د Nature.com لیدلو لپاره مننه.تاسو د محدود CSS ملاتړ سره د براوزر نسخه کاروئ.د غوره تجربې لپاره، موږ وړاندیز کوو چې تاسو یو تازه شوی براوزر وکاروئ (یا په انټرنیټ اکسپلورر کې د مطابقت حالت غیر فعال کړئ).سربیره پردې ، د دوامداره ملاتړ ډاډ ترلاسه کولو لپاره ، موږ سایټ پرته له سټایلونو او جاواسکریپټ څخه څرګندوو.
سلایډونه په هر سلایډ کې درې مقالې ښیې.د هر سلایډ له لارې حرکت کولو لپاره شاته او بل بټن وکاروئ، یا د سلایډ کنټرولر بټن په پای کې د هر سلایډ له لارې حرکت وکړئ.
د نظری همغږي توموګرافیک انجیوګرافي (OCTA) د ریټینل رګونو د غیر برید کونکي لید لپاره یو نوی میتود دی.که څه هم OCTA ډیری امید لرونکي کلینیکي غوښتنلیکونه لري، د عکس کیفیت ټاکل یوه ننګونه ده.موږ د 134 ناروغانو د 347 سکینونو څخه د سطحي کیپیلري پلیکس عکسونو طبقه بندي کولو لپاره د ImageNet سره دمخه روزل شوي ResNet152 عصبي شبکې کلاسیفیر په کارولو سره د ژورې زده کړې پراساس سیسټم رامینځته کړی.عکسونه هم په لاسي ډول د ریښتیني حقیقت په توګه ارزول شوي د دوه خپلواک رایټرز لخوا د نظارت شوي زده کړې ماډل لپاره.ځکه چې د عکس کیفیت اړتیاوې ممکن د کلینیکي یا څیړنې ترتیباتو پورې اړه ولري، دوه ماډلونه روزل شوي، یو د لوړ کیفیت عکس پیژندنې لپاره او بل د ټیټ کیفیت عکس پیژندنې لپاره.زموږ د عصبي شبکې ماډل د منحني لاندې عالي ساحه ښیې (AUC) ، 95٪ CI 0.96-0.99، \(\kappa\) = 0.81) ، کوم چې د ماشین لخوا راپور شوي سیګنال کچې څخه د پام وړ ښه دی (AUC = 0.82, 95) ٪ CI).0.77–0.86، \(\kappa\) = 0.52 او AUC = 0.78، 95% CI 0.73–0.83، \(\kappa\) = 0.27، په ترتیب سره).زموږ مطالعه ښیې چې د ماشین زده کړې میتودونه د OCTA عکسونو لپاره د انعطاف وړ او قوي کیفیت کنټرول میتودونو رامینځته کولو لپاره کارول کیدی شي.
د نظری همغږي توموګرافیک انجیوګرافي (OCTA) یو نسبتا نوی تخنیک دی چې د نظری همغږي توموګرافي (OCT) پراساس دی چې د ریټینل مایکرو واسکولیچر غیر برید کونکي لید لپاره کارول کیدی شي.OCTA د ریټینا په ورته سیمه کې د تکراري ر lightا نبضونو څخه د انعکاس نمونو کې توپیر اندازه کوي ، او بیا رغونه د رنګونو یا نورو متضاد اجنټانو برید کونکي کارولو پرته د وینې رګونو څرګندولو لپاره محاسبه کیدی شي.OCTA د ژور ریزولوشن ویسکولر امیجنگ هم وړوي، کلینیکانو ته اجازه ورکوي چې په جلا توګه د سطحي او ژورو رګونو پرتونو معاینه کړي، د کوروریټینال ناروغۍ ترمنځ توپیر کې مرسته کوي.
پداسې حال کې چې دا تخنیک ژمن دی، د عکس کیفیت توپیر د باور وړ عکس تحلیل لپاره یوه لویه ننګونه ده، د عکس تفسیر ستونزمن کوي ​​​​او د پراخه کلینیکي منلو مخه نیسي.ځکه چې OCTA څو پرله پسې OCT سکینونه کاروي، دا د معیاري OCT په پرتله د انځور آثارو ته ډیر حساس دی.ډیری سوداګریز OCTA پلیټ فارمونه د خپل عکس کیفیت میټریک چمتو کوي چې د سیګنال ځواک (SS) یا ځینې وختونه د سیګنال ځواک شاخص (SSI) نومیږي.په هرصورت، د لوړ SS یا SSI ارزښت سره عکسونه د عکس العملونو نشتوالي تضمین نه کوي، کوم چې کولی شي د راتلونکي عکس تحلیل اغیزه وکړي او د غلط کلینیکي پریکړو المل شي.عام تصویري اثار چې د OCTA امیجنگ کې واقع کیدی شي د حرکت آثار، د قطع کولو آثار، د میډیا د شفافیت آثار، او د پروجیکشن آثار 1,2,3 شامل دي.
