Nature.com ની મુલાકાત લેવા બદલ આભાર.તમે મર્યાદિત CSS સપોર્ટ સાથે બ્રાઉઝર સંસ્કરણનો ઉપયોગ કરી રહ્યાં છો.શ્રેષ્ઠ અનુભવ માટે, અમે ભલામણ કરીએ છીએ કે તમે અપડેટ કરેલ બ્રાઉઝરનો ઉપયોગ કરો (અથવા Internet Explorer માં સુસંગતતા મોડને અક્ષમ કરો).વધુમાં, સતત સમર્થન સુનિશ્ચિત કરવા માટે, અમે શૈલીઓ અને JavaScript વિના સાઇટ બતાવીએ છીએ.
સ્લાઇડર્સ સ્લાઇડ દીઠ ત્રણ લેખો દર્શાવે છે.સ્લાઇડ્સમાંથી આગળ વધવા માટે પાછળના અને આગળના બટનોનો ઉપયોગ કરો અથવા દરેક સ્લાઇડમાંથી આગળ વધવા માટે અંતે સ્લાઇડ કંટ્રોલર બટનોનો ઉપયોગ કરો.
ઓપ્ટિકલ કોહેરેન્સ ટોમોગ્રાફિક એન્જીયોગ્રાફી (OCTA) એ રેટિના જહાજોના બિન-આક્રમક વિઝ્યુલાઇઝેશન માટેની નવી પદ્ધતિ છે.OCTA પાસે ઘણી આશાસ્પદ ક્લિનિકલ એપ્લિકેશન્સ હોવા છતાં, છબીની ગુણવત્તા નક્કી કરવી એ એક પડકાર છે.અમે 134 દર્દીઓના 347 સ્કેનમાંથી સુપરફિસિયલ કેપિલરી પ્લેક્સસ ઈમેજોનું વર્ગીકરણ કરવા ઈમેજનેટ સાથે પૂર્વ પ્રશિક્ષિત ResNet152 ન્યુરલ નેટવર્ક ક્લાસિફાયરનો ઉપયોગ કરીને ડીપ લર્નિંગ આધારિત સિસ્ટમ વિકસાવી છે.નિરીક્ષિત લર્નિંગ મોડલ માટે બે સ્વતંત્ર રેટર્સ દ્વારા છબીઓનું મેન્યુઅલી પણ સાચા સત્ય તરીકે મૂલ્યાંકન કરવામાં આવ્યું હતું.કારણ કે ક્લિનિકલ અથવા સંશોધન સેટિંગ્સના આધારે છબીની ગુણવત્તાની આવશ્યકતાઓ બદલાઈ શકે છે, બે મોડેલોને તાલીમ આપવામાં આવી હતી, એક ઉચ્ચ ગુણવત્તાની છબી ઓળખ માટે અને બીજું નીચી ગુણવત્તાની છબી ઓળખ માટે.અમારું ન્યુરલ નેટવર્ક મોડલ વળાંક (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81) હેઠળ ઉત્તમ વિસ્તાર દર્શાવે છે, જે મશીન દ્વારા નોંધાયેલા સિગ્નલ સ્તર કરતાં નોંધપાત્ર રીતે વધુ સારું છે (AUC = 0.82, 95). % CI).0.77–0.86, \(\kappa\) = 0.52 અને AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, અનુક્રમે).અમારો અભ્યાસ દર્શાવે છે કે મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ OCTA છબીઓ માટે લવચીક અને મજબૂત ગુણવત્તા નિયંત્રણ પદ્ધતિઓ વિકસાવવા માટે થઈ શકે છે.
ઓપ્ટિકલ કોહેરેન્સ ટોમોગ્રાફિક એન્જીયોગ્રાફી (ઓસીટીએ) એ ઓપ્ટિકલ કોહેરેન્સ ટોમોગ્રાફી (ઓસીટી) પર આધારિત પ્રમાણમાં નવી તકનીક છે જેનો ઉપયોગ રેટિના માઇક્રોવાસ્ક્યુલેચરના બિન-આક્રમક વિઝ્યુલાઇઝેશન માટે થઈ શકે છે.OCTA રેટિનાના સમાન વિસ્તારમાં પુનરાવર્તિત પ્રકાશ પલ્સથી પ્રતિબિંબ પેટર્નમાં તફાવતને માપે છે, અને પછી રંગો અથવા અન્ય વિરોધાભાસી એજન્ટોના આક્રમક ઉપયોગ વિના રક્તવાહિનીઓ જાહેર કરવા માટે પુનર્નિર્માણની ગણતરી કરી શકાય છે.OCTA ડેપ્થ-રિઝોલ્યુશન વેસ્ક્યુલર ઇમેજિંગને પણ સક્ષમ કરે છે, ક્લિનિશિયનોને અલગથી સુપરફિસિયલ અને ડીપ વેસલ સ્તરોની તપાસ કરવાની મંજૂરી આપે છે, કોરિઓરેટિનલ રોગ વચ્ચે તફાવત કરવામાં મદદ કરે છે.
જ્યારે આ ટેકનિક આશાસ્પદ છે, ત્યારે વિશ્વસનીય ઇમેજ વિશ્લેષણ માટે ઇમેજની ગુણવત્તામાં ભિન્નતા એ એક મોટો પડકાર છે, જે ઇમેજનું અર્થઘટન મુશ્કેલ બનાવે છે અને વ્યાપક ક્લિનિકલ અપનાવવાનું અટકાવે છે.કારણ કે OCTA એકથી વધુ સળંગ OCT સ્કેનનો ઉપયોગ કરે છે, તે પ્રમાણભૂત OCT કરતાં ઇમેજ આર્ટિફેક્ટ્સ માટે વધુ સંવેદનશીલ છે.મોટાભાગના વ્યવસાયિક OCTA પ્લેટફોર્મ્સ સિગ્નલ સ્ટ્રેન્થ (SS) અથવા ક્યારેક સિગ્નલ સ્ટ્રેન્થ ઇન્ડેક્સ (SSI) તરીકે ઓળખાતી તેમની પોતાની છબી ગુણવત્તા મેટ્રિક પ્રદાન કરે છે.જો કે, ઉચ્ચ SS અથવા SSI મૂલ્ય ધરાવતી છબીઓ ઇમેજ આર્ટિફેક્ટ્સની ગેરહાજરીની બાંયધરી આપતી નથી, જે કોઈપણ અનુગામી છબી વિશ્લેષણને અસર કરી શકે છે અને ખોટા ક્લિનિકલ નિર્ણયો તરફ દોરી શકે છે.સામાન્ય ઇમેજ આર્ટિફેક્ટ્સ કે જે OCTA ઇમેજિંગમાં આવી શકે છે તેમાં મોશન આર્ટિફેક્ટ્સ, સેગ્મેન્ટેશન આર્ટિફેક્ટ્સ, મીડિયા ઓપેસિટી આર્ટિફેક્ટ્સ અને પ્રોજેક્શન આર્ટિફેક્ટ્સ 1,2,3નો સમાવેશ થાય છે.
