Terima kasih telah mengunjungi Nature.com.Anda menggunakan versi browser dengan dukungan CSS terbatas.Untuk pengalaman terbaik, kami menyarankan Anda menggunakan browser yang diperbarui (atau menonaktifkan Mode Kompatibilitas di Internet Explorer).Selain itu, untuk memastikan dukungan berkelanjutan, kami menampilkan situs tanpa gaya dan JavaScript.
Slider menampilkan tiga artikel per slide.Gunakan tombol kembali dan berikutnya untuk menelusuri slide, atau tombol pengontrol slide di akhir untuk menelusuri setiap slide.
Angiografi tomografi koherensi optik (OCTA) adalah metode baru untuk visualisasi pembuluh retina non-invasif.Meskipun OCTA memiliki banyak aplikasi klinis yang menjanjikan, menentukan kualitas gambar masih menjadi tantangan.Kami mengembangkan sistem berbasis pembelajaran mendalam menggunakan pengklasifikasi jaringan saraf ResNet152 yang telah dilatih sebelumnya dengan ImageNet untuk mengklasifikasikan gambar pleksus kapiler superfisial dari 347 pemindaian pada 134 pasien.Gambar-gambar tersebut juga dinilai secara manual sebagai kebenaran sebenarnya oleh dua penilai independen untuk model pembelajaran yang diawasi.Karena persyaratan kualitas gambar dapat bervariasi tergantung pada pengaturan klinis atau penelitian, dua model dilatih, satu untuk pengenalan gambar berkualitas tinggi dan yang lainnya untuk pengenalan gambar berkualitas rendah.Model jaringan saraf kami menunjukkan area di bawah kurva (AUC) yang sangat baik, 95% CI 0,96-0,99, \(\kappa\) = 0,81), yang secara signifikan lebih baik daripada level sinyal yang dilaporkan oleh mesin (AUC = 0,82, 95 %CI).0,77–0,86, \(\kappa\) = 0,52 dan AUC = 0,78, 95% CI 0,73–0,83, \(\kappa\) = 0,27, masing-masing).Studi kami menunjukkan bahwa metode pembelajaran mesin dapat digunakan untuk mengembangkan metode kontrol kualitas yang fleksibel dan kuat untuk gambar OCTA.
Angiografi tomografi koherensi optik (OCTA) adalah teknik yang relatif baru berdasarkan tomografi koherensi optik (OCT) yang dapat digunakan untuk visualisasi non-invasif dari mikrovaskular retina.OCTA mengukur perbedaan pola refleksi dari pulsa cahaya berulang di area retina yang sama, dan rekonstruksi kemudian dapat dihitung untuk mengungkap pembuluh darah tanpa penggunaan pewarna atau zat kontras lainnya secara invasif.OCTA juga memungkinkan pencitraan vaskular dengan resolusi mendalam, memungkinkan dokter memeriksa secara terpisah lapisan pembuluh darah superfisial dan dalam, membantu membedakan antara penyakit korioretinal.
Meskipun teknik ini cukup menjanjikan, variasi kualitas gambar tetap menjadi tantangan utama dalam analisis gambar yang andal, sehingga menyulitkan interpretasi gambar dan mencegah penerapan klinis secara luas.Karena OCTA menggunakan beberapa pemindaian OCT berturut-turut, OCTA lebih sensitif terhadap artefak gambar dibandingkan OCT standar.Sebagian besar platform OCTA komersial menyediakan metrik kualitas gambarnya sendiri yang disebut Kekuatan Sinyal (SS) atau terkadang Indeks Kekuatan Sinyal (SSI).Namun, gambar dengan nilai SS atau SSI yang tinggi tidak menjamin tidak adanya artefak gambar, yang dapat mempengaruhi analisis gambar selanjutnya dan menyebabkan keputusan klinis yang salah.Artefak gambar umum yang dapat muncul dalam pencitraan OCTA meliputi artefak gerak, artefak segmentasi, artefak opasitas media, dan artefak proyeksi1,2,3.