لکه څنګه چې د OCTA څخه اخیستل شوي اقدامات لکه د ویسکولر کثافت په زیاتیدونکي توګه د ژباړې څیړنې، کلینیکي آزموینې او کلینیکي تمریناتو کې کارول کیږي، د عکس العملونو له منځه وړلو لپاره د قوي او د اعتبار وړ عکس کیفیت کنټرول پروسې رامینځته کولو ته بیړنۍ اړتیا ده.Skip اتصالونه، چې د پاتې اړیکو په نوم هم پیژندل کیږي، د عصبي شبکې جوړښت کې اټکلونه دي چې معلوماتو ته اجازه ورکوي چې په مختلف پیمانونو یا حلونو کې د معلوماتو ذخیره کولو پرمهال د قناعتي پرتونو څخه تیر شي.ځکه چې د عکس اثار کولی شي په کوچنۍ پیمانه او عمومي لوی پیمانه عکس فعالیت اغیزه وکړي، د سکیپ کنکشن عصبي شبکې د دې کیفیت کنټرول دندې اتومات کولو لپاره مناسب دي 5.په دې وروستیو کې خپاره شوي کار د ژورو عصبي عصبي شبکو لپاره ځینې ژمنې ښودلې چې د انساني اټکل کونکو څخه د لوړ کیفیت ډیټا په کارولو سره روزل شوي.
پدې څیړنه کې، موږ د اتصال پریښودلو قانع کونکي عصبي شبکه روزو ترڅو په اتوماتيک ډول د OCTA عکسونو کیفیت وټاکو.موږ د لوړ کیفیت عکسونو او ټیټ کیفیت عکسونو پیژندلو لپاره د جلا ماډلونو رامینځته کولو سره پخوانی کار رامینځته کوو ، ځکه چې د عکس کیفیت اړتیاوې ممکن د ځانګړي کلینیکي یا څیړنې سناریوګانو لپاره توپیر ولري.موږ د دې شبکو پایلې د قناعت لرونکي عصبي شبکو سره پرتله کوو پرته لدې چې له ورک شوي ارتباطاتو سره د ژورې زده کړې دننه د ډیری کچو د کثافاتو په شمول د ځانګړتیاو ارزښت ارزونه وکړو.بیا موږ خپلې پایلې د سیګنال ځواک سره پرتله کوو ، د عکس کیفیت یو عام منل شوی اندازه چې د تولید کونکو لخوا چمتو شوي.
زموږ په څیړنه کې د شکر ناروغۍ هغه ناروغان شامل وو چې د اګست له 11، 2017 او اپریل 11، 2019 ترمنځ یې د ییل سترګو مرکز کې برخه اخیستې وه. هغه ناروغان چې د شکر ناروغۍ پرته د کوروریټینال ناروغۍ سره مخ شوي وو.د عمر، جندر، نسل، د انځور کیفیت، یا کوم بل فکتور پر بنسټ د شاملولو یا اخراج معیارونه شتون نلري.
د OCTA عکسونه د AngioPlex پلیټ فارم په کارولو سره په Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) کې د 8\(\times\)8 mm او 6\(\times\)6 mm امیجنگ پروتوکولونو لاندې ترلاسه شوي.په څیړنه کې د ګډون لپاره باخبر رضایت د هرې مطالعې ګډون کونکي څخه ترلاسه شوی و، او د ییل پوهنتون اداری بیاکتنې بورډ (IRB) د دې ټولو ناروغانو لپاره د نړیوال عکس اخیستلو سره د باخبر رضايت کارول تصویب کړل.د هیلسنکي د اعالمیې د اصولو تعقیب.څیړنه د ییل پوهنتون IRB لخوا تصویب شوه.
د سطحې پلیټ عکسونه د مخکینۍ بیان شوي موشن آرټیفیکٹ سکور (MAS) پراساس ارزول شوي ، مخکې بیان شوي سیګمینټیشن آرټیفیکٹ سکور (SAS) ، د فوول مرکز ، د میډیا د شفافیت شتون ، او د کوچني کیپلیرونو ښه لید لکه څنګه چې د عکس ارزونکي لخوا ټاکل شوي.انځورونه د دوو خپلواکو ارزونکو (RD او JW) لخوا تحلیل شوي.یو عکس د 2 درجې نمرې لري (وړ) که چیرې لاندې ټول معیارونه پوره شي: عکس په فووا کې موقعیت لري (د عکس له مرکز څخه 100 پکسلز څخه لږ) ، MAS 1 یا 2 دی ، SAS 1 دی ، او د میډیا شفافیت له 1 څخه کم دی. د اندازې / 16 په عکسونو کې وړاندې کیږي، او کوچني کیپلیرونه د 15/16 څخه لوی عکسونو کې لیدل کیږي.یو عکس 0 درجه بندي کیږي (درجه نشته) که چیرې لاندې کوم معیارونه پوره شي: عکس له مرکز څخه بهر دی، که MAS 4 وي، که SAS 2 وي، یا د اوسط شفافیت د عکس له 1/4 څخه ډیر وي، او کوچني کیپلیرونه د توپیر کولو لپاره له 1 عکس / 4 څخه ډیر نشي تنظیم کیدی.نور ټول هغه عکسونه چې د نمرې کولو معیار 0 یا 2 نه پوره کوي د 1 (کلیپ کولو) په توګه نمرې ورکړل شوي.
په انځر.1 د هرې اندازې اندازې او د انځور آثارو لپاره نمونه انځورونه ښیي.د انفرادي نمرو بین المللي اعتبار د کوهین کاپا وزن 8 لخوا ارزول شوی.د هر ریټر انفرادي نمرې د هر عکس لپاره د مجموعي نمرې ترلاسه کولو لپاره لنډ شوي، له 0 څخه تر 4 پورې. هغه عکسونه چې د 4 نمرو سره ټول ښه ګڼل کیږي.هغه عکسونه چې ټول نمرې 0 یا 1 لري ټیټ کیفیت ګڼل کیږي.