OCTA-પ્રાપ્ત પગલાં જેમ કે વેસ્ક્યુલર ડેન્સિટીનો અનુવાદ સંશોધન, ક્લિનિકલ ટ્રાયલ્સ અને ક્લિનિકલ પ્રેક્ટિસમાં વધુને વધુ ઉપયોગ કરવામાં આવી રહ્યો છે, ઇમેજ આર્ટિફેક્ટ્સને દૂર કરવા માટે મજબૂત અને વિશ્વસનીય ઇમેજ ગુણવત્તા નિયંત્રણ પ્રક્રિયાઓ વિકસાવવાની તાત્કાલિક જરૂરિયાત છે.સ્કીપ કનેક્શન્સ, જેને રેસિડ્યુઅલ કનેક્શન્સ તરીકે પણ ઓળખવામાં આવે છે, તે ન્યુરલ નેટવર્ક આર્કિટેક્ચરમાં અંદાજો છે જે માહિતીને વિવિધ સ્કેલ અથવા રિઝોલ્યુશન પર સ્ટોર કરતી વખતે કન્વોલ્યુશનલ સ્તરોને બાયપાસ કરવાની મંજૂરી આપે છે.કારણ કે ઇમેજ આર્ટિફેક્ટ્સ નાના-પાયે અને સામાન્ય મોટા-પાયે ઇમેજ પ્રદર્શનને અસર કરી શકે છે, સ્કીપ-કનેક્શન ન્યુરલ નેટવર્ક આ ગુણવત્તા નિયંત્રણ કાર્ય5ને સ્વચાલિત કરવા માટે સારી રીતે અનુકૂળ છે.તાજેતરમાં પ્રકાશિત થયેલા કાર્યમાં માનવ અંદાજકારોના ઉચ્ચ ગુણવત્તાવાળા ડેટાનો ઉપયોગ કરીને પ્રશિક્ષિત ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ માટે કેટલાક વચનો દર્શાવ્યા છે.
આ અભ્યાસમાં, અમે OCTA ઈમેજીસની ગુણવત્તા આપમેળે નક્કી કરવા માટે કનેક્શન-સ્કિપિંગ કન્વોલ્યુશનલ ન્યુરલ નેટવર્કને તાલીમ આપીએ છીએ.અમે ઉચ્ચ ગુણવત્તાની છબીઓ અને ઓછી ગુણવત્તાની છબીઓને ઓળખવા માટે અલગ મોડલ વિકસાવીને અગાઉના કાર્ય પર બિલ્ડ કરીએ છીએ, કારણ કે ચોક્કસ ક્લિનિકલ અથવા સંશોધન દૃશ્યો માટે છબીની ગુણવત્તાની આવશ્યકતાઓ અલગ હોઈ શકે છે.ડીપ લર્નિંગની અંદર ગ્રેન્યુલારિટીના બહુવિધ સ્તરો પર સુવિધાઓને સમાવવાના મૂલ્યનું મૂલ્યાંકન કરવા માટે અમે આ નેટવર્ક્સના પરિણામોની તુલના કનેક્શન ખૂટ્યા વિના કન્વ્યુલેશનલ ન્યુરલ નેટવર્ક સાથે કરીએ છીએ.ત્યારપછી અમે અમારા પરિણામોની સરખામણી સિગ્નલ સ્ટ્રેન્થ સાથે કરી હતી, જે ઉત્પાદકો દ્વારા પૂરી પાડવામાં આવેલ ઇમેજ ગુણવત્તાના સામાન્ય રીતે સ્વીકૃત માપદંડ છે.
અમારા અભ્યાસમાં ડાયાબિટીસના દર્દીઓનો સમાવેશ થાય છે જેઓ 11 ઓગસ્ટ, 2017 અને એપ્રિલ 11, 2019 ની વચ્ચે યેલ આઈ સેન્ટરમાં હાજરી આપે છે. કોઈપણ બિન-ડાયાબિટીક કોરિઓરેટિનલ રોગ ધરાવતા દર્દીઓને બાકાત રાખવામાં આવ્યા હતા.ઉંમર, લિંગ, જાતિ, છબીની ગુણવત્તા અથવા અન્ય કોઈપણ પરિબળના આધારે કોઈ સમાવેશ અથવા બાકાત માપદંડ નહોતા.
8\(\times\)8 mm અને 6\(\times\)6 mm ઇમેજિંગ પ્રોટોકોલ હેઠળ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) પર AngioPlex પ્લેટફોર્મનો ઉપયોગ કરીને OCTA છબીઓ હસ્તગત કરવામાં આવી હતી.અભ્યાસમાં ભાગ લેવા માટે દરેક અભ્યાસ સહભાગી પાસેથી જાણકાર સંમતિ મેળવવામાં આવી હતી, અને યેલ યુનિવર્સિટી સંસ્થાકીય સમીક્ષા બોર્ડ (IRB) એ આ તમામ દર્દીઓ માટે વૈશ્વિક ફોટોગ્રાફી સાથે જાણકાર સંમતિના ઉપયોગને મંજૂરી આપી હતી.હેલસિંકીની ઘોષણાના સિદ્ધાંતોને અનુસરીને.અભ્યાસ યેલ યુનિવર્સિટી IRB દ્વારા મંજૂર કરવામાં આવ્યો હતો.
અગાઉ વર્ણવેલ મોશન આર્ટિફેક્ટ સ્કોર (MAS), અગાઉ વર્ણવેલ સેગ્મેન્ટેશન આર્ટિફેક્ટ સ્કોર (SAS), ફોવેલ સેન્ટર, મીડિયા અસ્પષ્ટતાની હાજરી અને ઇમેજ મૂલ્યાંકનકાર દ્વારા નિર્ધારિત નાના રુધિરકેશિકાઓના સારા વિઝ્યુલાઇઝેશનના આધારે સપાટી પ્લેટની છબીઓનું મૂલ્યાંકન કરવામાં આવ્યું હતું.બે સ્વતંત્ર મૂલ્યાંકનકારો (RD અને JW) દ્વારા છબીઓનું વિશ્લેષણ કરવામાં આવ્યું હતું.જો નીચેના તમામ માપદંડોને પૂર્ણ કરવામાં આવે તો ઇમેજનો ગ્રેડેડ સ્કોર 2 (પાત્ર) હોય છે: છબી ફોવેઆ પર કેન્દ્રિત છે (ઇમેજના કેન્દ્રમાંથી 100 પિક્સેલ્સ કરતાં ઓછી), MAS 1 અથવા 2 છે, SAS 1 છે અને મીડિયાની અસ્પષ્ટતા 1 કરતા ઓછી છે. કદ / 16 ની છબીઓ પર હાજર છે, અને 15/16 કરતા મોટી છબીઓમાં નાની રુધિરકેશિકાઓ જોવા મળે છે.જો નીચેનામાંથી કોઈપણ માપદંડ પૂર્ણ કરવામાં આવે તો છબીને 0 (કોઈ રેટિંગ નથી) રેટ કરવામાં આવે છે: છબી કેન્દ્રની બહાર છે, જો MAS 4 છે, જો SAS 2 છે, અથવા સરેરાશ અસ્પષ્ટતા છબીના 1/4 કરતા વધારે છે, અને નાની રુધિરકેશિકાઓને અલગ પાડવા માટે 1 ઈમેજ /4 કરતા વધુ એડજસ્ટ કરી શકાતી નથી.અન્ય તમામ છબીઓ કે જે સ્કોરિંગ માપદંડ 0 અથવા 2 ને પૂર્ણ કરતી નથી તેને 1 (ક્લિપિંગ) તરીકે સ્કોર કરવામાં આવે છે.