Karena pengukuran yang berasal dari OCTA seperti kepadatan vaskular semakin banyak digunakan dalam penelitian translasi, uji klinis, dan praktik klinis, terdapat kebutuhan mendesak untuk mengembangkan proses pengendalian kualitas gambar yang kuat dan andal untuk menghilangkan artefak gambar4.Lewati koneksi, juga dikenal sebagai koneksi sisa, adalah proyeksi dalam arsitektur jaringan saraf yang memungkinkan informasi melewati lapisan konvolusional sambil menyimpan informasi pada skala atau resolusi yang berbeda5.Karena artefak gambar dapat memengaruhi performa gambar berskala kecil dan umum berskala besar, jaringan saraf lewati koneksi sangat cocok untuk mengotomatiskan tugas kontrol kualitas ini5.Karya yang diterbitkan baru-baru ini menunjukkan beberapa harapan untuk jaringan saraf konvolusional mendalam yang dilatih menggunakan data berkualitas tinggi dari penduga manusia6.
Dalam studi ini, kami melatih jaringan saraf konvolusional yang melewatkan koneksi untuk secara otomatis menentukan kualitas gambar OCTA.Kami melanjutkan penelitian sebelumnya dengan mengembangkan model terpisah untuk mengidentifikasi gambar berkualitas tinggi dan gambar berkualitas rendah, karena persyaratan kualitas gambar mungkin berbeda untuk skenario klinis atau penelitian tertentu.Kami membandingkan hasil jaringan ini dengan jaringan neural konvolusional tanpa kehilangan koneksi untuk mengevaluasi manfaat penyertaan fitur pada berbagai tingkat perincian dalam pembelajaran mendalam.Kami kemudian membandingkan hasil kami dengan kekuatan sinyal, ukuran kualitas gambar yang diterima secara umum dan disediakan oleh produsen.
Penelitian kami melibatkan pasien diabetes yang mengunjungi Yale Eye Center antara 11 Agustus 2017 hingga 11 April 2019. Pasien dengan penyakit korioretinal non-diabetes dikeluarkan dari penelitian.Tidak ada kriteria inklusi atau eksklusi berdasarkan usia, jenis kelamin, ras, kualitas gambar, atau faktor lainnya.
Gambar OCTA diperoleh menggunakan platform AngioPlex pada Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) dengan protokol pencitraan 8\(\times\)8 mm dan 6\(\times\)6 mm.Persetujuan untuk berpartisipasi dalam penelitian ini diperoleh dari masing-masing peserta penelitian, dan Dewan Peninjau Institusional Universitas Yale (IRB) menyetujui penggunaan persetujuan berdasarkan fotografi global untuk semua pasien ini.Mengikuti prinsip-prinsip Deklarasi Helsinki.Penelitian ini disetujui oleh IRB Universitas Yale.
Gambar pelat permukaan dievaluasi berdasarkan Skor Artefak Gerak (MAS) yang dijelaskan sebelumnya, Skor Artefak Segmentasi (SAS) yang dijelaskan sebelumnya, pusat foveal, adanya opasitas media, dan visualisasi kapiler kecil yang baik sebagaimana ditentukan oleh penilai gambar.Gambar dianalisis oleh dua evaluator independen (RD dan JW).Sebuah gambar mempunyai skor penilaian 2 (memenuhi syarat) jika seluruh kriteria berikut terpenuhi: gambar dipusatkan di fovea (kurang dari 100 piksel dari pusat gambar), MAS bernilai 1 atau 2, SAS bernilai 1, dan opasitas media kurang dari 1. Terdapat pada gambar berukuran / 16, dan kapiler kecil terlihat pada gambar lebih besar dari 15/16.Sebuah gambar diberi peringkat 0 (tidak ada peringkat) jika salah satu kriteria berikut terpenuhi: gambar tidak berada di tengah, jika MAS adalah 4, jika SAS adalah 2, atau opasitas rata-rata lebih besar dari 1/4 gambar, dan kapiler kecil tidak dapat diatur lebih dari 1 gambar /4 untuk membedakannya.Semua gambar lain yang tidak memenuhi kriteria penilaian 0 atau 2 akan diberi skor 1 (kliping).
Pada gambar.1 menunjukkan contoh gambar untuk setiap estimasi skala dan artefak gambar.Keandalan antar penilai skor individu dinilai dengan pembobotan kappa Cohen8.Skor individu dari setiap penilai dijumlahkan untuk mendapatkan skor keseluruhan untuk setiap gambar, berkisar antara 0 hingga 4. Gambar dengan total skor 4 dianggap baik.Gambar dengan skor total 0 atau 1 dianggap berkualitas rendah.
