Хвала вам што сте посетили Натуре.цом.Користите верзију претраживача са ограниченом подршком за ЦСС.За најбоље искуство препоручујемо да користите ажурирани прегледач (или онемогућите режим компатибилности у Интернет Екплорер-у).Поред тога, да бисмо обезбедили сталну подршку, приказујемо сајт без стилова и ЈаваСцрипт-а.
Клизачи који приказују три чланка по слајду.Користите дугмад назад и следећи да бисте се кретали кроз слајдове или дугмад контролора слајдова на крају да бисте се кретали кроз сваки слајд.
Оптичка кохерентна томографска ангиографија (ОЦТА) је нова метода за неинвазивну визуализацију ретиналних судова.Иако ОЦТА има много обећавајућих клиничких примена, одређивање квалитета слике остаје изазов.Развили смо систем заснован на дубоком учењу користећи РесНет152 класификатор неуронске мреже унапред обучен са ИмагеНет-ом да класификује слике површинског капиларног плексуса са 347 скенирања 134 пацијента.Слике су такође ручно процењене као истините од стране два независна оцењивача за модел учења под надзором.Пошто захтеви за квалитет слике могу да варирају у зависности од клиничких или истраживачких подешавања, два модела су обучена, један за препознавање слике високог квалитета, а други за препознавање слике ниског квалитета.Наш модел неуронске мреже показује одличну површину испод криве (АУЦ), 95% ЦИ 0,96-0,99, \(\каппа\) = 0,81), што је знатно боље од нивоа сигнала који је пријавила машина (АУЦ = 0,82, 95 % ЦИ).0,77–0,86, \(\каппа\) = 0,52 и АУЦ = 0,78, 95% ЦИ 0,73–0,83, \(\каппа\) = 0,27, респективно).Наша студија показује да се методе машинског учења могу користити за развој флексибилних и робусних метода контроле квалитета за ОЦТА слике.
Оптичка кохерентна томографска ангиографија (ОЦТА) је релативно нова техника заснована на оптичкој кохерентној томографији (ОЦТ) која се може користити за неинвазивну визуализацију ретиналне микроваскулатуре.ОЦТА мери разлику у обрасцима рефлексије од поновљених светлосних импулса у истој области мрежњаче, а реконструкције се затим могу израчунати да открију крвне судове без инвазивне употребе боја или других контрастних средстава.ОЦТА такође омогућава снимање крвних судова у дубински резолуцији, омогућавајући клиничарима да одвојено прегледају површинске и дубоке слојеве крвних судова, помажући да се разликују између хориоретиналне болести.
Иако је ова техника обећавајућа, варијација квалитета слике остаје главни изазов за поуздану анализу слике, што отежава тумачење слике и спречава широко клиничко усвајање.Пошто ОЦТА користи више узастопних ОЦТ скенирања, он је осетљивији на артефакте слике него стандардни ОЦТ.Већина комерцијалних ОЦТА платформи обезбеђује сопствену метрику квалитета слике која се зове јачина сигнала (СС) или понекад индекс снаге сигнала (ССИ).Међутим, слике са високом СС или ССИ вредношћу не гарантују одсуство артефаката слике, што може утицати на било коју накнадну анализу слике и довести до погрешних клиничких одлука.Уобичајени артефакти слике који се могу појавити у ОЦТА снимању укључују артефакте покрета, артефакте сегментације, артефакте непрозирности медија и артефакте пројекције1,2,3.
Како се мере изведене из ОЦТА, као што је густина крвних судова, све више користе у транслационим истраживањима, клиничким испитивањима и клиничкој пракси, постоји хитна потреба за развојем робусних и поузданих процеса контроле квалитета слике како би се елиминисали артефакти слике4.Прескочне везе, познате и као преостале везе, су пројекције у архитектури неуронске мреже које омогућавају информацијама да заобиђу конволуционе слојеве док се информације чувају у различитим размерама или резолуцијама5.Пошто артефакти слике могу утицати на перформансе слике малих и великих размера, неуронске мреже са прескакањем везе су погодне за аутоматизацију овог задатка контроле квалитета5.Недавно објављени рад је показао извесно обећање за дубоке конволуционе неуронске мреже обучене коришћењем висококвалитетних података од људских проценитеља6.