અંજીર પર.1 દરેક સ્કેલ કરેલ અંદાજો અને છબી કલાકૃતિઓ માટે નમૂનાની છબીઓ બતાવે છે.કોહેનના કપ્પા વેઇટીંગ8 દ્વારા વ્યક્તિગત સ્કોર્સની ઇન્ટર-રેટર વિશ્વસનીયતાનું મૂલ્યાંકન કરવામાં આવ્યું હતું.દરેક રેટરના વ્યક્તિગત સ્કોર્સનો સરવાળો દરેક ઈમેજ માટે એકંદર સ્કોર મેળવવા માટે કરવામાં આવે છે, જે 0 થી 4 સુધીનો હોય છે. 4ના કુલ સ્કોરવાળી ઈમેજ સારી માનવામાં આવે છે.0 અથવા 1 ના કુલ સ્કોર ધરાવતી છબીઓને ઓછી ગુણવત્તા ગણવામાં આવે છે.
એક ResNet152 આર્કિટેક્ચર કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (ફિગ. 3A.i) ઇમેજનેટ ડેટાબેઝમાંથી ઈમેજીસ પર પૂર્વ પ્રશિક્ષિત છે, જે fast.ai અને PyTorch ફ્રેમવર્ક 5, 9, 10, 11 નો ઉપયોગ કરીને જનરેટ કરવામાં આવ્યું હતું. કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક એ એક નેટવર્ક છે જે શીખેલનો ઉપયોગ કરે છે. અવકાશી અને સ્થાનિક લક્ષણોનો અભ્યાસ કરવા માટે છબીના ટુકડાઓ સ્કેન કરવા માટેના ફિલ્ટર્સ.અમારું પ્રશિક્ષિત ResNet એ 152-સ્તરનું ન્યુરલ નેટવર્ક છે જે ગાબડા અથવા "શેષ જોડાણો" દ્વારા વર્ગીકૃત થયેલ છે જે એકસાથે બહુવિધ રીઝોલ્યુશન સાથે માહિતી પ્રસારિત કરે છે.નેટવર્ક પર અલગ-અલગ રિઝોલ્યુશન પર માહિતી રજૂ કરીને, પ્લેટફોર્મ નીચી-ગુણવત્તાવાળી ઇમેજની વિશેષતાઓને વિગતવારના બહુવિધ સ્તરે શીખી શકે છે.અમારા ResNet મૉડલ ઉપરાંત, અમે એલેક્ષનેટને પણ તાલીમ આપી છે, જે સારી રીતે અભ્યાસ કરેલ ન્યુરલ નેટવર્ક આર્કિટેક્ચર છે, સરખામણી માટે કનેક્શન ખૂટે છે (આકૃતિ 3A.ii)12.ગુમ થયેલ કનેક્શન્સ વિના, આ નેટવર્ક ઉચ્ચ ગ્રેન્યુલારિટી પર સુવિધાઓને કેપ્ચર કરવામાં સક્ષમ રહેશે નહીં.
મૂળ 8\(\times\)8mm OCTA13 ઇમેજ સેટને આડી અને ઊભી પ્રતિબિંબ તકનીકોનો ઉપયોગ કરીને વધારવામાં આવ્યો છે.પછી સંપૂર્ણ ડેટાસેટને ઇમેજ સ્તરે રેન્ડમલી તાલીમ (51.2%), પરીક્ષણ (12.8%), હાઇપરપેરામીટર ટ્યુનિંગ (16%), અને સ્કિકિટ-લર્ન ટૂલબોક્સ પાયથોન14 નો ઉપયોગ કરીને માન્યતા (20%) ડેટાસેટ્સમાં વિભાજિત કરવામાં આવી હતી.બે કિસ્સાઓ ધ્યાનમાં લેવામાં આવ્યા હતા, એક માત્ર ઉચ્ચ ગુણવત્તાની છબીઓ (એકંદર સ્કોર 4) શોધવા પર આધારિત છે અને બીજો માત્ર સૌથી ઓછી ગુણવત્તાવાળી છબીઓ (એકંદર સ્કોર 0 અથવા 1) શોધવા પર આધારિત છે.દરેક ઉચ્ચ-ગુણવત્તા અને નિમ્ન-ગુણવત્તાના ઉપયોગના કેસ માટે, ન્યુરલ નેટવર્કને અમારા ઇમેજ ડેટા પર એકવાર ફરીથી પ્રશિક્ષિત કરવામાં આવે છે.ઉપયોગના દરેક કિસ્સામાં, ન્યુરલ નેટવર્કને 10 યુગો માટે પ્રશિક્ષિત કરવામાં આવ્યું હતું, સર્વોચ્ચ સ્તરના વજન સિવાયના તમામને સ્થિર કરવામાં આવ્યા હતા, અને ક્રોસ-એન્ટ્રોપી નુકશાન કાર્ય 15 સાથે ભેદભાવપૂર્ણ શિક્ષણ દર પદ્ધતિનો ઉપયોગ કરીને 40 યુગો માટે તમામ આંતરિક પરિમાણોનું વજન શીખવામાં આવ્યું હતું, 16..ક્રોસ એન્ટ્રોપી નુકશાન કાર્ય એ અનુમાનિત નેટવર્ક લેબલ્સ અને વાસ્તવિક ડેટા વચ્ચેની વિસંગતતાના લઘુગણક સ્કેલનું માપ છે.તાલીમ દરમિયાન, નુકસાન ઘટાડવા માટે ન્યુરલ નેટવર્કના આંતરિક પરિમાણો પર ગ્રેડિયન્ટ ડિસેન્ટ કરવામાં આવે છે.લર્નિંગ રેટ, ડ્રોપઆઉટ રેટ અને વેઇટ રિડક્શન હાયપરપેરામીટરને 2 રેન્ડમ પ્રારંભિક બિંદુઓ અને 10 પુનરાવર્તનો સાથે બેયસિયન ઓપ્ટિમાઇઝેશનનો ઉપયોગ કરીને ટ્યુન કરવામાં આવ્યા હતા, અને ડેટાસેટ પર AUC 17 ના લક્ષ્ય તરીકે હાઇપરપેરામીટરનો ઉપયોગ કરીને ટ્યુન કરવામાં આવ્યું હતું.
સુપરફિસિયલ કેશિલરી પ્લેક્સસની 8 × 8 mm OCTA ઇમેજના પ્રતિનિધિ ઉદાહરણો 2 (A, B), 1 (C, D), અને 0 (E, F) સ્કોર કરે છે.બતાવવામાં આવેલી ઇમેજ આર્ટિફેક્ટ્સમાં ફ્લિકરિંગ લાઇન્સ (એરો), સેગ્મેન્ટેશન આર્ટિફેક્ટ્સ (ફૂદડી) અને મીડિયા ઓપેસિટી (તીર) નો સમાવેશ થાય છે.છબી (E) પણ કેન્દ્રની બહાર છે.
રીસીવર ઓપરેટિંગ લાક્ષણિકતાઓ (ROC) વળાંકો પછી તમામ ન્યુરલ નેટવર્ક મોડલ્સ માટે જનરેટ થાય છે અને દરેક નીચી-ગુણવત્તા અને ઉચ્ચ-ગુણવત્તાના ઉપયોગના કેસ માટે એન્જિન સિગ્નલ સ્ટ્રેન્થ રિપોર્ટ્સ જનરેટ થાય છે.વળાંક (AUC) હેઠળના વિસ્તારની ગણતરી pROC R પેકેજનો ઉપયોગ કરીને કરવામાં આવી હતી, અને 95% આત્મવિશ્વાસ અંતરાલો અને p-મૂલ્યોની ગણતરી DeLong પદ્ધતિ 18,19નો ઉપયોગ કરીને કરવામાં આવી હતી.માનવ રેટર્સના સંચિત સ્કોર્સનો ઉપયોગ તમામ ROC ગણતરીઓ માટે આધારરેખા તરીકે થાય છે.મશીન દ્વારા જાણ કરવામાં આવેલ સિગ્નલ સ્ટ્રેન્થ માટે, AUC ની બે વખત ગણતરી કરવામાં આવી હતી: એકવાર ઉચ્ચ ગુણવત્તાની માપનીયતા સ્કોર કટઓફ માટે અને એક વખત નીચી ગુણવત્તાના માપનીયતા સ્કોર કટઓફ માટે.ન્યુરલ નેટવર્કની તુલના એયુસી સિગ્નલ તાકાત સાથે કરવામાં આવે છે જે તેની પોતાની તાલીમ અને મૂલ્યાંકન પરિસ્થિતિઓને પ્રતિબિંબિત કરે છે.