Jaringan saraf konvolusional arsitektur ResNet152 (Gbr. 3A.i) yang telah dilatih sebelumnya pada gambar dari database ImageNet dihasilkan menggunakan fast.ai dan kerangka kerja PyTorch5, 9, 10, 11. Jaringan saraf konvolusional adalah jaringan yang menggunakan pembelajaran filter untuk memindai fragmen gambar untuk mempelajari fitur spasial dan lokal.ResNet terlatih kami adalah jaringan saraf 152 lapisan yang ditandai dengan celah atau “koneksi sisa” yang secara bersamaan mengirimkan informasi dengan berbagai resolusi.Dengan memproyeksikan informasi pada resolusi berbeda melalui jaringan, platform dapat mempelajari fitur gambar berkualitas rendah pada berbagai tingkat detail.Selain model ResNet, kami juga melatih AlexNet, arsitektur jaringan neural yang telah dipelajari dengan baik, tanpa kehilangan koneksi untuk perbandingan (Gambar 3A.ii)12.Tanpa koneksi yang hilang, jaringan ini tidak akan dapat menangkap fitur dengan tingkat granularitas yang lebih tinggi.
Kumpulan gambar OCTA13 8\(\times\)8mm asli telah disempurnakan menggunakan teknik refleksi horizontal dan vertikal.Kumpulan data lengkap kemudian dibagi secara acak pada tingkat gambar menjadi kumpulan data pelatihan (51,2%), pengujian (12,8%), penyetelan hyperparameter (16%), dan validasi (20%) menggunakan scikit-learn toolbox python14.Dua kasus dipertimbangkan, satu didasarkan pada pendeteksian hanya gambar dengan kualitas tertinggi (skor keseluruhan 4) dan yang lainnya didasarkan pada pendeteksian hanya gambar dengan kualitas terendah (skor keseluruhan 0 atau 1).Untuk setiap kasus penggunaan berkualitas tinggi dan berkualitas rendah, jaringan saraf dilatih ulang satu kali pada data gambar kami.Dalam setiap kasus penggunaan, jaringan saraf dilatih selama 10 zaman, semua kecuali bobot lapisan tertinggi dibekukan, dan bobot semua parameter internal dipelajari selama 40 zaman menggunakan metode kecepatan pembelajaran diskriminatif dengan fungsi kerugian lintas entropi 15, 16..Fungsi kerugian entropi silang adalah ukuran skala logaritmik dari perbedaan antara label jaringan yang diprediksi dan data sebenarnya.Selama pelatihan, penurunan gradien dilakukan pada parameter internal jaringan saraf untuk meminimalkan kerugian.Hyperparameter kecepatan pembelajaran, tingkat dropout, dan pengurangan bobot disetel menggunakan optimasi Bayesian dengan 2 titik awal acak dan 10 iterasi, dan AUC pada kumpulan data disetel menggunakan hyperparameter sebagai target 17.
Contoh representatif gambar OCTA 8 × 8 mm dari pleksus kapiler superfisial diberi skor 2 (A, B), 1 (C, D), dan 0 (E, F).Artefak gambar yang ditampilkan antara lain garis berkedip (panah), artefak segmentasi (tanda bintang), dan opacity media (panah).Gambar (E) juga tidak berada di tengah.
Kurva karakteristik operasi penerima (ROC) kemudian dihasilkan untuk semua model jaringan saraf, dan laporan kekuatan sinyal mesin dihasilkan untuk setiap kasus penggunaan berkualitas rendah dan berkualitas tinggi.Area di bawah kurva (AUC) dihitung menggunakan paket pROC R, dan interval kepercayaan 95% dan nilai p dihitung menggunakan metode DeLong18,19.Skor kumulatif dari penilai manusia digunakan sebagai dasar untuk semua perhitungan ROC.Untuk kekuatan sinyal yang dilaporkan oleh mesin, AUC dihitung dua kali: sekali untuk batas Skor Skalabilitas kualitas tinggi dan satu kali untuk batas Skor Skalabilitas kualitas rendah.Jaringan saraf dibandingkan dengan kekuatan sinyal AUC yang mencerminkan kondisi pelatihan dan evaluasinya sendiri.