У овој студији обучавамо конволуциону неуронску мрежу која прескаче везу да аутоматски одреди квалитет ОЦТА слика.Надовезујемо се на претходни рад тако што развијамо засебне моделе за идентификацију слика високог квалитета и слика ниског квалитета, пошто се захтеви за квалитет слике могу разликовати за специфичне клиничке или истраживачке сценарије.Упоређујемо резултате ових мрежа са конволуционим неуронским мрежама без пропуштања веза да бисмо проценили вредност укључивања карактеристика на више нивоа грануларности у оквиру дубоког учења.Затим смо упоредили наше резултате са јачином сигнала, општеприхваћеном мером квалитета слике коју обезбеђују произвођачи.
Наша студија је укључивала пацијенте са дијабетесом који су похађали Иале Еие Центер између 11. августа 2017. и 11. априла 2019. Пацијенти са било којом недијабетичком хориоретиналном болешћу су искључени.Није било критеријума за укључивање или искључење на основу старости, пола, расе, квалитета слике или било ког другог фактора.
ОЦТА слике су добијене коришћењем АнгиоПлек платформе на Циррус ХД-ОЦТ 5000 (Царл Зеисс Медитец Инц, Даблин, Калифорнија) под 8\(\пута\)8 мм и 6\(\тимес\)6 мм протоколима за снимање.Информисани пристанак за учешће у студији добијен је од сваког учесника студије, а Институционални одбор за преглед Универзитета Јејл (ИРБ) одобрио је коришћење информисаног пристанка са глобалном фотографијом за све ове пацијенте.Следећи принципе Хелсиншке декларације.Студију је одобрио ИРБ Универзитета Јејл.
Слике површинске плоче су процењене на основу претходно описане оцене артефакта покрета (МАС), претходно описане оцене артефакта сегментације (САС), фовеалног центра, присуства непрозирности медија и добре визуелизације малих капилара како је одредио евалуатор слике.Слике су анализирала два независна оцењивача (РД и ЈВ).Слика има оцену 2 (прикладна) ако су испуњени сви следећи критеријуми: слика је у центру фовее (мање од 100 пиксела од центра слике), МАС је 1 или 2, САС је 1 и непрозирност медија је мања од 1. Присутна је на сликама величине / 16, а мале капиларе се виде на сликама већим од 15/16.Слика има оцену 0 (без оцене) ако је испуњен било који од следећих критеријума: слика је ван центра, ако је МАС 4, ако је САС 2, или је просечна непрозирност већа од 1/4 слике, и мале капиларе се не могу подесити више од 1 слике /4 да би се разликовале.Све остале слике које не испуњавају критеријуме за бодовање 0 или 2 се бодују са 1 (сечење).
На сл.1 приказује узорке слика за сваку од скалираних процена и артефаката слике.Поузданост појединачних резултата међу оцењивачима процењена је Цохеновом капа пондерацијом8.Појединачни резултати сваког оцењивача се сумирају да би се добио укупни резултат за сваку слику, у распону од 0 до 4. Слике са укупним резултатом од 4 сматрају се добрим.Слике са укупним резултатом од 0 или 1 сматрају се лошим квалитетом.
Конволуциона неуронска мрежа РесНет152 архитектуре (слика 3А.и) претходно обучена на сликама из ИмагеНет базе података је генерисана коришћењем фаст.аи и ПиТорцх фрамеворк-а5, 9, 10, 11. Конволуциона неуронска мрежа је мрежа која користи научено филтери за скенирање фрагмената слике ради проучавања просторних и локалних карактеристика.Наш обучени РесНет је неуронска мрежа од 152 слоја коју карактеришу празнине или „резидуалне везе“ које истовремено преносе информације са више резолуција.Пројектовањем информација у различитим резолуцијама преко мреже, платформа може научити карактеристике слика ниског квалитета на више нивоа детаља.Поред нашег РесНет модела, обучили смо и АлекНет, добро проучену архитектуру неуронске мреже, без пропуштања веза за поређење (Слика 3А.ии)12.Без недостајућих веза, ова мрежа неће моћи да ухвати карактеристике веће грануларности.