એક અલગ ડેટાસેટ પર પ્રશિક્ષિત ડીપ લર્નિંગ મોડલને વધુ ચકાસવા માટે, યેલ યુનિવર્સિટીમાંથી એકત્રિત કરવામાં આવેલી 32 ફુલ ફેસ 6\(\times\) 6mm સપાટી સ્લેબ ઈમેજોના પ્રદર્શન મૂલ્યાંકન માટે ઉચ્ચ ગુણવત્તા અને નીચી ગુણવત્તાવાળા મોડલ સીધા જ લાગુ કરવામાં આવ્યા હતા.આંખનો સમૂહ એ જ સમયે ઇમેજ 8 \(\times \) 8 મીમીની જેમ કેન્દ્રિત છે.6\(\×\) 6 મીમી ઈમેજોનું મેન્યુઅલી મૂલ્યાંકન સમાન રેટર્સ (RD અને JW) દ્વારા 8\(\×\) 8 મીમી ઈમેજની જેમ જ કરવામાં આવ્યું હતું, એયુસીની ગણતરી તેમજ ચોકસાઈ અને કોહેનના કપ્પા દ્વારા કરવામાં આવી હતી. .સમાન રીતે
નીચી ગુણવત્તાવાળા મોડેલ માટે વર્ગ અસંતુલન ગુણોત્તર 158:189 (\(\rho = 1.19\)) અને ઉચ્ચ ગુણવત્તાવાળા મોડેલ માટે 80:267 (\(\rho = 3.3\)) છે.કારણ કે વર્ગ અસંતુલનનો ગુણોત્તર 1:4 કરતા ઓછો છે, વર્ગ અસંતુલન 20,21ને સુધારવા માટે કોઈ ચોક્કસ આર્કિટેક્ચરલ ફેરફારો કરવામાં આવ્યા નથી.
શીખવાની પ્રક્રિયાને વધુ સારી રીતે વિઝ્યુઅલાઈઝ કરવા માટે, ચારેય પ્રશિક્ષિત ડીપ લર્નિંગ મોડલ્સ માટે વર્ગ સક્રિયકરણ નકશા બનાવવામાં આવ્યા હતા: ઉચ્ચ ગુણવત્તાવાળું ResNet152 મોડેલ, નીચી ગુણવત્તાવાળું ResNet152 મોડેલ, ઉચ્ચ ગુણવત્તાનું એલેક્સનેટ મૉડલ અને હલકી ગુણવત્તાનું એલેક્સનેટ મૉડલ.વર્ગ સક્રિયકરણ નકશા આ ચાર મોડલના ઇનપુટ કન્વોલ્યુશનલ સ્તરોમાંથી જનરેટ થાય છે, અને 8 × 8 મીમી અને 6 × 6 મીમી માન્યતા સેટ 22, 23માંથી સ્ત્રોત ઈમેજો સાથે સક્રિયકરણ નકશાને ઓવરલે કરીને હીટ નકશા બનાવવામાં આવે છે.
R સંસ્કરણ 4.0.3 નો ઉપયોગ તમામ આંકડાકીય ગણતરીઓ માટે કરવામાં આવ્યો હતો, અને ggplot2 ગ્રાફિક્સ ટૂલ લાઇબ્રેરીનો ઉપયોગ કરીને વિઝ્યુલાઇઝેશન બનાવવામાં આવ્યું હતું.
અમે 134 લોકો પાસેથી 8 \(\times \)8 મીમી માપતા સુપરફિસિયલ કેશિલરી પ્લેક્સસની 347 આગળની છબીઓ એકત્રિત કરી.મશીને તમામ ઈમેજો માટે 0 થી 10 ના સ્કેલ પર સિગ્નલ સ્ટ્રેન્થની જાણ કરી (મીન = 6.99 ± 2.29).હસ્તગત કરાયેલ 347 છબીઓમાંથી, પરીક્ષા સમયે સરેરાશ ઉંમર 58.7 ± 14.6 વર્ષ હતી, અને 39.2% પુરૂષ દર્દીઓની હતી.તમામ છબીઓમાંથી, 30.8% કોકેશિયનોમાંથી, 32.6% કાળા લોકોમાંથી, 30.8% હિસ્પેનિકોમાંથી, 4% એશિયનોમાંથી અને 1.7% અન્ય જાતિઓમાંથી (કોષ્ટક 1) હતી.).OCTA ધરાવતા દર્દીઓની વય વિતરણ છબીની ગુણવત્તા (p <0.001) ના આધારે નોંધપાત્ર રીતે અલગ પડે છે.18-45 વર્ષની વયના નાના દર્દીઓમાં ઉચ્ચ-ગુણવત્તાવાળી છબીઓની ટકાવારી 12.2% નીચી-ગુણવત્તાવાળી છબીઓની સરખામણીમાં 33.8% હતી (કોષ્ટક 1).ડાયાબિટીક રેટિનોપેથી સ્થિતિનું વિતરણ પણ છબીની ગુણવત્તામાં નોંધપાત્ર રીતે બદલાય છે (p <0.017).તમામ ઉચ્ચ ગુણવત્તાની છબીઓમાં, પીડીઆર ધરાવતા દર્દીઓની ટકાવારી 18.8% હતી જે તમામ નીચી ગુણવત્તાવાળી છબીઓના 38.8% (કોષ્ટક 1) ની સરખામણીમાં હતી.
તમામ ઈમેજોના વ્યક્તિગત રેટિંગ્સે ઈમેજો વાંચતા લોકો વચ્ચે મધ્યમથી મજબૂત ઈન્ટર-રેટિંગ વિશ્વસનીયતા દર્શાવી હતી (કોહેનના વેઈટેડ કપ્પા = 0.79, 95% CI: 0.76-0.82), અને ત્યાં કોઈ ઈમેજ પોઈન્ટ નહોતા કે જ્યાં રેટર 1 કરતા વધારે અલગ હોય (ફિગ. 2A)..સિગ્નલની તીવ્રતા મેન્યુઅલ સ્કોરિંગ સાથે નોંધપાત્ર રીતે સંકળાયેલી છે (પિયરસન ઉત્પાદન ક્ષણ સહસંબંધ = 0.58, 95% CI 0.51–0.65, p<0.001), પરંતુ ઘણી છબીઓને ઉચ્ચ સિગ્નલ તીવ્રતા પરંતુ ઓછી મેન્યુઅલ સ્કોરિંગ (ફિગ. .2B) તરીકે ઓળખવામાં આવી હતી.
ResNet152 અને AlexNet આર્કિટેક્ચરની તાલીમ દરમિયાન, માન્યતા અને તાલીમ પર ક્રોસ-એન્ટ્રોપી નુકશાન 50 યુગો (આકૃતિ 3B,C) કરતાં વધુ થાય છે.અંતિમ તાલીમ યુગમાં માન્યતાની ચોકસાઈ ઉચ્ચ ગુણવત્તા અને ઓછી ગુણવત્તાના ઉપયોગના બંને કેસ માટે 90% થી વધુ છે.