Untuk menguji lebih lanjut model pembelajaran mendalam yang dilatih pada kumpulan data terpisah, model berkualitas tinggi dan berkualitas rendah diterapkan langsung pada evaluasi kinerja 32 gambar pelat permukaan wajah penuh 6\(\times\) 6 mm yang dikumpulkan dari Universitas Yale.Massa Mata berada di tengah bayangan 8 \(\times \) 8 mm.Gambar 6\(\×\) 6 mm dinilai secara manual oleh penilai yang sama (RD dan JW) dengan cara yang sama seperti gambar 8\(\×\) 8 mm, AUC dihitung serta akurasi dan kappa Cohen .sama.
Rasio ketidakseimbangan kelas adalah 158:189 (\(\rho = 1.19\)) untuk model kualitas rendah dan 80:267 (\(\rho = 3.3\)) untuk model kualitas tinggi.Karena rasio ketidakseimbangan kelas kurang dari 1:4, tidak ada perubahan arsitektur khusus yang dilakukan untuk memperbaiki ketidakseimbangan kelas20,21.
Untuk memvisualisasikan proses pembelajaran dengan lebih baik, peta aktivasi kelas dibuat untuk keempat model pembelajaran mendalam yang dilatih: model ResNet152 berkualitas tinggi, model ResNet152 berkualitas rendah, model AlexNet berkualitas tinggi, dan model AlexNet berkualitas rendah.Peta aktivasi kelas dihasilkan dari lapisan konvolusional masukan dari keempat model ini, dan peta panas dihasilkan dengan melapisi peta aktivasi dengan gambar sumber dari set validasi 8 × 8 mm dan 6 × 6 mm22, 23.
R versi 4.0.3 digunakan untuk semua penghitungan statistik, dan visualisasi dibuat menggunakan pustaka alat grafis ggplot2.
Kami mengumpulkan 347 gambar frontal pleksus kapiler superfisial berukuran 8 \(\times \)8 mm dari 134 orang.Mesin melaporkan kekuatan sinyal pada skala 0 hingga 10 untuk semua gambar (rata-rata = 6,99 ± 2,29).Dari 347 gambar yang diperoleh, usia rata-rata saat pemeriksaan adalah 58,7 ± 14,6 tahun, dan 39,2% berasal dari pasien laki-laki.Dari seluruh gambar, 30,8% berasal dari ras Kaukasia, 32,6% dari ras kulit hitam, 30,8% dari ras Hispanik, 4% dari ras Asia, dan 1,7% dari ras lain (Tabel 1).).Distribusi usia pasien dengan OCTA berbeda secara signifikan tergantung pada kualitas gambar (p <0,001).Persentase gambar berkualitas tinggi pada pasien muda berusia 18-45 tahun adalah 33,8% dibandingkan dengan 12,2% gambar berkualitas rendah (Tabel 1).Distribusi status retinopati diabetik juga bervariasi secara signifikan pada kualitas gambar (p <0,017).Di antara semua gambar berkualitas tinggi, persentase pasien dengan PDR adalah 18,8% dibandingkan dengan 38,8% dari semua gambar berkualitas rendah (Tabel 1).
Peringkat individual dari semua gambar menunjukkan reliabilitas antar peringkat sedang hingga kuat antara orang yang membaca gambar (kappa tertimbang Cohen = 0,79, 95% CI: 0,76-0,82), dan tidak ada titik gambar di mana perbedaan penilai lebih dari 1 (Gbr. 2). 2A)..Intensitas sinyal berkorelasi signifikan dengan penilaian manual (korelasi momen produk Pearson = 0,58, 95% CI 0,51–0,65, p<0,001), namun banyak gambar yang diidentifikasi memiliki intensitas sinyal tinggi namun penilaian manual rendah (Gbr. .2B).
Selama pelatihan arsitektur ResNet152 dan AlexNet, kerugian lintas entropi pada validasi dan pelatihan mencapai lebih dari 50 epoch (Gambar 3B,C).Akurasi validasi pada masa pelatihan akhir lebih dari 90% untuk kasus penggunaan berkualitas tinggi dan berkualitas rendah.