Оригинални сет слика 8\(\тимес\)8мм ОЦТА13 је побољшан коришћењем техника хоризонталне и вертикалне рефлексије.Потпуни скуп података је затим насумично подељен на нивоу слике на скупове података за обуку (51,2%), тестирање (12,8%), подешавање хиперпараметара (16%) и валидацију (20%) помоћу алата сцикит-леарн питхон14.Разматрана су два случаја, један заснован на откривању само слика највишег квалитета (укупни резултат 4), а други на основу откривања само слика најнижег квалитета (укупан резултат 0 или 1).За сваки случај коришћења високог и ниског квалитета, неуронска мрежа се поново обучава једном на нашим подацима о слици.У сваком случају употребе, неуронска мрежа је обучена за 10 епоха, све тежине слојева осим највиших су замрзнуте, а тежине свих унутрашњих параметара су научене за 40 епоха коришћењем дискриминативне методе брзине учења са функцијом губитка унакрсне ентропије 15, 16..Функција губитка унакрсне ентропије је мера логаритамске скале неслагања између предвиђених мрежних ознака и стварних података.Током тренинга, градијентно спуштање се врши на унутрашњим параметрима неуронске мреже да би се минимизирали губици.Стопа учења, стопа напуштања и хиперпараметри смањења тежине су подешени коришћењем Бајесове оптимизације са 2 насумичне почетне тачке и 10 итерација, а АУЦ на скупу података је подешен коришћењем хиперпараметара као циља од 17.
Репрезентативни примери 8 × 8 мм ОЦТА слика површинских капиларних плексуса добили су 2 (А, Б), 1 (Ц, Д) и 0 (Е, Ф).Приказани артефакти слике укључују трепераве линије (стрелице), артефакте сегментације (звездице) и непрозирност медија (стрелице).Слика (Е) је такође ван центра.
Криве радних карактеристика пријемника (РОЦ) се затим генеришу за све моделе неуронске мреже, а извештаји о јачини сигнала мотора се генеришу за сваки случај употребе ниског квалитета и високог квалитета.Површина испод криве (АУЦ) је израчуната коришћењем пРОЦ Р пакета, а 95% интервали поверења и п-вредности су израчунати коришћењем ДеЛонг методе18,19.Кумулативни резултати људских оцењивача се користе као основа за све РОЦ прорачуне.За јачину сигнала коју је пријавила машина, АУЦ је израчуната два пута: једном за граничну вредност резултата скалабилности високог квалитета и једном за граничну вредност резултата скалабилности ниског квалитета.Неуронска мрежа се пореди са јачином АУЦ сигнала који одражава њене сопствене услове обуке и евалуације.
Да би се даље тестирао обучени модел дубоког учења на засебном скупу података, модели високог квалитета и ниског квалитета су директно примењени на процену перформанси 32 слике површине 6\(\пута\) 6мм површинске плоче сакупљене са Универзитета Јејл.Маса ока је центрирана у исто време као и слика 8 \(\ пута \) 8 мм.Слике од 6\(\×\) 6 мм су ручно процењене од стране истих процењивача (РД и ЈВ) на исти начин као и слике од 8\(\×\) 8 мм, АУЦ је израчунат као и тачност и Коенова капа .једнако .
Однос неравнотеже класе је 158:189 (\(\рхо = 1,19\)) за модел ниског квалитета и 80:267 (\(\рхо = 3,3\)) за модел високог квалитета.Пошто је однос неуравнотежености класа мањи од 1:4, нису направљене никакве посебне архитектонске промене да би се исправила неравнотежа класа20,21.
Да би се боље визуелизовао процес учења, генерисане су мапе активације класе за сва четири обучена модела дубоког учења: висококвалитетни РесНет152 модел, ниско квалитетни РесНет152 модел, висококвалитетни АлекНет модел и АлекНет модел лошег квалитета.Мапе активације класа се генеришу из улазних конволуционих слојева ова четири модела, а топлотне мапе се генеришу преклапањем активационих мапа са изворним сликама из сетова за валидацију 8 × 8 мм и 6 × 6 мм22, 23.