રીસીવર પર્ફોર્મન્સ કર્વ્સ દર્શાવે છે કે ResNet152 મોડલ નીચી અને ઉચ્ચ ગુણવત્તા બંને ઉપયોગના કેસોમાં (p < 0.001) મશીન દ્વારા નોંધાયેલ સિગ્નલ પાવર કરતાં નોંધપાત્ર રીતે આગળ છે.ResNet152 મોડલ એલેક્સનેટ આર્કિટેક્ચર (અનુક્રમે ઓછી ગુણવત્તા અને ઉચ્ચ ગુણવત્તાવાળા કેસ માટે p = 0.005 અને p = 0.014) કરતાં નોંધપાત્ર રીતે આગળ છે.આમાંના દરેક કાર્ય માટે પરિણામી મોડલ અનુક્રમે 0.99 અને 0.97ના AUC મૂલ્યો હાંસલ કરવામાં સક્ષમ હતા, જે મશીન સિગ્નલ સ્ટ્રેન્થ ઇન્ડેક્સ માટે 0.82 અને 0.78 ના અનુરૂપ AUC મૂલ્યો અથવા એલેક્સનેટ માટે 0.97 અને 0.94 કરતાં નોંધપાત્ર રીતે વધુ સારા છે. ..(ફિગ. 3).ઉચ્ચ ગુણવત્તાની છબીઓને ઓળખતી વખતે સિગ્નલ સ્ટ્રેન્થમાં ResNet અને AUC વચ્ચેનો તફાવત વધુ હોય છે, જે આ કાર્ય માટે ResNet નો ઉપયોગ કરવાના વધારાના ફાયદા સૂચવે છે.
આલેખ દરેક સ્વતંત્ર રેટરની સ્કોર કરવાની ક્ષમતા દર્શાવે છે અને મશીન દ્વારા રિપોર્ટ કરાયેલ સિગ્નલ તાકાત સાથે તેની તુલના કરે છે.(A) મુલ્યાંકન કરવાના પોઈન્ટના સરવાળાનો ઉપયોગ મુલ્યાંકન કરવાના પોઈન્ટની કુલ સંખ્યા બનાવવા માટે થાય છે.4 ના એકંદર સ્કેલેબિલિટી સ્કોરવાળી છબીઓને ઉચ્ચ ગુણવત્તા સોંપવામાં આવે છે, જ્યારે 1 અથવા તેનાથી ઓછાના એકંદર માપનીયતા સ્કોરવાળી છબીઓને ઓછી ગુણવત્તા સોંપવામાં આવે છે.(B) સિગ્નલની તીવ્રતા મેન્યુઅલ અંદાજો સાથે સંબંધ ધરાવે છે, પરંતુ ઉચ્ચ સિગ્નલની તીવ્રતા ધરાવતી છબીઓ નબળી ગુણવત્તાની હોઈ શકે છે.લાલ ટપકાંવાળી લાઇન સિગ્નલ સ્ટ્રેન્થ (સિગ્નલ સ્ટ્રેન્થ \(\ge\)6)ના આધારે ઉત્પાદકની ભલામણ કરેલ ગુણવત્તા થ્રેશોલ્ડ સૂચવે છે.
ResNet ટ્રાન્સફર લર્નિંગ, મશીન-રિપોર્ટેડ સિગ્નલ લેવલની સરખામણીમાં નીચી ગુણવત્તા અને ઉચ્ચ ગુણવત્તાના ઉપયોગના કેસ બંને માટે ઇમેજ ગુણવત્તા ઓળખમાં નોંધપાત્ર સુધારો પૂરો પાડે છે.(A) પૂર્વ પ્રશિક્ષિત (i) ResNet152 અને (ii) AlexNet આર્કિટેક્ચરના સરળ આર્કિટેક્ચર ડાયાગ્રામ.(B) મશીનની જાણ કરેલ સિગ્નલ સ્ટ્રેન્થ અને એલેક્સનેટ નીચી ગુણવત્તાના માપદંડોની તુલનામાં ResNet152 માટે તાલીમ ઇતિહાસ અને રીસીવર કામગીરી વક્ર.(C) ResNet152 રીસીવર પ્રશિક્ષણ ઇતિહાસ અને મશીન રીપોર્ટ કરેલ સિગ્નલ સ્ટ્રેન્થ અને એલેક્સનેટ ઉચ્ચ ગુણવત્તાના માપદંડોની તુલનામાં પ્રદર્શન વળાંક.
નિર્ણય સીમા થ્રેશોલ્ડને સમાયોજિત કર્યા પછી, ResNet152 મોડેલની મહત્તમ અનુમાન ચોકસાઈ ઓછી ગુણવત્તાવાળા કેસ માટે 95.3% અને ઉચ્ચ ગુણવત્તાવાળા કેસ માટે 93.5% છે (કોષ્ટક 2).એલેક્સનેટ મોડેલની મહત્તમ આગાહી ચોકસાઈ ઓછી ગુણવત્તાવાળા કેસ માટે 91.0% અને ઉચ્ચ ગુણવત્તાવાળા કેસ માટે 90.1% છે (કોષ્ટક 2).મહત્તમ સિગ્નલ તાકાત અનુમાન ચોકસાઈ નીચી ગુણવત્તાના ઉપયોગ કેસ માટે 76.1% અને ઉચ્ચ ગુણવત્તાના ઉપયોગ કેસ માટે 77.8% છે.કોહેનના કપ્પા (\(\kappa\)) અનુસાર, ResNet152 મોડેલ અને અંદાજકારો વચ્ચેનો કરાર નીચી ગુણવત્તાવાળા કેસ માટે 0.90 અને ઉચ્ચ ગુણવત્તાવાળા કેસ માટે 0.81 છે.કોહેનના એલેક્સનેટ કપ્પા નીચી ગુણવત્તા અને ઉચ્ચ ગુણવત્તાના ઉપયોગના કેસ માટે અનુક્રમે 0.82 અને 0.71 છે.કોહેનની સિગ્નલ સ્ટ્રેન્થ કપ્પા નીચી અને ઉચ્ચ ગુણવત્તાના ઉપયોગના કેસ માટે અનુક્રમે 0.52 અને 0.27 છે.
6 મીમી ફ્લેટ પ્લેટની 6\(\x\) ઈમેજીસ પર ઉચ્ચ અને નીચી ગુણવત્તાવાળા ઓળખ મોડલની માન્યતા વિવિધ ઈમેજીંગ પરિમાણોમાં ઈમેજની ગુણવત્તા નક્કી કરવા માટે પ્રશિક્ષિત મોડેલની ક્ષમતા દર્શાવે છે.ઇમેજિંગ ગુણવત્તા માટે 6\(\x\) 6 mm છીછરા સ્લેબનો ઉપયોગ કરતી વખતે, નીચી ગુણવત્તાવાળા મોડેલમાં 0.83 નું AUC (95% CI: 0.69–0.98) હતું અને ઉચ્ચ ગુણવત્તાવાળા મોડેલનું AUC 0.85 હતું.(95% CI: 0.55–1.00) (કોષ્ટક 2).