Kurva kinerja penerima menunjukkan bahwa model ResNet152 secara signifikan mengungguli kekuatan sinyal yang dilaporkan oleh mesin dalam kasus penggunaan kualitas rendah dan tinggi (p <0,001).Model ResNet152 juga secara signifikan mengungguli arsitektur AlexNet (p = 0,005 dan p = 0,014 masing-masing untuk kasus kualitas rendah dan kualitas tinggi).Model yang dihasilkan untuk masing-masing tugas ini mampu mencapai nilai AUC masing-masing sebesar 0,99 dan 0,97, yang secara signifikan lebih baik daripada nilai AUC terkait sebesar 0,82 dan 0,78 untuk indeks kekuatan sinyal mesin atau 0,97 dan 0,94 untuk AlexNet ..(Gbr. 3).Perbedaan kekuatan sinyal antara ResNet dan AUC lebih tinggi saat mengenali gambar berkualitas tinggi, yang menunjukkan manfaat tambahan menggunakan ResNet untuk tugas ini.
Grafik menunjukkan kemampuan setiap penilai independen untuk menilai dan membandingkan dengan kekuatan sinyal yang dilaporkan oleh mesin.(A) Jumlah poin yang akan dinilai digunakan untuk menghasilkan jumlah total poin yang akan dinilai.Gambar dengan skor skalabilitas keseluruhan 4 ditetapkan sebagai kualitas tinggi, sedangkan gambar dengan skor skalabilitas keseluruhan 1 atau kurang ditetapkan sebagai kualitas rendah.(B) Intensitas sinyal berkorelasi dengan perkiraan manual, namun gambar dengan intensitas sinyal tinggi mungkin memiliki kualitas yang lebih buruk.Garis putus-putus merah menunjukkan ambang batas kualitas yang direkomendasikan pabrikan berdasarkan kekuatan sinyal (kekuatan sinyal \(\ge\)6).
Pembelajaran transfer ResNet memberikan peningkatan yang signifikan dalam identifikasi kualitas gambar untuk kasus penggunaan kualitas rendah dan kualitas tinggi dibandingkan dengan tingkat sinyal yang dilaporkan mesin.(A) Diagram arsitektur yang disederhanakan dari (i) arsitektur ResNet152 dan (ii) AlexNet yang telah dilatih sebelumnya.(B) Riwayat pelatihan dan kurva kinerja penerima untuk ResNet152 dibandingkan dengan kekuatan sinyal yang dilaporkan mesin dan kriteria kualitas rendah AlexNet.(C) Riwayat pelatihan penerima ResNet152 dan kurva kinerja dibandingkan dengan kekuatan sinyal yang dilaporkan mesin dan kriteria kualitas tinggi AlexNet.
Setelah menyesuaikan ambang batas keputusan, akurasi prediksi maksimum model ResNet152 adalah 95,3% untuk kasus berkualitas rendah dan 93,5% untuk kasus berkualitas tinggi (Tabel 2).Akurasi prediksi maksimum model AlexNet adalah 91,0% untuk kasus berkualitas rendah dan 90,1% untuk kasus berkualitas tinggi (Tabel 2).Akurasi prediksi kekuatan sinyal maksimum adalah 76,1% untuk kasus penggunaan kualitas rendah dan 77,8% untuk kasus penggunaan kualitas tinggi.Menurut kappa Cohen (\(\kappa\)), kesesuaian antara model ResNet152 dan estimator adalah 0,90 untuk kasus kualitas rendah dan 0,81 untuk kasus kualitas tinggi.Kappa AlexNet Cohen masing-masing adalah 0,82 dan 0,71 untuk kasus penggunaan kualitas rendah dan kualitas tinggi.Kappa kekuatan sinyal Cohen adalah 0,52 dan 0,27 untuk kasus penggunaan kualitas rendah dan tinggi.
Validasi model pengenalan kualitas tinggi dan rendah pada gambar 6\(\x\) pelat datar 6 mm menunjukkan kemampuan model terlatih untuk menentukan kualitas gambar di berbagai parameter pencitraan.Saat menggunakan lempengan dangkal 6\(\x\) 6 mm untuk kualitas gambar, model kualitas rendah memiliki AUC 0,83 (95% CI: 0,69–0,98) dan model kualitas tinggi memiliki AUC 0,85.(95% CI: 0,55–1,00) (Tabel 2).
Inspeksi visual dari peta aktivasi kelas lapisan masukan menunjukkan bahwa semua jaringan saraf terlatih menggunakan fitur gambar selama klasifikasi gambar (Gbr. 4A, B).Untuk gambar 8 \(\times \) 8 mm dan 6 \(\times \) 6 mm, gambar aktivasi ResNet mengikuti pembuluh darah retina.Peta aktivasi AlexNet juga mengikuti pembuluh retina, tetapi dengan resolusi yang lebih kasar.