Р верзија 4.0.3 је коришћена за сва статистичка израчунавања, а визуелизације су креиране коришћењем библиотеке графичких алата ггплот2.
Прикупили смо 347 фронталних слика површинског капиларног плексуса димензија 8 \(\ пута \) 8 мм од 134 особе.Машина је пријавила јачину сигнала на скали од 0 до 10 за све слике (средња вредност = 6,99 ± 2,29).Од 347 добијених снимака, средња старост на прегледу била је 58,7 ± 14,6 година, а 39,2% су били пацијенти мушког пола.Од свих слика, 30,8% су били белци, 32,6% црнци, 30,8% Хиспаноамериканци, 4% Азијци и 1,7% припадници других раса (Табела 1).).Старосна дистрибуција пацијената са ОЦТА значајно се разликовала у зависности од квалитета слике (п < 0,001).Проценат слика високог квалитета код млађих пацијената старости 18-45 година био је 33,8% у поређењу са 12,2% слика лошег квалитета (Табела 1).Дистрибуција статуса дијабетичке ретинопатије такође је значајно варирала у квалитету слике (п < 0,017).Међу свим сликама високог квалитета, проценат пацијената са ПДР је био 18,8% у поређењу са 38,8% свих слика ниског квалитета (Табела 1).
Индивидуалне оцене свих слика показале су умерену до снажну међуоцену поузданост између људи који читају слике (Коенова пондерисана капа = 0,79, 95% ЦИ: 0,76-0,82), и није било тачака на слици где су се проценитељи разликовали за више од 1 (Сл. 2А)..Интензитет сигнала је значајно корелирао са ручним бодовањем (корелација момента Пеарсоновог производа = 0,58, 95% ЦИ 0,51–0,65, п<0,001), али је идентификовано да многе слике имају висок интензитет сигнала, али ниско ручно оцењивање (Сл. 2Б).
Током обуке РесНет152 и АлекНет архитектура, губитак унакрсне ентропије на валидацији и обуци пада преко 50 епоха (слика 3Б,Ц).Прецизност валидације у завршној епохи обуке је преко 90% и за случајеве високог квалитета и за случајеве ниског квалитета.
Криве перформанси пријемника показују да РесНет152 модел значајно надмашује снагу сигнала коју је пријавила машина иу случајевима ниског и високог квалитета (п < 0,001).Модел РесНет152 такође значајно надмашује архитектуру АлекНет (п = 0,005 и п = 0,014 за случајеве ниског и високог квалитета, респективно).Добијени модели за сваки од ових задатака успели су да постигну АУЦ вредности од 0,99 и 0,97, што је значајно боље од одговарајућих АУЦ вредности од 0,82 и 0,78 за индекс јачине сигнала машине или 0,97 и 0,94 за АлекНет ..(слика 3).Разлика између РесНет-а и АУЦ-а у јачини сигнала је већа када се препознају слике високог квалитета, што указује на додатне предности коришћења РесНет-а за овај задатак.
Графикони показују способност сваког независног оцењивача да оцени и упореди са јачином сигнала коју је пријавила машина.(А) Збир бодова који се процењују користи се за креирање укупног броја бодова за процену.Сликама са укупном оценом скалабилности од 4 додељује се висок квалитет, док се сликама са укупном оценом скалабилности од 1 или мање додељује низак квалитет.(Б) Интензитет сигнала корелира са ручним проценама, али слике са високим интензитетом сигнала могу бити лошијег квалитета.Црвена испрекидана линија означава праг квалитета који препоручује произвођач на основу јачине сигнала (јачина сигнала \(\ге\)6).
РесНет трансфер учење пружа значајно побољшање у идентификацији квалитета слике за случајеве коришћења ниског квалитета и високог квалитета у поређењу са нивоима сигнала пријављених машинама.(А) Поједностављени дијаграми архитектуре унапред обучених (и) РесНет152 и (ии) АлекНет архитектура.(Б) Историја обуке и криве перформанси пријемника за РесНет152 у поређењу са јачином сигнала коју је пријавила машина и критеријумима ниског квалитета АлекНет-а.(Ц) Историја обуке РесНет152 пријемника и криве перформанси у поређењу са јачином сигнала коју је пријавила машина и критеријумима високог квалитета АлекНет.
