir a nêzîkatiya xweya fêrbûna kûr destnîşan dikin.Girêdanên Skip dihêle ku torên neuralî di gelek astên hûrguliyê de taybetmendiyan fêr bibin, aliyên xweşiktir ên wêneyan (mînak berevajî) û her weha taybetmendiyên gelemperî (mînak navendkirina wêneyê30,31) bigirin.Ji ber ku hunerên wêneyê yên ku bandorê li kalîteya wêneyê dikin belkî di navberek berfireh de çêtirîn têne nas kirin, mîmarên tora neuralî yên bi girêdanên winda dibe ku performansa çêtir nîşan bidin ji yên ku bêyî karên destnîşankirina kalîteya wêneyê ne.
Dema ceribandina modela xwe li ser wêneyên 6\(\×6mm) OCTA, me kêmbûnek di performansa dabeşkirinê de hem ji bo modelên qalîteya bilind û hem jî ji bo kalîteya nizm (Hêjîrê. 2) dît, berevajî mezinahiya modela ku ji bo dabeşkirinê hatî perwerde kirin.Li gorî modela ResNet, modela AlexNet xwedan hilweşînek mezin e.Performansa nisbeten çêtir a ResNet dibe ku ji ber şiyana girêdanên mayî veguhezîne agahiyê di pir pîvanan de, ku modelê ji bo dabeşkirina wêneyên ku di pîvan û/an mezinkirinên cihêreng de hatine girtin bihêztir dike.
Hin cûdahiyên di navbera 8 \(\×\) wêneyên 8 mm û 6 \(\×\) wêneyên 6 mm de dikarin bibin sedema dabeşkirina nebaş, di nav de rêjeyek pir zêde ya wêneyan ku di nav deverên avaskuler ên foveal de, guhertinên di dîtinê de, arcadeyên damaran, û no nerva optîk li ser wêneyê 6×6 mm.Tevî vê yekê, modela meya ResNet ya kalîteya bilind karîbû ji bo 6 \(\x\) wêneyên 6 mm AUC-ya 85% bi dest bixe, veavakirinek ku modela wê nehat perwerde kirin, pêşniyar dike ku agahdariya kalîteya wêneyê di tora neuralî de hatî kod kirin. guncaw e.ji bo yek mezinahiya wêneyê an veavakirina makîneyê li derveyî perwerdehiya wê (Table 2).Bi dilşikestî, nexşeyên aktîvkirina ResNet- û AlexNet-ê yên 8 \(\caran \) 8 mm û 6 \(\caran \) 6 mm karîbûn di her du rewşan de damarên retînal ronî bikin, û destnîşan dikin ku model xwediyê agahdariya girîng e.ji bo tesnîfkirina her du cureyên wêneyên OCTA-yê têne sepandin (Wêne. 4).
Lauerman et al.Nirxandina qalîteya wêneyê li ser wêneyên OCTA bi heman rengî bi karanîna mîmariya Inception, tora neuralî ya pevgirêdayî ya skip-girêdanî6,32 bi karanîna teknîkên fêrbûna kûr ve hate kirin.Wan di heman demê de lêkolînê bi wêneyên plexusa kapîlar a rûberî ve sînordar kir, lê tenê wêneyên piçûktir 3 × 3 mm ji Optovue AngioVue bikar anîn, her çend nexweşên bi nexweşiyên cûrbecûr yên korîoretînal jî tê de bûn.Xebata me li ser bingehên wan ava dibe, di nav de gelek modelan da ku li bendên cûrbecûr kalîteya wêneyê çareser bikin û encamên ji bo wêneyên bi pîvanên cihêreng rast bikin.Em di heman demê de metrîka AUC ya modelên fêrbûna makîneyê radigihînin û rastbûna wan a jixwe balkêş (90%)6 hem ji bo modelên qalîteya nizm (96%) hem jî kalîteya bilind (95.7%)6 zêde dikin.
Vê perwerdehiyê çend sînor hene.Pêşîn, wêne bi tenê yek makîneyek OCTA-yê hatine bidestxistin, di nav de tenê wêneyên plexusa kapîlar a rûberî 8 \(\car\)8 mm û 6\(\car\)6 mm.Sedema dûrxistina wêneyan ji qatên kûrtir ev e ku hunerên pêşnûmeyê dikarin nirxandina destan a wêneyan dijwartir û belkî kêmtir hevgirtî bikin.Wekî din, wêne tenê di nexweşên diyabetîk de hatine bidestxistin, ji bo wan OCTA wekî amûrek girîng a tespîtkirin û pêşgotiniyê derdikeve holê33,34.Her çend me karîbû modela xwe li ser wêneyên bi mezinahiyên cihê biceribîne da ku em piştrast bikin ku encam saxlem in, me nekarî berhevokên guncaw ên ji navendên cihêreng nas bikin, ku nirxandina me ya giştîbûna modelê sînordar kir.Her çend wêne tenê ji yek navendê hatine wergirtin, ew ji nexweşên ji pêkhateyên cûda yên etnîkî û nijadî hatine wergirtin, ku ev yek hêzek bêhempa ya lêkolîna me ye.Bi tevlêkirina cihêrengiyê di prosesa perwerdehiya me de, em hêvî dikin ku encamên me dê di wateyek berfireh de bêne gelemperî kirin, û ku em ê di modêlên ku em perwerde dikin de ji şîfrekirina nîjadperestiyê dûr bikevin.