ઇનપુટ લેયર ક્લાસ એક્ટીવેશન મેપ્સના વિઝ્યુઅલ ઇન્સ્પેક્શને દર્શાવ્યું હતું કે તમામ પ્રશિક્ષિત ન્યુરલ નેટવર્ક્સ ઇમેજ ક્લાસિફિકેશન (ફિગ. 4A, B) દરમિયાન ઇમેજ ફીચર્સનો ઉપયોગ કરે છે.8 \(\times \) 8 mm અને 6 \(\times \) 6 mm ઇમેજ માટે, ResNet એક્ટિવેશન ઇમેજ રેટિના વેસ્ક્યુલેચરને નજીકથી અનુસરે છે.એલેક્સનેટ સક્રિયકરણ નકશા પણ રેટિના જહાજોને અનુસરે છે, પરંતુ બરછટ રીઝોલ્યુશન સાથે.
ResNet152 અને AlexNet મોડલ્સ માટેના વર્ગ સક્રિયકરણ નકશા ઇમેજ ગુણવત્તા સંબંધિત વિશેષતાઓને હાઇલાઇટ કરે છે.(A) વર્ગ સક્રિયકરણ નકશો 8 \(\times \) 8 mm માન્યતા છબીઓ પર સુપરફિસિયલ રેટિના વેસ્ક્યુલેચર પછી સુસંગત સક્રિયકરણ દર્શાવે છે અને (B) નાની 6 \(\times \) 6 mm માન્યતા છબીઓ પર હદ.LQ મોડલ ઓછી ગુણવત્તાના માપદંડો પર પ્રશિક્ષિત, HQ મોડલ ઉચ્ચ ગુણવત્તાના માપદંડો પર પ્રશિક્ષિત.
તે અગાઉ દર્શાવવામાં આવ્યું છે કે ઇમેજની ગુણવત્તા OCTA ઇમેજના કોઈપણ પરિમાણને મોટા પ્રમાણમાં અસર કરી શકે છે.વધુમાં, રેટિનોપેથીની હાજરી 7,26 ઇમેજ આર્ટિફેક્ટ્સની ઘટનાઓને વધારે છે.વાસ્તવમાં, અમારા ડેટામાં, અગાઉના અભ્યાસો સાથે સુસંગત, અમને વધતી ઉંમર અને રેટિના રોગની તીવ્રતા અને છબીની ગુણવત્તામાં બગાડ વચ્ચે નોંધપાત્ર જોડાણ જોવા મળ્યું (p <0.001, p = 0.017 ઉંમર અને DR સ્થિતિ માટે, અનુક્રમે; કોષ્ટક 1) 27 તેથી, OCTA છબીઓનું કોઈપણ પરિમાણાત્મક વિશ્લેષણ કરતા પહેલા છબીની ગુણવત્તાનું મૂલ્યાંકન કરવું મહત્વપૂર્ણ છે.OCTA છબીઓનું વિશ્લેષણ કરતા મોટાભાગના અભ્યાસો ઓછી ગુણવત્તાવાળી છબીઓને નકારી કાઢવા માટે મશીન-રિપોર્ટેડ સિગ્નલ ઇન્ટેન્સિટી થ્રેશોલ્ડનો ઉપયોગ કરે છે.જોકે સિગ્નલની તીવ્રતા OCTA પરિમાણોના પરિમાણને અસર કરતી દર્શાવવામાં આવી છે, એકલા ઉચ્ચ સિગ્નલની તીવ્રતા 2,3,28,29 ઇમેજ આર્ટિફેક્ટ્સ સાથેની છબીઓને નકારી કાઢવા માટે પૂરતી નથી.તેથી, છબી ગુણવત્તા નિયંત્રણની વધુ વિશ્વસનીય પદ્ધતિ વિકસાવવી જરૂરી છે.આ માટે, અમે મશીન દ્વારા રિપોર્ટ કરાયેલ સિગ્નલ સ્ટ્રેન્થ સામે દેખરેખ હેઠળની ડીપ લર્નિંગ પદ્ધતિઓના પ્રદર્શનનું મૂલ્યાંકન કરીએ છીએ.
અમે ઇમેજ ક્વૉલિટીનું મૂલ્યાંકન કરવા માટે ઘણા મૉડલ વિકસાવ્યા છે કારણ કે અલગ-અલગ OCTA ઉપયોગના કેસમાં અલગ-અલગ ઇમેજ ગુણવત્તાની આવશ્યકતાઓ હોઈ શકે છે.ઉદાહરણ તરીકે, છબીઓ ઉચ્ચ ગુણવત્તાની હોવી જોઈએ.વધુમાં, રસના ચોક્કસ જથ્થાત્મક પરિમાણો પણ મહત્વપૂર્ણ છે.ઉદાહરણ તરીકે, ફોવેલ એવસ્ક્યુલર ઝોનનો વિસ્તાર બિન-કેન્દ્રીય માધ્યમની ગંદકી પર આધાર રાખતો નથી, પરંતુ વાહિનીઓની ઘનતાને અસર કરે છે.જ્યારે અમારું સંશોધન ઇમેજ ગુણવત્તા માટેના સામાન્ય અભિગમ પર ધ્યાન કેન્દ્રિત કરવાનું ચાલુ રાખે છે, જે કોઈ ચોક્કસ પરીક્ષણની આવશ્યકતાઓ સાથે બંધાયેલ નથી, પરંતુ મશીન દ્વારા નોંધાયેલ સિગ્નલની શક્તિને સીધી રીતે બદલવાના હેતુથી છે, અમે વપરાશકર્તાઓને વધુ નિયંત્રણ આપવાની આશા રાખીએ છીએ જેથી તેઓ વપરાશકર્તાની રુચિનું ચોક્કસ મેટ્રિક પસંદ કરી શકે છે.એક મોડેલ પસંદ કરો જે સ્વીકાર્ય માનવામાં આવતી છબી કલાકૃતિઓની મહત્તમ ડિગ્રીને અનુરૂપ હોય.
નિમ્ન-ગુણવત્તાવાળા અને ઉચ્ચ-ગુણવત્તાવાળા દ્રશ્યો માટે, અમે અનુક્રમે 0.97 અને 0.99ના AUC અને ઓછી-ગુણવત્તાવાળા મોડલ્સ સાથે કનેક્શન-ગુમ થયેલ ડીપ કન્વોલ્યુશનલ ન્યુરલ નેટવર્કનું ઉત્તમ પ્રદર્શન બતાવીએ છીએ.જ્યારે માત્ર મશીનો દ્વારા જાણ કરવામાં આવેલ સિગ્નલ સ્તરોની સરખામણીમાં અમે અમારા ઊંડા શિક્ષણના અભિગમનું શ્રેષ્ઠ પ્રદર્શન પણ દર્શાવીએ છીએ.સ્કીપ કનેક્શન્સ ન્યુરલ નેટવર્ક્સને વિગતના બહુવિધ સ્તરો પર વિશેષતાઓ શીખવાની મંજૂરી આપે છે, જે ઇમેજના ઝીણા પાસાઓ (દા.ત. કોન્ટ્રાસ્ટ) તેમજ સામાન્ય લક્ષણો (દા.ત. ઇમેજ સેન્ટરિંગ 30,31) કેપ્ચર કરે છે.ઇમેજની ગુણવત્તાને અસર કરતી ઇમેજ આર્ટિફેક્ટ્સ કદાચ વિશાળ શ્રેણીમાં શ્રેષ્ઠ રીતે ઓળખાય છે, ગુમ થયેલ કનેક્શન્સ સાથેના ન્યુરલ નેટવર્ક આર્કિટેક્ચર્સ ઇમેજ ગુણવત્તા નિર્ધારણ કાર્યો વિનાના કરતાં વધુ સારું પ્રદર્શન પ્રદર્શિત કરી શકે છે.