Након подешавања граничног прага одлуке, максимална тачност предвиђања РесНет152 модела је 95,3% за случај ниског квалитета и 93,5% за случај високог квалитета (Табела 2).Максимална тачност предвиђања модела АлекНет је 91,0% за случај лошег квалитета и 90,1% за случај високог квалитета (Табела 2).Максимална прецизност предвиђања јачине сигнала је 76,1% за случај коришћења ниског квалитета и 77,8% за случај употребе високог квалитета.Према Коеновој капа (\(\каппа\)), слагање између РесНет152 модела и процењивача је 0,90 за случај ниског квалитета и 0,81 за случај високог квалитета.Коенов АлекНет капа је 0,82 и 0,71 за случајеве коришћења ниског и високог квалитета, респективно.Коенова капа јачине сигнала је 0,52 и 0,27 за случајеве употребе ниског и високог квалитета, респективно.
Валидација модела препознавања високог и ниског квалитета на 6\(\к\) сликама равне плоче од 6 мм показује способност обученог модела да одреди квалитет слике кроз различите параметре слике.Када се користе плитке плоче од 6\(\к\) 6 мм за квалитет слике, модел ниског квалитета имао је АУЦ од 0,83 (95% ЦИ: 0,69–0,98), а модел високог квалитета је имао АУЦ од 0,85.(95% ЦИ: 0,55–1,00) (Табела 2).
Визуелна инспекција активационих мапа класе улазног слоја показала је да су све обучене неуронске мреже користиле карактеристике слике током класификације слике (Слика 4А, Б).За слике од 8 \(\ пута \) 8 мм и 6 \(\ пута \) 6 мм, РесНет активационе слике блиско прате васкулатуру мрежњаче.АлекНет активацијске мапе такође прате ретиналне судове, али са грубљом резолуцијом.
Мапе за активацију класе за моделе РесНет152 и АлекНет истичу карактеристике које се односе на квалитет слике.(А) Мапа активације класе која приказује кохерентну активацију након површне васкулатуре мрежњаче на 8 \(\пута \) 8 мм валидацијских слика и (Б) опсег на мањим 6 \(\пута \) 6 мм валидацијским сликама.ЛК модел обучен по критеријумима ниског квалитета, ХК модел обучен по критеријумима високог квалитета.
Раније је показано да квалитет слике може у великој мери утицати на било коју квантификацију ОЦТА слика.Поред тога, присуство ретинопатије повећава учесталост артефаката слике7,26.У ствари, у нашим подацима, у складу са претходним студијама, пронашли смо значајну повезаност између пораста старости и озбиљности болести мрежњаче и погоршања квалитета слике (п < 0,001, п = 0,017 за старост и ДР статус, респективно; табела 1) 27 Стога је од кључне важности да се процени квалитет слике пре извођења било какве квантитативне анализе ОЦТА слика.Већина студија које анализирају ОЦТА слике користе прагове интензитета сигнала пријављене машином да би се искључиле слике ниског квалитета.Иако се показало да интензитет сигнала утиче на квантификацију ОЦТА параметара, сам висок интензитет сигнала можда неће бити довољан да искључи слике са артефактима слике2,3,28,29.Због тога је неопходно развити поузданији метод контроле квалитета слике.У ту сврху, процењујемо перформансе надгледаних метода дубоког учења у односу на јачину сигнала коју је пријавила машина.
Развили смо неколико модела за процену квалитета слике јер различити случајеви употребе ОЦТА могу имати различите захтеве за квалитет слике.На пример, слике треба да буду већег квалитета.Поред тога, важни су и специфични квантитативни параметри од интереса.На пример, површина фовеалне аваскуларне зоне не зависи од замућености нецентралног медијума, већ утиче на густину судова.Док се наше истраживање наставља фокусирати на општи приступ квалитету слике, који није везан за захтеве било ког одређеног теста, већ има намеру да директно замени јачину сигнала коју пријави машина, надамо се да ћемо корисницима пружити већи степен контроле како би може да изабере специфичну метрику од интереса за корисника.изабрати модел који одговара максималном степену артефаката слике који се сматра прихватљивим.