Lêkolîna me destnîşan dike ku torên neuralî yên pevgirêdan dikarin werin perwerde kirin da ku di destnîşankirina kalîteya wêneya OCTA de performansa bilind bi dest bixin.Em van modelan wekî amûrek ji bo lêkolîna bêtir pêşkêş dikin.Ji ber ku metrîkên cihêreng dibe ku daxwazên cûda yên kalîteya wêneyê hebin, modelek kontrolkirina kalîteya kesane dikare ji bo her metrikê bi karanîna strukturê ku li vir hatî saz kirin were pêşve xistin.
Lêkolîna pêşerojê divê wêneyên bi pîvanên cihêreng ên ji kûrahiyên cihêreng û makîneyên cihêreng ên OCTA vehewîne da ku pêvajoyek nirxandina kalîteya wêneyê ya fêrbûna kûr a ku dikare ji platformên OCTA û protokolên wênekêşiyê re were gelemperî kirin bistînin.Lêkolîna heyî di heman demê de li ser bingeha nêzîkatiyên fêrbûna kûr a çavdêrkirî ye ku hewceyê nirxandina mirovî û nirxandina wêneyê hewce dike, ku dikare ji bo daneyên mezin kedkar û dem bigire.Dimîne ku were dîtin gelo rêbazên fêrbûna kûr a neçavdêr dikarin bi têra xwe di navbera wêneyên kêmkalîteyê û wêneyên kalîteya bilind de cûda bikin.
Her ku teknolojiya OCTA pêşveçûnê berdewam dike û leza şopandinê zêde dibe, dibe ku bûyera hunerên wêneyê û wêneyên qelîteya xirab kêm bibe.Pêşveçûnên di nermalavê de, wekî taybetmendiya rakirina hunera pêşnûmeya vê dawiyê hatî destnîşan kirin, dikare van sînoran jî sivik bike.Lêbelê, gelek pirsgirêk dimînin ji ber ku wênekirina nexweşên ku bi rastkirinek nebaş an qelewbûnek girîng a medyayê bi domdarî encamên wêneyê çêdike.Ji ber ku OCTA di ceribandinên klînîkî de berfirehtir tê bikar anîn, ji bo analîzkirina wêneyê rêwerzên zelal ji bo astên hunerî yên wêneyê yên pejirandî saz bikin.Serîlêdana rêbazên fêrbûna kûr li ser wêneyên OCTA sozek mezin digire û di vî warî de lêkolînek din hewce ye ku ji bo kontrolkirina kalîteya wêneyê nêzîkatiyek bihêz pêşve bibe.
Koda ku di lêkolîna heyî de hatî bikar anîn di depoya octa-qc de heye, https://github.com/rahuldhodapkar/octa-qc.Daneyên ku di dema lêkolîna heyî de hatine çêkirin û/an analîz kirin li ser daxwazek maqûl ji nivîskarên têkildar peyda dibin.
Spaide, RF, Fujimoto, JG & Waheed, NK Artifaktên Wêne di angiografiya hevrêziya optîkî de.Retina 35, 2163–2180 (2015).
Fenner, BJ et al.Nasnameya taybetmendiyên wênekêşiyê yên ku di angiografiya OCT de kalîte û dubarebûna pîvandina tîrêjê ya plexusa kapîlar a retînal diyar dikin.BR.J. Ophthalmol.102, 509–514 (2018).
Lauerman, JL et al.Bandora teknolojiya şopandina çavê li ser qalîteya wêneya angiografiya OCT-ê di dejenerasyona makuler a bi temen de.Kemera gorê.nexweşxaneyî.Exp.ophthalmology.255, 1535–1542 (2017).
Babyuch AS et al.Pîvana dendika perfuzyonê ya OCTA ji bo tespîtkirin û nirxandina iskemiya macular tê bikar anîn.cerahîya çavê.Imaging Laser Retinal 51, S30–S36 (2020).
Ew, K., Zhang, X., Ren, S., û Sun, J. Fêrbûna Bermayî ya Kûr ji bo Naskirina Wêne.Di sala 2016 de li Konferansa IEEE li ser Vîzyona Computer û Naskirina Patternê (2016).
Lauerman, JL et al.Bi karanîna algorîtmayên fêrbûna kûr ve nirxandina kalîteya wêneya angiografî ya OCT-ya xweserkirî.Kemera gorê.nexweşxaneyî.Exp.ophthalmology.257, 1641–1648 (2019).
Lauermann, J. et al.Berbelavbûna xeletiyên dabeşkirinê û hunerên tevgerê di angiografiya OCT de bi nexweşiya retina ve girêdayî ye.Kemera gorê.nexweşxaneyî.Exp.ophthalmology.256, 1807–1816 (2018).
Pask, Adam et al.Pytorch: Pirtûkxaneyek Fêrbûna Kûr a Pêwîstî, Bi Performansa Bilind.Pêvajoya pêşkeftî ya agahdariya neuralî.sîstem.32, 8026–8037 (2019).
Deng, J. et al.ImageNet: Danegehek Wêne ya Hiyerarşîk ya Mezin.2009 Konferansa IEEE li ser Dîtina Computer û Naskirina Patternê.248–255.(2009).
Krizhevsky A., Sutzkever I. û Hinton GE Imagenet dabeşkirina bi karanîna torên neuralî yên kûr ve.Pêvajoya pêşkeftî ya agahdariya neuralî.sîstem.25, 1 (2012).