6\(\×6mm) OCTA ઈમેજો પર અમારા મોડલનું પરીક્ષણ કરતી વખતે, અમે વર્ગીકરણ માટે પ્રશિક્ષિત મોડલના કદથી વિપરીત, ઉચ્ચ ગુણવત્તા અને નીચી ગુણવત્તાવાળા મોડલ (ફિગ. 2) બંને માટે વર્ગીકરણ પ્રદર્શનમાં ઘટાડો નોંધ્યો.ResNet મૉડલની સરખામણીમાં, AlexNet મૉડલમાં મોટી ફૉલઑફ છે.ResNet નું પ્રમાણમાં બહેતર પ્રદર્શન બહુવિધ સ્કેલ પર માહિતી પ્રસારિત કરવાની અવશેષ કનેક્શન્સની ક્ષમતાને કારણે હોઈ શકે છે, જે વિવિધ સ્કેલ અને/અથવા મેગ્નિફિકેશન પર કેપ્ચર કરેલી છબીઓને વર્ગીકૃત કરવા માટે મોડેલને વધુ મજબૂત બનાવે છે.
8 \(\×\) 8 મીમી ઈમેજીસ અને 6 \(\×\) 6 મીમી ઈમેજીસ વચ્ચેના કેટલાક તફાવતો નબળા વર્ગીકરણ તરફ દોરી શકે છે, જેમાં ફોવીલ એવસ્ક્યુલર વિસ્તારો ધરાવતી ઈમેજોના પ્રમાણમાં ઊંચા પ્રમાણ, દૃશ્યતામાં ફેરફાર, વેસ્ક્યુલર આર્કેડ અને છબી 6×6 mm પર કોઈ ઓપ્ટિક ચેતા નથી.આ હોવા છતાં, અમારું ઉચ્ચ ગુણવત્તાનું ResNet મોડલ 6 \(\x\) 6 mm ઇમેજ માટે 85% નું AUC હાંસલ કરવામાં સક્ષમ હતું, એક રૂપરેખાંકન કે જેના માટે મોડેલને તાલીમ આપવામાં આવી ન હતી, જે સૂચવે છે કે ઇમેજ ગુણવત્તા માહિતી ન્યુરલ નેટવર્કમાં એન્કોડ થયેલ છે. યોગ્ય છે.તેની તાલીમની બહાર એક છબી કદ અથવા મશીન ગોઠવણી માટે (કોષ્ટક 2).ખાતરીપૂર્વક, ResNet- અને AlexNet-જેવા સક્રિયકરણ નકશા 8 \(\times \) 8 mm અને 6 \(\times \) 6 mm છબીઓ બંને કિસ્સાઓમાં રેટિના વાહિનીઓને પ્રકાશિત કરવામાં સક્ષમ હતા, જે સૂચવે છે કે મોડેલમાં મહત્વપૂર્ણ માહિતી છે.બંને પ્રકારની OCTA ઈમેજીસના વર્ગીકરણ માટે લાગુ પડે છે (ફિગ. 4).
લૌરમેન એટ અલ.OCTA ઇમેજ પર ઇમેજ ગુણવત્તાનું મૂલ્યાંકન એ જ રીતે ઇન્સેપ્શન આર્કિટેક્ચરનો ઉપયોગ કરીને કરવામાં આવ્યું હતું, અન્ય સ્કીપ-કનેક્શન કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક 6,32 ડીપ લર્નિંગ તકનીકોનો ઉપયોગ કરીને.તેઓએ અધ્યયનને સુપરફિસિયલ કેશિલરી પ્લેક્સસની છબીઓ સુધી મર્યાદિત રાખ્યું હતું, પરંતુ માત્ર ઓપ્ટોવ્યુ એન્જીઓવ્યુમાંથી નાની 3 × 3 મીમી ઈમેજોનો ઉપયોગ કરીને, જોકે વિવિધ કોરિઓરેટિનલ રોગોવાળા દર્દીઓનો પણ સમાવેશ કરવામાં આવ્યો હતો.અમારું કાર્ય તેમના પાયા પર નિર્માણ કરે છે, જેમાં વિવિધ છબી ગુણવત્તા થ્રેશોલ્ડને સંબોધિત કરવા અને વિવિધ કદની છબીઓ માટે પરિણામોને માન્ય કરવા માટે બહુવિધ મોડલ્સનો સમાવેશ થાય છે.અમે મશીન લર્નિંગ મોડલ્સના AUC મેટ્રિકની પણ જાણ કરીએ છીએ અને નીચી ગુણવત્તા (96%) અને ઉચ્ચ ગુણવત્તા (95.7%) મોડલ6 બંને માટે તેમની પહેલેથી પ્રભાવશાળી ચોકસાઈ (90%)6 વધારીએ છીએ.
આ તાલીમમાં ઘણી મર્યાદાઓ છે.પ્રથમ, 8\(\times\)8 mm અને 6\(\times\)6 mm પર માત્ર સુપરફિસિયલ કેશિલરી પ્લેક્સસની છબીઓ સહિત, માત્ર એક OCTA મશીન વડે ઈમેજો હસ્તગત કરવામાં આવી હતી.ઊંડા સ્તરોમાંથી છબીઓને બાકાત રાખવાનું કારણ એ છે કે પ્રક્ષેપણ કલાકૃતિઓ છબીઓના મેન્યુઅલ મૂલ્યાંકનને વધુ મુશ્કેલ અને સંભવતઃ ઓછા સુસંગત બનાવી શકે છે.વધુમાં, છબીઓ માત્ર ડાયાબિટીસના દર્દીઓમાં હસ્તગત કરવામાં આવી છે, જેમના માટે OCTA એક મહત્વપૂર્ણ નિદાન અને પૂર્વસૂચન સાધન તરીકે ઉભરી રહ્યું છે33,34.જો કે અમે પરિણામો મજબૂત છે તેની ખાતરી કરવા માટે અમે અમારા મોડલને વિવિધ કદની છબીઓ પર ચકાસવા સક્ષમ હતા, અમે વિવિધ કેન્દ્રોમાંથી યોગ્ય ડેટાસેટ્સને ઓળખવામાં અસમર્થ હતા, જેણે મોડેલની સામાન્યીકરણના અમારા મૂલ્યાંકનને મર્યાદિત કર્યું.જો કે છબીઓ માત્ર એક જ કેન્દ્રમાંથી મેળવવામાં આવી હતી, તે વિવિધ વંશીય અને વંશીય પૃષ્ઠભૂમિના દર્દીઓ પાસેથી મેળવવામાં આવી હતી, જે અમારા અભ્યાસની એક અનોખી તાકાત છે.અમારી તાલીમ પ્રક્રિયામાં વિવિધતાનો સમાવેશ કરીને, અમે આશા રાખીએ છીએ કે અમારા પરિણામોને વ્યાપક અર્થમાં સામાન્ય કરવામાં આવશે, અને અમે જે મોડલ્સને તાલીમ આપીએ છીએ તેમાં વંશીય પૂર્વગ્રહને એન્કોડ કરવાનું ટાળીશું.
અમારો અભ્યાસ દર્શાવે છે કે કનેક્શન-સ્કિપિંગ ન્યુરલ નેટવર્ક્સને OCTA ઇમેજ ગુણવત્તા નક્કી કરવામાં ઉચ્ચ પ્રદર્શન પ્રાપ્ત કરવા માટે તાલીમ આપી શકાય છે.અમે આ મોડેલોને વધુ સંશોધન માટે સાધનો તરીકે પ્રદાન કરીએ છીએ.કારણ કે વિવિધ મેટ્રિક્સમાં અલગ-અલગ ઇમેજ ગુણવત્તાની આવશ્યકતાઓ હોઈ શકે છે, અહીં સ્થાપિત માળખાનો ઉપયોગ કરીને દરેક મેટ્રિક માટે વ્યક્તિગત ગુણવત્તા નિયંત્રણ મોડલ વિકસાવી શકાય છે.