За сцене ниског квалитета и високог квалитета, показујемо одличне перформансе дубоких конволуционих неуронских мрежа без везе, са АУЦ од 0,97 и 0,99 и моделима ниског квалитета, респективно.Такође демонстрирамо супериорне перформансе нашег приступа дубоког учења у поређењу са нивоима сигнала које пријављују само машине.Прескакање везе омогућавају неуронским мрежама да науче карактеристике на више нивоа детаља, хватајући финије аспекте слике (нпр. контраст) као и опште карактеристике (нпр. центрирање слике30,31).Пошто се артефакти слике који утичу на квалитет слике вероватно најбоље идентификовати у широком опсегу, архитектуре неуронских мрежа са недостајућим везама могу показати боље перформансе од оних без задатака одређивања квалитета слике.
Приликом тестирања нашег модела на 6\(\×6мм) ОЦТА сликама, приметили смо смањење перформанси класификације и за моделе високог и ниског квалитета (слика 2), за разлику од величине модела обученог за класификацију.У поређењу са РесНет моделом, АлекНет модел има већи пад.Релативно боље перформансе РесНет-а могу бити последица способности преосталих веза да преносе информације у више размера, што модел чини робуснијим за класификацију слика снимљених у различитим размерама и/или увећањима.
Неке разлике између слика од 8 \(\×\) 8 мм и 6 \(\×\) 6 мм слика могу довести до лоше класификације, укључујући релативно висок проценат слика које садрже фовеалне аваскуларне области, промене у видљивости, васкуларне аркаде и нема оптичког нерва на слици 6×6 мм.Упркос томе, наш висококвалитетни РесНет модел је успео да постигне АУЦ од 85% за слике од 6 \(\к\) 6 мм, конфигурацију за коју модел није био обучен, што сугерише да су информације о квалитету слике кодиране у неуронској мрежи је погодан.за једну величину слике или конфигурацију машине ван њене обуке (табела 2).Уверавајуће, активационе мапе налик РесНет-у и АлекНету од 8 \(\ пута \) 8 мм и 6 \(\ пута \) 6 мм су биле у стању да истакну крвне судове мрежњаче у оба случаја, што сугерише да модел има важне информације.применљиви су за класификацију оба типа ОЦТА слика (сл. 4).
Лауерман ет ал.Процена квалитета слике на ОЦТА сликама је на сличан начин изведена коришћењем Инцептион архитектуре, још једне конволуционе неуронске мреже са прескакањем везе6,32 коришћењем техника дубоког учења.Такође су ограничили студију на слике површног капиларног плексуса, али само користећи мање слике од 3 × 3 мм из Оптовуе АнгиоВуе, иако су укључени и пацијенти са различитим хориоретиналним обољењима.Наш рад се заснива на њиховим темељима, укључујући више модела за решавање различитих прагова квалитета слике и валидацију резултата за слике различитих величина.Такође извештавамо о АУЦ метрици модела машинског учења и повећавамо њихову већ импресивну тачност (90%)6 за моделе ниског квалитета (96%) и високог квалитета (95,7%)6.
Ова обука има неколико ограничења.Прво, слике су добијене само са једном ОЦТА машином, укључујући само слике површинског капиларног плексуса на 8 \ (\ пута \) 8 мм и 6 \ (\ пута \) 6 мм.Разлог за искључивање слика из дубљих слојева је тај што артефакти пројекције могу отежати ручну процену слика и можда мање доследити.Штавише, слике су добијене само код пацијената са дијабетесом, за које се ОЦТА појављује као важан дијагностички и прогностички алат33,34.Иако смо били у могућности да тестирамо наш модел на сликама различитих величина како бисмо осигурали да су резултати робусни, нисмо били у могућности да идентификујемо одговарајуће скупове података из различитих центара, што је ограничило нашу процену генерализације модела.Иако су слике добијене само из једног центра, оне су добијене од пацијената различите етничке и расне припадности, што је јединствена снага наше студије.Укључујући разноликост у наш процес обуке, надамо се да ће наши резултати бити генерализовани у ширем смислу и да ћемо избећи кодирање расне пристрасности у моделима које тренирамо.