Peta aktivasi kelas untuk model ResNet152 dan AlexNet menyoroti fitur yang terkait dengan kualitas gambar.(A) Peta aktivasi kelas menunjukkan aktivasi koheren setelah pembuluh darah retina superfisial pada gambar validasi 8 \(\times \) 8 mm dan (B) luasnya pada gambar validasi 6 \(\times \) 6 mm yang lebih kecil.Model LQ dilatih dengan kriteria kualitas rendah, model HQ dilatih dengan kriteria kualitas tinggi.
Sebelumnya telah ditunjukkan bahwa kualitas gambar dapat sangat mempengaruhi kuantifikasi gambar OCTA.Selain itu, adanya retinopati meningkatkan kejadian artefak gambar7,26.Faktanya, dalam data kami, konsisten dengan penelitian sebelumnya, kami menemukan hubungan yang signifikan antara peningkatan usia dan tingkat keparahan penyakit retina dan penurunan kualitas gambar (p <0,001, p = 0,017 untuk usia dan status DR; Tabel 1) 27 Oleh karena itu, sangat penting untuk menilai kualitas gambar sebelum melakukan analisis kuantitatif terhadap gambar OCTA.Sebagian besar penelitian yang menganalisis gambar OCTA menggunakan ambang batas intensitas sinyal yang dilaporkan mesin untuk mengesampingkan gambar berkualitas rendah.Meskipun intensitas sinyal telah terbukti mempengaruhi kuantifikasi parameter OCTA, intensitas sinyal yang tinggi saja mungkin tidak cukup untuk mengesampingkan gambar dengan artefak gambar2,3,28,29.Oleh karena itu, perlu dikembangkan metode pengendalian kualitas gambar yang lebih andal.Untuk mencapai tujuan ini, kami mengevaluasi performa metode pembelajaran mendalam yang diawasi terhadap kekuatan sinyal yang dilaporkan oleh mesin.
Kami telah mengembangkan beberapa model untuk mengevaluasi kualitas gambar karena kasus penggunaan OCTA yang berbeda mungkin memiliki persyaratan kualitas gambar yang berbeda.Misalnya, gambar harus memiliki kualitas lebih tinggi.Selain itu, parameter kuantitatif spesifik yang menjadi perhatian juga penting.Misalnya, luas zona avaskular foveal tidak bergantung pada kekeruhan media non-pusat, namun mempengaruhi kepadatan pembuluh darah.Meskipun penelitian kami terus berfokus pada pendekatan umum terhadap kualitas gambar, tidak terikat pada persyaratan pengujian tertentu, namun dimaksudkan untuk secara langsung menggantikan kekuatan sinyal yang dilaporkan oleh mesin, kami berharap dapat memberikan tingkat kontrol yang lebih besar kepada pengguna sehingga mereka dapat memilih metrik tertentu yang menarik bagi pengguna.pilih model yang sesuai dengan tingkat maksimum artefak gambar yang dianggap dapat diterima.
Untuk pemandangan berkualitas rendah dan berkualitas tinggi, kami menunjukkan performa luar biasa dari jaringan neural konvolusional dalam yang tidak memiliki koneksi, dengan AUC masing-masing sebesar 0,97 dan 0,99 serta model berkualitas rendah.Kami juga menunjukkan kinerja unggul dari pendekatan pembelajaran mendalam kami jika dibandingkan dengan tingkat sinyal yang hanya dilaporkan oleh mesin.Lewati koneksi memungkinkan jaringan saraf mempelajari fitur pada berbagai tingkat detail, menangkap aspek gambar yang lebih halus (misalnya kontras) serta fitur umum (misalnya pemusatan gambar30,31).Karena artefak gambar yang memengaruhi kualitas gambar mungkin paling baik diidentifikasi dalam rentang yang luas, arsitektur jaringan saraf dengan koneksi yang hilang mungkin menunjukkan kinerja yang lebih baik dibandingkan tanpa tugas penentuan kualitas gambar.