د ResNet152 آرکیټیکچر عصبي عصبي شبکه (انځور 3A.i) د امیج نیټ ډیټابیس څخه د عکسونو په اړه دمخه روزل شوی د fast.ai او PyTorch چوکاټ 5, 9, 10, 11 په کارولو سره رامینځته شوی. د عصبي عصبي شبکه یوه شبکه ده چې زده شوي کاروي. د ځایی او ځایی ځانګړتیاو د مطالعې لپاره د عکس ټوټو سکین کولو لپاره فلټرونه.زموږ روزل شوی ResNet یو 152 پرت عصبي شبکه ده چې د تشو یا "باقی اړیکو" لخوا مشخص کیږي چې په ورته وخت کې د ډیری حلونو سره معلومات لیږدوي.په شبکه کې په مختلف حلونو کې د معلوماتو وړاندیز کولو سره ، پلیټ فارم کولی شي د ټیټ کیفیت عکسونو ځانګړتیاوې په ډیری کچو توضیحاتو زده کړي.زموږ د ResNet ماډل سربیره، موږ الیکس نیټ هم روزلی، د عصبي شبکې جوړښت ښه مطالعه شوی، پرته له دې چې د پرتله کولو لپاره ورک شوي ارتباطات (شکل 3A.ii) 12.د ورک شوي ارتباطاتو پرته، دا شبکه به د دې وړتیا ونلري چې ځانګړتیاوې په لوړ دانه کې ونیسي.
اصلي 8\(\times\)8mm OCTA13 عکس سیټ د افقی او عمودی انعکاس تخنیکونو په کارولو سره ښه شوی.بیا بشپړ ډیټاسیټ په تصادفي ډول د عکس په کچه په ټریننګ (51.2٪)، ټیسټینګ (12.8٪)، د هایپرپرامیټر ټونینګ (16٪)، او تایید (20٪) ډیټاسیټ د سکیکټ زده کړې اوزار بکس python14 په کارولو سره ویشل شوی و.دوه قضیې په پام کې نیول شوي، یو یوازې د لوړ کیفیت عکسونو موندلو پراساس (په ټولیز ډول 4 نمرې) او بل یې یوازې د ټیټ کیفیت عکسونو موندلو پراساس (په ټولیزه توګه 0 یا 1 نمرې).د هر لوړ کیفیت او ټیټ کیفیت کارولو قضیې لپاره، عصبي شبکه یو ځل زموږ د عکس ډیټا کې روزل کیږي.د هرې کارونې په قضیه کې، عصبي شبکه د 10 دورو لپاره روزل شوې وه، ټول مګر د لوړې پرت وزنونه کنګل شوي وو، او د ټولو داخلي پیرامیټرو وزنونه د 40 دورونو لپاره د کراس انټروپي ضایع فعالیت سره د تبعیض زده کړې نرخ میتود په کارولو سره زده شوي وو 15، 16..د کراس انټروپي ضایع فعالیت د وړاندوینې شبکې لیبلونو او ریښتیني معلوماتو ترمینځ د توپیر د لوګاریتمیک پیمانه اندازه ده.د روزنې په جریان کې، تدریجي نزول د عصبي شبکې داخلي پیرامیټونو کې ترسره کیږي ترڅو زیانونه کم کړي.د زده کړې کچه، د وتلو کچه، او د وزن کمولو هایپرپرامیټرونه د بایسیان اصلاح په کارولو سره د 2 تصادفي پیل ټکي او 10 تکرارونو سره تنظیم شوي، او په ډیټاسیټ کې AUC د 17 هدف په توګه د هایپرپرامیټرونو په کارولو سره تنظیم شوی.
د 8 × 8 mm OCTA انځورونو نمایندګي د سطحي کیپیلري پلیکسونو عکسونو 2 (A، B)، 1 (C، D)، او 0 (E، F) نمرې ترلاسه کړې.د انځور هنري اثار چې ښودل شوي پکې شامل دي ټکان ورکونکي کرښې (تیرونه)، د قطع کولو اثار (ستوري)، او د میډیا شفافیت (تیر).انځور (E) هم د مرکز څخه بهر دی.
د ترلاسه کونکي عملیاتي ځانګړتیاوې (ROC) منحني بیا د ټولو عصبي شبکې ماډلونو لپاره رامینځته کیږي ، او د انجن سیګنال ځواک راپورونه د هر ټیټ کیفیت او لوړ کیفیت کارولو قضیې لپاره رامینځته کیږي.د وکر لاندې ساحه (AUC) د pROC R کڅوړې په کارولو سره محاسبه شوې ، او د 95٪ باور وقفې او p-values ​​د DeLong میتود 18,19 په کارولو سره محاسبه شوي.د انساني ریټرانو مجموعي نمرې د ټولو ROC محاسباتو لپاره د اساس په توګه کارول کیږي.د ماشین لخوا راپور شوي د سیګنال ځواک لپاره ، AUC دوه ځله محاسبه شوی: یو ځل د لوړ کیفیت د توزیع کولو سکور کټ آف لپاره او یو ځل د ټیټ کیفیت سکالیبلیټ سکور کټ آف لپاره.عصبي شبکه د AUC سیګنال ځواک سره پرتله کیږي چې د خپل روزنې او ارزونې شرایط منعکس کوي.