Наша студија показује да неуронске мреже које прескачу везу могу бити обучене да постигну високе перформансе у одређивању ОЦТА квалитета слике.Ове моделе пружамо као алате за даља истраживања.Пошто различите метрике могу имати различите захтеве за квалитет слике, може се развити индивидуални модел контроле квалитета за сваку метрику користећи структуру која је овде успостављена.
Будућа истраживања би требало да обухвате слике различитих величина са различитих дубина и различитих ОЦТА машина како би се добио процес евалуације квалитета слике дубоког учења који се може генерализовати на ОЦТА платформе и протоколе за снимање.Садашња истраживања су такође заснована на надгледаним приступима дубоког учења који захтевају процену људи и процену слике, што може бити радно интензивно и дуготрајно за велике скупове података.Остаје да се види да ли методе дубоког учења без надзора могу на адекватан начин разликовати слике ниског квалитета и слике високог квалитета.
Како ОЦТА технологија наставља да се развија, а брзине скенирања се повећавају, учесталост артефаката слике и слика лошег квалитета може да се смањи.Побољшања у софтверу, као што је недавно уведена функција уклањања артефаката пројекције, такође могу ублажити ова ограничења.Међутим, остају многи проблеми јер снимање пацијената са лошом фиксацијом или значајном замућеношћу медија увек доводи до артефаката слике.Како се ОЦТА све више користи у клиничким испитивањима, потребно је пажљиво разматрање да би се успоставиле јасне смернице за прихватљиве нивое артефаката слике за анализу слике.Примена метода дубоког учења на ОЦТА слике обећава много и потребна су даља истраживања у овој области како би се развио робустан приступ контроли квалитета слике.
Код који се користи у тренутном истраживању доступан је у оцта-кц репозиторијуму, хттпс://гитхуб.цом/рахулдходапкар/оцта-кц.Скупови података генерисани и/или анализирани током текуће студије доступни су од одговарајућих аутора на разуман захтев.
Спаиде, РФ, Фујимото, ЈГ & Вахеед, НК Артефакти слике у ангиографији оптичке кохеренције.Ретина 35, 2163–2180 (2015).
Феннер, БЈ ет ал.Идентификација карактеристика снимања које одређују квалитет и репродуктивност мерења густине ретиналног капиларног плексуса у ОЦТ ангиографији.БР.Ј. Опхтхалмол.102, 509–514 (2018).
Лауерман, ЈЛ ет ал.Утицај технологије праћења очију на квалитет слике ОЦТ ангиографије код старосне макуларне дегенерације.Граве арцх.клинички.Екп.офталмологија.255, 1535–1542 (2017).
Бабиуцх АС ет ал.ОЦТА мерења густине капиларне перфузије се користе за откривање и процену макуларне исхемије.офталмолошка хирургија.Ласерско снимање мрежњаче 51, С30–С36 (2020).
Хе, К., Зханг, Кс., Рен, С., анд Сун, Ј. Дубоко резидуално учење за препознавање слика.2016. на ИЕЕЕ конференцији о компјутерском виду и препознавању узорака (2016).
Лауерман, ЈЛ ет ал.Аутоматска процена квалитета ОЦТ ангиографске слике помоћу алгоритама дубоког учења.Граве арцх.клинички.Екп.офталмологија.257, 1641–1648 (2019).
Лауерманн, Ј. ет ал.Преваленција грешака сегментације и артефаката покрета у ОЦТ ангиографији зависи од болести мрежњаче.Граве арцх.клинички.Екп.офталмологија.256, 1807–1816 (2018).
Паск, Адам ет ал.Питорцх: Императивна библиотека за дубоко учење високих перформанси.Напредна обрада неуронских информација.система.32, 8026–8037 (2019).
Денг, Ј. ет ал.ИмагеНет: Хијерархијска база података великих размера.2009 ИЕЕЕ конференција о компјутерском виду и препознавању узорака.248–255.(2009).
Кризхевски А., Сутзкевер И. и Хинтон ГЕ Имагенет класификација коришћењем дубоких конволуционих неуронских мрежа.Напредна обрада неуронских информација.система.25, № 1 (2012).