Saat menguji model kami pada gambar OCTA 6\(\×6mm), kami melihat penurunan kinerja klasifikasi untuk model kualitas tinggi dan kualitas rendah (Gbr. 2), berbeda dengan ukuran model yang dilatih untuk klasifikasi.Dibandingkan dengan model ResNet, model AlexNet memiliki dampak yang lebih besar.Performa ResNet yang relatif lebih baik mungkin disebabkan oleh kemampuan koneksi sisa untuk mengirimkan informasi pada berbagai skala, yang membuat model lebih kuat untuk mengklasifikasikan gambar yang diambil pada skala dan/atau perbesaran berbeda.
Beberapa perbedaan antara gambar 8 \(\×\) 8 mm dan 6 gambar \(\×\) 6 mm dapat menyebabkan klasifikasi yang buruk, termasuk proporsi gambar yang relatif tinggi yang mengandung area avaskular foveal, perubahan visibilitas, lengkungan vaskular, dan tidak ada saraf optik pada gambar 6x6 mm.Meskipun demikian, model ResNet berkualitas tinggi kami mampu mencapai AUC 85% untuk gambar 6 \(\x\) 6 mm, konfigurasi yang tidak dilatih oleh model tersebut, yang menunjukkan bahwa informasi kualitas gambar dikodekan dalam jaringan saraf cocok.untuk satu ukuran gambar atau konfigurasi mesin di luar pelatihannya (Tabel 2).Yang meyakinkan, peta aktivasi mirip ResNet dan AlexNet dengan gambar 8 \(\times \) 8 mm dan 6 \(\times \) 6 mm mampu menyorot pembuluh retina dalam kedua kasus, menunjukkan bahwa model tersebut memiliki informasi penting.berlaku untuk mengklasifikasikan kedua jenis gambar OCTA (Gbr. 4).
Lauerman dkk.Penilaian kualitas gambar pada gambar OCTA juga dilakukan dengan menggunakan arsitektur Inception, jaringan saraf konvolusional skip-connection6,32 yang menggunakan teknik pembelajaran mendalam.Mereka juga membatasi penelitian pada gambar pleksus kapiler superfisial, tetapi hanya menggunakan gambar Optovue AngioVue yang lebih kecil berukuran 3×3 mm, meskipun pasien dengan berbagai penyakit korioretinal juga diikutsertakan.Pekerjaan kami dibangun berdasarkan fondasinya, termasuk beberapa model untuk mengatasi berbagai ambang batas kualitas gambar dan memvalidasi hasil untuk gambar dengan ukuran berbeda.Kami juga melaporkan metrik AUC model pembelajaran mesin dan meningkatkan akurasinya yang sudah mengesankan (90%)6 untuk model kualitas rendah (96%) dan kualitas tinggi (95,7%)6.
Pelatihan ini memiliki beberapa keterbatasan.Pertama, gambar diperoleh hanya dengan satu mesin OCTA, termasuk hanya gambar pleksus kapiler superfisial pada 8\(\times\)8 mm dan 6\(\times\)6 mm.Alasan untuk mengecualikan gambar dari lapisan yang lebih dalam adalah artefak proyeksi dapat membuat evaluasi gambar secara manual menjadi lebih sulit dan mungkin kurang konsisten.Selain itu, gambar hanya diperoleh pada pasien diabetes, dimana OCTA muncul sebagai alat diagnostik dan prognosis yang penting33,34.Meskipun kami dapat menguji model kami pada gambar dengan ukuran berbeda untuk memastikan hasilnya kuat, kami tidak dapat mengidentifikasi kumpulan data yang sesuai dari pusat yang berbeda, sehingga membatasi penilaian kami terhadap kemampuan generalisasi model.Meskipun gambar diperoleh hanya dari satu pusat, gambar tersebut diperoleh dari pasien dengan latar belakang etnis dan ras yang berbeda, yang merupakan kekuatan unik dari penelitian kami.Dengan memasukkan keberagaman dalam proses pelatihan kami, kami berharap hasil kami dapat digeneralisasikan dalam arti yang lebih luas, dan kami akan menghindari bias rasial dalam model yang kami latih.
Studi kami menunjukkan bahwa jaringan saraf yang melewatkan koneksi dapat dilatih untuk mencapai kinerja tinggi dalam menentukan kualitas gambar OCTA.Kami menyediakan model-model ini sebagai alat untuk penelitian lebih lanjut.Karena metrik yang berbeda mungkin memiliki persyaratan kualitas gambar yang berbeda, model kendali mutu individual dapat dikembangkan untuk setiap metrik menggunakan struktur yang ditetapkan di sini.