ભાવિ સંશોધનમાં ઊંડા શિક્ષણની છબી ગુણવત્તા મૂલ્યાંકન પ્રક્રિયા મેળવવા માટે વિવિધ ઊંડાણો અને વિવિધ OCTA મશીનોમાંથી વિવિધ કદની છબીઓનો સમાવેશ થવો જોઈએ જે OCTA પ્લેટફોર્મ્સ અને ઇમેજિંગ પ્રોટોકોલ્સ પર સામાન્ય કરી શકાય છે.વર્તમાન સંશોધન પણ દેખરેખ હેઠળના ઊંડા શિક્ષણ અભિગમો પર આધારિત છે જેને માનવ મૂલ્યાંકન અને છબી મૂલ્યાંકનની જરૂર છે, જે મોટા ડેટાસેટ્સ માટે શ્રમ સઘન અને સમય માંગી શકે છે.તે જોવાનું બાકી છે કે શું દેખરેખ વિનાની ડીપ લર્નિંગ પદ્ધતિઓ નીચી ગુણવત્તાની છબીઓ અને ઉચ્ચ ગુણવત્તાની છબીઓ વચ્ચે પર્યાપ્ત રીતે તફાવત કરી શકે છે.
જેમ જેમ OCTA ટેક્નોલૉજી સતત વિકસિત થઈ રહી છે અને સ્કૅનિંગની ઝડપ વધે છે, તેમ તેમ ઈમેજ આર્ટિફેક્ટ્સ અને નબળી ગુણવત્તાવાળી ઈમેજોની ઘટનાઓ ઘટી શકે છે.સૉફ્ટવેરમાં સુધારાઓ, જેમ કે તાજેતરમાં રજૂ કરાયેલ પ્રોજેક્શન આર્ટિફેક્ટ દૂર કરવાની સુવિધા, પણ આ મર્યાદાઓને દૂર કરી શકે છે.જો કે, નબળી ફિક્સેશન અથવા નોંધપાત્ર મીડિયા ટર્બિડિટી ધરાવતા દર્દીઓની ઇમેજિંગ તરીકે ઘણી સમસ્યાઓ રહે છે જે હંમેશા ઇમેજ આર્ટિફેક્ટ્સમાં પરિણમે છે.ક્લિનિકલ ટ્રાયલ્સમાં OCTA નો વધુ વ્યાપક ઉપયોગ થતો હોવાથી, છબી વિશ્લેષણ માટે સ્વીકાર્ય ઇમેજ આર્ટિફેક્ટ સ્તરો માટે સ્પષ્ટ માર્ગદર્શિકા સ્થાપિત કરવા માટે સાવચેતીપૂર્વક વિચારણા કરવાની જરૂર છે.OCTA ઈમેજીસ પર ડીપ લર્નિંગ મેથડનો ઉપયોગ મહાન વચનો ધરાવે છે અને ઈમેજ ક્વોલિટી કંટ્રોલ માટે મજબૂત અભિગમ વિકસાવવા માટે આ ક્ષેત્રમાં વધુ સંશોધનની જરૂર છે.
વર્તમાન સંશોધનમાં ઉપયોગમાં લેવાતો કોડ ઓક્ટા-ક્યુસી રિપોઝીટરી, https://github.com/rahuldhodapkar/octa-qc માં ઉપલબ્ધ છે.વર્તમાન અભ્યાસ દરમિયાન જનરેટ કરાયેલ અને/અથવા વિશ્લેષણ કરાયેલ ડેટાસેટ્સ સંબંધિત લેખકો પાસેથી વાજબી વિનંતી પર ઉપલબ્ધ છે.
સ્પેઇડ, આરએફ, ફુજીમોટો, જેજી અને વાહીદ, એનકે ઓપ્ટિકલ કોહેરેન્સ એન્જીયોગ્રાફીમાં ઇમેજ આર્ટિફેક્ટ્સ.રેટિના 35, 2163–2180 (2015).
ફેનર, બીજે એટ અલ.ઓસીટી એન્જીયોગ્રાફીમાં રેટિના કેશિલરી પ્લેક્સસ ડેન્સિટી માપનની ગુણવત્તા અને પ્રજનનક્ષમતા નક્કી કરતી ઇમેજિંગ સુવિધાઓની ઓળખ.બી.આર.જે. ઓપ્થામોલ.102, 509–514 (2018).
લૌરમેન, જેએલ એટ અલ.વય-સંબંધિત મેક્યુલર ડિજનરેશનમાં OCT એન્જીયોગ્રાફીની છબી ગુણવત્તા પર આંખ-ટ્રેકિંગ તકનીકનો પ્રભાવ.કબરની કમાન.ક્લિનિકલએક્સપ.નેત્રવિજ્ઞાન255, 1535–1542 (2017).
બેબીચ એએસ એટ અલ.OCTA કેશિલરી પરફ્યુઝન ઘનતા માપનો ઉપયોગ મેક્યુલર ઇસ્કેમિયાને શોધવા અને તેનું મૂલ્યાંકન કરવા માટે થાય છે.આંખની શસ્ત્રક્રિયા.રેટિનલ લેસર ઇમેજિંગ 51, S30–S36 (2020).
હી, કે., ઝાંગ, એક્સ., રેન, એસ. અને સન, જે. ઈમેજ રેકગ્નિશન માટે ડીપ રેસિડ્યુઅલ લર્નિંગ.2016 માં કમ્પ્યુટર વિઝન અને પેટર્ન રેકગ્નિશન (2016) પર IEEE કોન્ફરન્સમાં.
લૌરમેન, જેએલ એટ અલ.ડીપ લર્નિંગ એલ્ગોરિધમ્સનો ઉપયોગ કરીને ઓટોમેટેડ ઓસીટી એન્જીયોગ્રાફિક ઇમેજ ગુણવત્તા મૂલ્યાંકન.કબરની કમાન.ક્લિનિકલએક્સપ.નેત્રવિજ્ઞાન257, 1641–1648 (2019).
લૌરમેન, જે. એટ અલ.OCT એન્જીયોગ્રાફીમાં વિભાજનની ભૂલો અને ગતિ કલાકૃતિઓનો વ્યાપ રેટિનાના રોગ પર આધાર રાખે છે.કબરની કમાન.ક્લિનિકલએક્સપ.નેત્રવિજ્ઞાન256, 1807–1816 (2018).
પાસ્ક, એડમ એટ અલ.પાયટોર્ચ: એક આવશ્યક, ઉચ્ચ-પ્રદર્શન ડીપ લર્નિંગ લાઇબ્રેરી.ન્યુરલ માહિતીની અદ્યતન પ્રક્રિયા.સિસ્ટમ32, 8026–8037 (2019).
ડેંગ, જે. એટ અલ.ઇમેજનેટ: એક મોટા પાયે હાયરાર્કિકલ ઇમેજ ડેટાબેઝ.2009 કોમ્પ્યુટર વિઝન અને પેટર્ન રેકગ્નિશન પર IEEE કોન્ફરન્સ.248-255.(2009).
ક્રિઝેવ્સ્કી એ., સુત્ઝકેવર I. અને હિન્ટન જીઇ ઈમેનેટ વર્ગીકરણ ડીપ કન્વોલ્યુશનલ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને.ન્યુરલ માહિતીની અદ્યતન પ્રક્રિયા.સિસ્ટમ25, 1 (2012).