په جلا ډیټاسیټ کې د روزل شوي ژورې زده کړې ماډل نور ازموینې لپاره، د لوړ کیفیت او ټیټ کیفیت ماډلونه په مستقیم ډول د 32 بشپړ مخ 6\(\times\) 6mm سطحي سلیب عکسونو د ییل پوهنتون څخه راټول شوي د فعالیت ارزونې لپاره پلي شوي.د سترګو ماس په عین وخت کې د انځور 8 (\times \) 8 mm په څیر متمرکز دی.د 6\(\×\) 6 mm عکسونه په لاسي ډول د ورته ریټرانو (RD او JW) لخوا په ورته ډول د 8\(\×\) 8 mm عکسونو په څیر ارزول شوي ، AUC هم د دقت او د کوهن کاپا محاسبه شوي. .په مساوي توګه
د ټولګي انډول تناسب د ټیټ کیفیت ماډل لپاره 158:189 (\(\rho = 1.19\)) او د لوړ کیفیت ماډل لپاره 80:267 (\(\rho = 3.3\)) دی.ځکه چې د ټولګي عدم توازن نسبت له 1:4 څخه کم دی، د ټولګي عدم توازن 20,21 سمولو لپاره کوم ځانګړي جوړښتي بدلون نه دی راغلی.
د زده کړې پروسې د ښه لید لپاره، د ټولګي فعالولو نقشې د ټولو څلورو روزل شوي ژورې زده کړې ماډلونو لپاره رامینځته شوي: د لوړ کیفیت ResNet152 ماډل، ټیټ کیفیت ResNet152 ماډل، د لوړ کیفیت AlexNet ماډل، او د ټیټ کیفیت AlexNet ماډل.د ټولګي د فعالولو نقشې د دې څلورو موډلونو د انپټ قانع شوي پرتونو څخه تولید شوي، او د تودوخې نقشې د 8 × 8 mm او 6 × 6 mm تایید سیټونو څخه د سرچینې عکسونو سره د فعالولو نقشو پوښلو سره رامینځته کیږي 22, 23.
د R نسخه 4.0.3 د ټولو احصایوي محاسبو لپاره کارول شوی و، او لیدونه د ggplot2 ګرافیک اوزار کتابتون په کارولو سره رامینځته شوي.
موږ د 134 خلکو څخه 8 \(\times \)8 mm اندازه کولو د سطحي کیپیلري پلیکسس 347 مخکینۍ عکسونه راټول کړل.ماشین د ټولو عکسونو لپاره د 0 څخه تر 10 پیمانه د سیګنال ځواک راپور ورکړی (معنی = 6.99 ± 2.29).د ترلاسه شوي 347 عکسونو څخه، په معاینه کې اوسط عمر 58.7 ± 14.6 کاله و، او 39.2٪ د نارینه ناروغانو څخه وو.د ټولو انځورونو څخه، 30.8٪ د قفقاز څخه، 32.6٪ د تورونو څخه، 30.8٪ د هسپانیک څخه، 4٪ د آسیا څخه، او 1.7٪ د نورو نسلونو څخه (1 جدول).).د OCTA سره د ناروغانو عمر ویش د عکس کیفیت (p <0.001) پورې اړه لري د پام وړ توپیر لري.د 18-45 کلونو په ځوانو ناروغانو کې د لوړ کیفیت لرونکي عکسونو سلنه د ټیټ کیفیت لرونکي عکسونو 12.2٪ په پرتله 33.8٪ وه (جدول 1).د ډایبېټیک retinopathy حالت ویش هم د عکس کیفیت کې د پام وړ توپیر لري (p <0.017).د ټولو لوړ کیفیت انځورونو په منځ کې، د PDR سره د ناروغانو سلنه 18.8٪ وه د ټولو ټیټ کیفیت انځورونو 38.8٪ په پرتله (جدول 1).
د ټولو انځورونو انفرادي درجه بندي د انځورونو لوستلو خلکو ترمنځ د منځني او قوي بین المللي اعتبار اعتبار ښودلی (د کوهین وزن لرونکي کاپا = 0.79، 95٪ CI: 0.76-0.82)، او د انځور ټکي شتون نلري چیرې چې درجه بندي د 1 څخه ډیر توپیر لري (انځور. 2A)..د سیګنال شدت د لاسي سکور کولو سره د پام وړ تړاو لري (د پیرسن محصول لمحه اړیکه = 0.58، 95٪ CI 0.51–0.65، p <0.001)، مګر ډیری عکسونه د لوړ سیګنال شدت درلودونکي په توګه پیژندل شوي مګر ټیټ لاسي نمرې (انځور. 2B).
د ResNet152 او AlexNet معمارۍ د روزنې په جریان کې، د اعتبار او روزنې په اړه د کراس انټروپي زیان له 50 څخه ډیر دورې (شکل 3B،C) ته رسیږي.د وروستي روزنې دورې کې د اعتبار دقت د لوړ کیفیت او ټیټ کیفیت کارولو قضیو لپاره له 90٪ څخه ډیر دی.