Penelitian di masa depan harus mencakup gambar dengan ukuran berbeda dari kedalaman berbeda dan mesin OCTA berbeda untuk mendapatkan proses evaluasi kualitas gambar pembelajaran mendalam yang dapat digeneralisasikan ke platform OCTA dan protokol pencitraan.Penelitian saat ini juga didasarkan pada pendekatan pembelajaran mendalam yang diawasi yang memerlukan evaluasi manusia dan evaluasi gambar, yang dapat memakan banyak tenaga dan waktu untuk kumpulan data yang besar.Masih harus dilihat apakah metode pembelajaran mendalam tanpa pengawasan dapat membedakan secara memadai antara gambar berkualitas rendah dan gambar berkualitas tinggi.
Seiring dengan berkembangnya teknologi OCTA dan kecepatan pemindaian yang meningkat, kejadian artefak gambar dan gambar berkualitas buruk dapat menurun.Perbaikan pada perangkat lunak, seperti fitur penghapusan artefak proyeksi yang baru-baru ini diperkenalkan, juga dapat mengurangi keterbatasan ini.Namun, masih banyak masalah karena pencitraan pasien dengan fiksasi yang buruk atau kekeruhan media yang signifikan selalu menghasilkan artefak gambar.Karena OCTA semakin banyak digunakan dalam uji klinis, pertimbangan yang cermat diperlukan untuk menetapkan pedoman yang jelas mengenai tingkat artefak gambar yang dapat diterima untuk analisis gambar.Penerapan metode pembelajaran mendalam pada gambar OCTA sangat menjanjikan dan diperlukan penelitian lebih lanjut di bidang ini untuk mengembangkan pendekatan yang kuat terhadap pengendalian kualitas gambar.
Kode yang digunakan dalam penelitian ini tersedia di repositori octa-qc, https://github.com/rahuldhodapkar/octa-qc.Kumpulan data yang dihasilkan dan/atau dianalisis selama penelitian ini tersedia dari masing-masing penulis berdasarkan permintaan yang masuk akal.
Spaide, RF, Fujimoto, JG & Waheed, NK Artefak gambar dalam angiografi koherensi optik.Retina 35, 2163–2180 (2015).
Fenner, BJ dkk.Identifikasi fitur pencitraan yang menentukan kualitas dan reproduktifitas pengukuran kepadatan pleksus kapiler retina dalam angiografi OCT.Br.J. Matamol.102, 509–514 (2018).
Lauerman, JL dkk.Pengaruh teknologi pelacakan mata terhadap kualitas gambar angiografi OCT pada degenerasi makula terkait usia.Lengkungan kuburan.klinis.Contoh.oftalmologi.255, 1535–1542 (2017).
Babyuch AS dkk.Pengukuran kepadatan perfusi kapiler OCTA digunakan untuk mendeteksi dan mengevaluasi iskemia makula.bedah mata.Pencitraan Laser Retina 51, S30–S36 (2020).
Dia, K., Zhang, X., Ren, S., dan Sun, J. Pembelajaran Residual Mendalam untuk Pengenalan Gambar.Pada tahun 2016 pada Konferensi IEEE tentang Computer Vision and Pattern Recognition (2016).
Lauerman, JL dkk.Penilaian kualitas gambar angiografi OCT otomatis menggunakan algoritma pembelajaran mendalam.Lengkungan kuburan.klinis.Contoh.oftalmologi.257, 1641–1648 (2019).
Lauermann, J. dkk.Prevalensi kesalahan segmentasi dan artefak gerak pada angiografi OCT bergantung pada penyakit retina.Lengkungan kuburan.klinis.Contoh.oftalmologi.256, 1807–1816 (2018).
Pask, Adam dkk.Pytorch: Perpustakaan Pembelajaran Mendalam yang Penting dan Berkinerja Tinggi.Pemrosesan informasi saraf tingkat lanjut.sistem.32, 8026–8037 (2019).
Deng, J. dkk.ImageNet: Database Gambar Hierarki Berskala Besar.Konferensi IEEE 2009 tentang Visi Komputer dan Pengenalan Pola.248–255.(2009).
Krizhevsky A., Sutzkever I. dan Hinton GE Klasifikasi Imagenet menggunakan jaringan saraf konvolusional dalam.Pemrosesan informasi saraf tingkat lanjut.sistem.25, 1 (2012).