د ترلاسه کونکي فعالیت منحني ښیي چې د ResNet152 ماډل د ټیټ او لوړ کیفیت کارولو قضیو کې د ماشین لخوا راپور شوي سیګنال ځواک څخه د پام وړ کار کوي (p <0.001).د ResNet152 ماډل هم د پام وړ د الیکس نیټ جوړښت (p = 0.005 او p = 0.014 په ترتیب سره د ټیټ کیفیت او لوړ کیفیت قضیو لپاره) ښه کوي.د دې هرې دندې لپاره پایله لرونکي ماډلونه په ترتیب سره د 0.99 او 0.97 AUC ارزښتونو ترلاسه کولو توان درلود ، کوم چې د ماشین سیګنال ځواک شاخص لپاره د 0.82 او 0.78 اړوند AUC ارزښتونو څخه د پام وړ ښه دی یا د الیکس نیټ لپاره 0.97 او 0.94 ..(انځور 3).د سیګنال ځواک کې د ResNet او AUC ترمنځ توپیر خورا لوړ دی کله چې د لوړ کیفیت عکسونه وپیژني ، د دې کار لپاره د ResNet کارولو اضافي ګټې په ګوته کوي.
ګرافونه د هر خپلواک ریټر وړتیا ښیې چې سکور وکړي او د ماشین لخوا راپور شوي سیګنال ځواک سره پرتله کړي.(A) د ارزولو لپاره د ټکو مجموعه د ارزولو لپاره د ټولو ټکو شمیر رامینځته کولو لپاره کارول کیږي.هغه عکسونه چې د ټولیز اندازې وړتیا 4 نمرې لري لوړ کیفیت ګمارل شوي ، پداسې حال کې چې عکسونه د 1 یا لږ د توزیع کولو عمومي نمرې سره ټیټ کیفیت ټاکل شوي.(ب) د سیګنال شدت د لاسي اټکلونو سره تړاو لري، مګر د لوړ سیګنال شدت سره عکسونه ممکن د خراب کیفیت څخه وي.سور نقطه کرښه د سیګنال ځواک پراساس د تولید کونکي وړاندیز شوي کیفیت حد په ګوته کوي (د سیګنال ځواک \(\ge\)6).
د ریسنیټ لیږد زده کړه د ماشین راپور شوي سیګنال کچې په پرتله د ټیټ کیفیت او لوړ کیفیت کارولو قضیو لپاره د عکس کیفیت پیژندنې کې د پام وړ پرمختګ چمتو کوي.(A) د مخکینۍ روزل شوي معمارۍ ساده شوي ډیاګرامونه (i) ResNet152 او (ii) د AlexNet معمارۍ.(B) د ماشین راپور شوي سیګنال ځواک او AlexNet د ټیټ کیفیت معیارونو په پرتله د ResNet152 لپاره د روزنې تاریخ او ترلاسه کونکي فعالیت منحني.(C) د ماشین راپور شوي سیګنال ځواک او AlexNet لوړ کیفیت معیارونو په پرتله د ResNet152 ریسیور روزنې تاریخ او د فعالیت وکر.
د پریکړې د حد حد تنظیم کولو وروسته، د ResNet152 ماډل اعظمي وړاندوینې دقت د ټیټ کیفیت قضیې لپاره 95.3٪ او د لوړ کیفیت قضیې لپاره 93.5٪ دی (جدول 2).د الیکس نیټ ماډل اعظمي وړاندوینې دقت د ټیټ کیفیت قضیې لپاره 91.0٪ او د لوړ کیفیت قضیې لپاره 90.1٪ دی (جدول 2).د سیګنال ځواک اعظمي وړاندوینې دقت د ټیټ کیفیت کارولو قضیې لپاره 76.1٪ او د لوړ کیفیت کارولو قضیې لپاره 77.8٪ دی.د Cohen's kappa (\(\kappa\)) په وینا، د ResNet152 ماډل او اټکل کونکو ترمنځ تړون د ټیټ کیفیت قضیې لپاره 0.90 او د لوړ کیفیت قضیې لپاره 0.81 دی.د کوهین الیکس نیټ کاپا په ترتیب سره د ټیټ کیفیت او لوړ کیفیت کارولو قضیو لپاره 0.82 او 0.71 دی.د کوهن سیګنال ځواک کاپا په ترتیب سره د ټیټ او لوړ کیفیت کارولو قضیو لپاره 0.52 او 0.27 دی.
د 6 ملي فلیټ پلیټ په 6\(\x\) عکسونو کې د لوړ او ټیټ کیفیت پیژندنې ماډلونو اعتبار د روزل شوي ماډل وړتیا ښیې چې د مختلف عکس العمل پیرامیټونو کې د عکس کیفیت ټاکلو لپاره.کله چې د انځور کولو کیفیت لپاره 6\(\x\) 6 mm کم سلیبونه کارول، د ټیټ کیفیت ماډل د 0.83 AUC درلود (95% CI: 0.69–0.98) او د لوړ کیفیت ماډل د 0.85 AUC درلود.(95٪ CI: 0.55–1.00) (جدول 2).
د انپټ پرت ټولګي فعالولو نقشو لید معاینه وښودله چې ټولې روزل شوي عصبي شبکې د عکس ډلبندۍ پرمهال د عکس ځانګړتیاوې کاروي (انځور 4A، B).د 8 \(\times \) 8 mm او 6 \(\times \) 6 mm انځورونو لپاره، د ResNet فعالولو عکسونه د ریټینل ویسکولیچر نږدې تعقیبوي.د الیکس نیټ فعالولو نقشه هم د ریټینل رګونه تعقیبوي، مګر د سخت ریزولوشن سره.
د ResNet152 او AlexNet ماډلونو لپاره د ټولګي فعالولو نقشې د عکس کیفیت پورې اړوند ځانګړتیاوې په ګوته کوي.(A) د ټولګي فعالولو نقشه په 8 \(\times \) 8 mm تایید عکسونو کې د سطحي ریټینل ویسکولیچر وروسته همغږي فعالیت ښیې او (B) په کوچنیو 6 \(\times \) 6 mm تایید عکسونو کې حد.د LQ ماډل د ټیټ کیفیت په معیارونو روزل شوی، د HQ ماډل د لوړ کیفیت په معیارونو روزل شوی.
دا دمخه ښودل شوي چې د عکس کیفیت کولی شي د OCTA عکسونو هرډول مقدار باندې خورا اغیزه وکړي.برسېره پردې، د retinopathy شتون د عکس العملونو پیښې 7,26 زیاتوي.په حقیقت کې، زموږ په معلوماتو کې، د پخوانیو مطالعاتو سره سم، موږ د عمر د زیاتوالي او د ریټینال ناروغۍ شدت او د عکس کیفیت خرابولو ترمنځ د پام وړ اړیکه وموندله (p <0.001، p = 0.017 د عمر او DR حالت لپاره، په ترتیب سره؛ جدول 1) 27 نو ځکه، دا مهمه ده چې د OCTA عکسونو کوم کمیتي تحلیل ترسره کولو دمخه د عکس کیفیت ارزونه وکړئ.ډیری مطالعات چې د OCTA عکسونو تحلیل کوي د ماشین راپور شوي سیګنال شدت حدونه کاروي ترڅو د ټیټ کیفیت عکسونو راجلب کړي.که څه هم د سیګنال شدت ښودل شوی چې د OCTA پیرامیټونو مقدار باندې تاثیر کوي ، یوازې د لوړ سیګنال شدت ممکن د عکسونو 2,3,28,29 سره د عکسونو د ردولو لپاره کافي نه وي.له همدې امله ، دا اړینه ده چې د عکس کیفیت کنټرول خورا معتبر میتود رامینځته کړئ.د دې پای ته رسولو لپاره، موږ د ماشین لخوا راپور شوي سیګنال ځواک پروړاندې د څارل شوي ژورې زده کړې میتودونو فعالیت ارزوو.
موږ د عکس کیفیت ارزولو لپاره ډیری ماډلونه رامینځته کړي ځکه چې د OCTA مختلف کارولو قضیې ممکن د عکس کیفیت مختلف اړتیاوې ولري.د مثال په توګه، انځورونه باید د لوړ کیفیت وي.برسېره پردې، د ګټو ځانګړي کمیتي پیرامیټونه هم مهم دي.د مثال په توګه، د فوویل avascular زون ساحه د غیر مرکزي متوسط ​​​​ترببیت پورې اړه نلري، مګر د رګونو کثافت اغیزه کوي.پداسې حال کې چې زموږ څیړنه دوام لري د عکس کیفیت ته عمومي چلند باندې تمرکز کوي ، د کوم ځانګړي ازموینې اړتیاو سره تړلي ندي ، مګر د ماشین لخوا راپور شوي سیګنال ځواک مستقیم ځای په ځای کول دي ، موږ هیله لرو چې کاروونکو ته د کنټرول لویه کچه ورکړو ترڅو دوی کولی شي د کارونکي لپاره د ګټو ځانګړی میټریک غوره کړي.یو ماډل غوره کړئ چې د منلو وړ ګڼل شوي عکس العملونو اعظمي درجې سره مطابقت ولري.
د ټیټ کیفیت او لوړ کیفیت صحنو لپاره، موږ په ترتیب سره د 0.97 او 0.99 AUCs او د ټیټ کیفیت ماډلونو سره د پیوستون ورک شوي ژور کنولوشنال عصبي شبکو عالي فعالیت ښیو.موږ زموږ د ژورې زده کړې لید غوره فعالیت هم ښیې کله چې یوازې د ماشینونو لخوا راپور شوي سیګنال کچې سره پرتله کیږي.Skip اتصال عصبي شبکو ته اجازه ورکوي چې په څو کچو کې د توضیحاتو ځانګړتیاوې زده کړي، د انځورونو غوره اړخونه (د بیلګې په توګه برعکس) او همدارنګه عمومي ځانګړتیاوې (د مثال په توګه د انځور مرکز 30,31).له هغه ځایه چې د عکس اثار چې د عکس کیفیت اغیزه کوي شاید په پراخه کچه غوره پیژندل شوي وي ، د ورک شوي ارتباطاتو سره د عصبي شبکې جوړښت ممکن د عکس کیفیت ټاکلو دندو پرته د هغو په پرتله غوره فعالیت وښیې.
کله چې زموږ ماډل په 6\(\ × 6mm) OCTA عکسونو کې ازمویل شو، موږ د لوړ کیفیت او ټیټ کیفیت ماډلونو لپاره د ډلبندۍ فعالیت کې کمښت ولید (انځور 2)، د طبقې کولو لپاره د روزل شوي ماډل اندازې په مقابل کې.د ResNet ماډل په پرتله، د الیکس نیټ ماډل لوی زوال لري.د ResNet نسبتا ښه فعالیت ممکن په ډیری پیمانه کې د معلوماتو لیږدولو لپاره د پاتې پاتې اړیکو د وړتیا له امله وي، کوم چې ماډل په مختلفو پیمانو او/یا میګنیفیکیشنونو کې اخیستل شوي عکسونو طبقه بندي کولو لپاره خورا پیاوړی کوي.
د 8 \(\×\) 8 mm انځورونو او 6 \(\×\) 6 mm انځورونو ترمنځ ځینې توپیرونه د کمزوري طبقه بندي لامل کیدی شي، په شمول د عکسونو نسبتا لوړ تناسب چې د فوویل avascular ساحې لري، په لید کې بدلون، د ویسکولر آرکیډونه، او په 6 × 6 mm عکس کې هیڅ نظری اعصاب نشته.سره له دې، زموږ د لوړ کیفیت ResNet ماډل د 6 \(\x\) 6 mm عکسونو لپاره د 85٪ AUC ترلاسه کولو توان درلود، داسې ترتیب چې ماډل یې نه و روزل شوی، وړاندیز کوي چې د عکس کیفیت معلومات په عصبي شبکه کې کوډ شوي. مناسب دی.د دې روزنې څخه بهر د یو عکس اندازې یا ماشین ترتیب لپاره (جدول 2).په ډاډ سره، د 8 \(\times \) 8 mm او 6 \ (\times \) 6 mm عکسونو د ResNet- او AlexNet په څیر د فعالولو نقشې په دواړو حالتونو کې د ریټینال رګونو روښانه کولو توان درلود، وړاندیز کوي چې ماډل مهم معلومات لري.د OCTA عکسونو دواړه ډوله طبقه بندي کولو لپاره د تطبیق وړ دي (4 شکل).
Lauerman et al.د OCTA عکسونو په اړه د عکس کیفیت ارزونه په ورته ډول د Inception معمارۍ په کارولو سره ترسره شوې ، د skip-connection بل عصبي عصبي شبکه 6,32 د ژورې زده کړې تخنیکونو په کارولو سره.دوی دا مطالعه هم د سطحي کیپیلري پلیکسس عکسونو پورې محدوده کړې ، مګر یوازې د Optovue AngioVue څخه د 3 × 3 ملي میتر کوچني عکسونو څخه کار اخیستل ، که څه هم د مختلف chorioretinal ناروغیو ناروغان هم پکې شامل وو.زموږ کار د دوی په بنسټونو کې رامینځته کوي ، په شمول د ډیری ماډلونو په شمول د مختلف عکس کیفیت حدونو په نښه کولو او د مختلف اندازو عکسونو لپاره پایلې اعتبار.موږ د ماشین زده کړې ماډلونو AUC میټریک هم راپور ورکوو او د ټیټ کیفیت (96٪) او لوړ کیفیت (95.7٪) ماډلونو دواړو لپاره د دوی دمخه اغیزمن درستیت (90٪) 6 زیاتوي.
دا روزنه څو محدودیتونه لري.لومړی، عکسونه یوازې د یو OCTA ماشین سره اخیستل شوي، په شمول یوازې د سطحي کیپلیري پلیکسس انځورونه په 8\(\times\)8 mm او 6\(\times\)6 mm کې.د ژورو پرتونو څخه د عکسونو د ایستلو دلیل دا دی چې د پروجیکشن اثار کولی شي د عکسونو لاسي ارزونه خورا ستونزمن او ممکن لږ ثابته کړي.سربیره پردې، انځورونه یوازې د شکرې ناروغانو کې اخیستل شوي، د کوم لپاره چې OCTA د یو مهم تشخیصي او پروګنوسټیک وسیلې په توګه راڅرګندیږي 33,34.که څه هم موږ وکولی شو خپل ماډل د مختلف اندازو عکسونو باندې ازموینه وکړو ترڅو ډاډ ترلاسه کړو چې پایلې پیاوړې وې ، موږ نشو کولی د مختلف مرکزونو څخه مناسب ډیټاسیټونه وپیژنو ، کوم چې زموږ د ماډل عمومي کولو ارزونه محدوده کړه.که څه هم انځورونه یوازې د یو مرکز څخه اخیستل شوي، دوی د مختلفو توکمیزو او نژادي پس منظرونو ناروغانو څخه اخیستل شوي، چې زموږ د مطالعې یو ځانګړی ځواک دی.زموږ د روزنې په بهیر کې د تنوع په شاملولو سره، موږ هیله لرو چې زموږ پایلې به په پراخه مفهوم کې عمومي شي، او دا چې موږ به په هغه ماډلونو کې چې موږ یې روزو د نژادي تعصب د کوډ کولو څخه مخنیوی وکړو.
زموږ څیړنه ښیې چې د ارتباط پریښودو عصبي شبکې روزل کیدی شي ترڅو د OCTA عکس کیفیت ټاکلو کې لوړ فعالیت ترلاسه کړي.موږ دا ماډل د نورو څیړنو لپاره د وسیلو په توګه چمتو کوو.ځکه چې مختلف میټریکونه ممکن د عکس کیفیت مختلف اړتیاوې ولري، د هر میټریک لپاره د انفرادي کیفیت کنټرول ماډل دلته رامینځته شوي جوړښت په کارولو سره رامینځته کیدی شي.
راتلونکي څیړنه کې باید د مختلف ژورو او مختلف OCTA ماشینونو څخه د مختلف اندازو عکسونه شامل وي ترڅو د ژور زده کړې عکس کیفیت ارزونې پروسې ترلاسه کړي چې د OCTA پلیټ فارمونو او امیجنگ پروتوکولونو ته عمومي کیدی شي.اوسنۍ څیړنه د څارنې ژورې زده کړې تګلارې پراساس هم ده چې د انسان ارزونې او عکس ارزونې ته اړتیا لري، کوم چې د لوی ډیټاسیټونو لپاره د کار سخت او وخت مصرف کیدی شي.دا باید ولیدل شي چې ایا د ژورې زده کړې غیر څارل شوي میتودونه کولی شي د ټیټ کیفیت عکسونو او لوړ کیفیت عکسونو ترمینځ په مناسب ډول توپیر وکړي.
لکه څنګه چې د OCTA ټیکنالوژي پرمختګ ته دوام ورکوي او د سکین کولو سرعت ډیریږي، د عکسونو د آثارو او د خراب کیفیت عکسونو پیښې ممکن کم شي.په سافټویر کې پرمختګونه، لکه په دې وروستیو کې معرفي شوي د پروجیکشن آثارو لرې کولو ځانګړتیا، کولی شي دا محدودیتونه هم کم کړي.په هرصورت، ډیری ستونزې د ناروغانو د عکس اخیستلو په توګه پاتې دي چې ضعیف فکسیشن یا د پام وړ میډیا ګډوډۍ په دوامداره توګه د عکس العملونو پایله لري.لکه څنګه چې OCTA په کلینیکي ازموینو کې په پراخه کچه کارول کیږي، د عکس تحلیل لپاره د منلو وړ انځور هنري کچو لپاره روښانه لارښوونې رامینځته کولو لپاره محتاط غور ته اړتیا ده.د OCTA عکسونو ته د ژورې زده کړې میتودونو پلي کول عالي ژمنې لري او پدې برخه کې نورې څیړنې ته اړتیا ده ترڅو د عکس کیفیت کنټرول لپاره قوي چلند رامینځته کړي.
په اوسني څیړنه کې کارول شوي کوډ د octa-qc ذخیره کې شتون لري، https://github.com/rahuldhodapkar/octa-qc.د اوسنۍ مطالعې په جریان کې رامینځته شوي او / یا تحلیل شوي ډیټاسیټونه د مناسب غوښتنې سره سم د اړوندو لیکوالانو څخه شتون لري.
سپیډ، RF، Fujimoto، JG & Waheed، NK د نظری همغږي انجیوګرافي کې د انځور آثار.Retina 35، 2163–2180 (2015).
Fenner، BJ et al.د امیجنګ ځانګړتیاو پیژندنه چې د OCT انجیوګرافي کې د ریټینل کیپیلري پلیکسس کثافت اندازه کولو کیفیت او تولید وړتیا ټاکي.BR.J. Ophthalmol.102، 509-514 (2018).
Lauerman، JL et al.د عمر پورې اړوند میکولر تخریب کې د OCT انجیوګرافي عکس کیفیت باندې د سترګو تعقیب ټیکنالوژۍ اغیزه.د قبر ارچ.کلینیکيExp.د سترګو پوهه255، 1535-1542 (2017).
Babyuch AS et al.د OCTA کیپلیري پرفیوژن کثافت اندازه کول د میکولر اسکیمیا کشف او ارزولو لپاره کارول کیږي.د سترګو جراحي.Retinal Laser Imaging 51, S30–S36 (2020).
He, K., Zhang, X., Ren, S., and Sun, J. د انځور پیژندنې لپاره ژورې پاتې زده کړې.په 2016 کې د کمپیوټر لید او نمونې پیژندنې په اړه د IEEE کنفرانس کې (2016).
Lauerman، JL et al.د ژورې زده کړې الګوریتمونو په کارولو سره د اتوماتیک OCT انجیوګرافیک عکس کیفیت ارزونه.د قبر ارچ.کلینیکيExp.د سترګو پوهه257، 1641-1648 (2019).
Lauremann، J. et al.په OCT انجیوګرافي کې د قطع کولو غلطیو او حرکت آثارو خپریدل د ریټینا په ناروغۍ پورې اړه لري.د قبر ارچ.کلینیکيExp.د سترګو پوهه۲۵۶، ۱۸۰۷–۱۸۱۶ (۲۰۱۸).
پاسک، آدم او نور.Pytorch: یو اړین، د لوړ فعالیت ژور زده کړې کتابتون.د عصبي معلوماتو پرمختللي پروسس کول.سیسټم32، 8026-8037 (2019).
ډینګ، جې او نور.ImageNet: یو لوی پیمانه درجه بندي انځور ډیټابیس.د کمپیوټر لید او نمونې پیژندنې په اړه د 2009 IEEE کنفرانس.248-255(۲۰۰۹).
Krizhevsky A.، Sutzkever I. او Hinton GE Imagenet طبقه بندي د ژورو عصبي عصبي شبکو په کارولو سره.د عصبي معلوماتو پرمختللي پروسس کول.سیسټم۲۵، ۱ (۲۰۱۲).