Nature.com पर आने के लिए धन्यवाद।आप सीमित सीएसएस समर्थन वाले ब्राउज़र संस्करण का उपयोग कर रहे हैं।सर्वोत्तम अनुभव के लिए, हम अनुशंसा करते हैं कि आप एक अद्यतन ब्राउज़र का उपयोग करें (या इंटरनेट एक्सप्लोरर में संगतता मोड अक्षम करें)।इसके अलावा, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को शैलियों और जावास्क्रिप्ट के बिना दिखाते हैं।
स्लाइडर प्रति स्लाइड तीन लेख दिखा रहे हैं।स्लाइड में आगे बढ़ने के लिए पीछे और अगले बटन का उपयोग करें, या प्रत्येक स्लाइड में जाने के लिए अंत में स्लाइड नियंत्रक बटन का उपयोग करें।
ऑप्टिकल सुसंगतता टोमोग्राफिक एंजियोग्राफी (OCTA) रेटिना वाहिकाओं के गैर-आक्रामक दृश्य के लिए एक नई विधि है।हालाँकि OCTA में कई आशाजनक नैदानिक ​​​​अनुप्रयोग हैं, छवि गुणवत्ता निर्धारित करना एक चुनौती बनी हुई है।हमने 134 रोगियों के 347 स्कैन से सतही केशिका प्लेक्सस छवियों को वर्गीकृत करने के लिए इमेजनेट के साथ पूर्व-प्रशिक्षित ResNet152 न्यूरल नेटवर्क क्लासिफायर का उपयोग करके एक गहन शिक्षण आधारित प्रणाली विकसित की।पर्यवेक्षित शिक्षण मॉडल के लिए दो स्वतंत्र मूल्यांकनकर्ताओं द्वारा छवियों का वास्तविक सत्य के रूप में मैन्युअल रूप से मूल्यांकन किया गया था।क्योंकि छवि गुणवत्ता की आवश्यकताएं नैदानिक ​​या अनुसंधान सेटिंग्स के आधार पर भिन्न हो सकती हैं, दो मॉडलों को प्रशिक्षित किया गया था, एक उच्च गुणवत्ता वाली छवि पहचान के लिए और दूसरा कम गुणवत्ता वाली छवि पहचान के लिए।हमारा तंत्रिका नेटवर्क मॉडल वक्र (एयूसी), 95% सीआई 0.96-0.99, \(\कप्पा\) = 0.81) के तहत एक उत्कृष्ट क्षेत्र दिखाता है, जो मशीन द्वारा रिपोर्ट किए गए सिग्नल स्तर (एयूसी = 0.82, 95) से काफी बेहतर है। % सीआई).0.77–0.86, \(\कप्पा\) = 0.52 और एयूसी = 0.78, 95% सीआई 0.73–0.83, \(\कप्पा\) = 0.27, क्रमशः)।हमारा अध्ययन दर्शाता है कि OCTA छवियों के लिए लचीली और मजबूत गुणवत्ता नियंत्रण विधियों को विकसित करने के लिए मशीन लर्निंग विधियों का उपयोग किया जा सकता है।
ऑप्टिकल कोहेरेंस टोमोग्राफिक एंजियोग्राफी (OCTA) ऑप्टिकल कोहेरेंस टोमोग्राफी (OCT) पर आधारित एक अपेक्षाकृत नई तकनीक है जिसका उपयोग रेटिना माइक्रोवैस्कुलचर के गैर-आक्रामक दृश्य के लिए किया जा सकता है।OCTA रेटिना के एक ही क्षेत्र में बार-बार प्रकाश स्पंदनों से प्रतिबिंब पैटर्न में अंतर को मापता है, और फिर रंगों या अन्य कंट्रास्ट एजेंटों के आक्रामक उपयोग के बिना रक्त वाहिकाओं को प्रकट करने के लिए पुनर्निर्माण की गणना की जा सकती है।OCTA गहराई-रिज़ॉल्यूशन संवहनी इमेजिंग को भी सक्षम बनाता है, जिससे चिकित्सकों को सतही और गहरी पोत परतों की अलग-अलग जांच करने की अनुमति मिलती है, जिससे कोरियोरेटिनल रोग के बीच अंतर करने में मदद मिलती है।
हालांकि यह तकनीक आशाजनक है, छवि गुणवत्ता भिन्नता विश्वसनीय छवि विश्लेषण के लिए एक बड़ी चुनौती बनी हुई है, जिससे छवि व्याख्या मुश्किल हो गई है और व्यापक नैदानिक ​​अपनाने को रोका जा रहा है।क्योंकि OCTA लगातार कई OCT स्कैन का उपयोग करता है, यह मानक OCT की तुलना में छवि कलाकृतियों के प्रति अधिक संवेदनशील है।अधिकांश वाणिज्यिक OCTA प्लेटफ़ॉर्म अपनी स्वयं की छवि गुणवत्ता मीट्रिक प्रदान करते हैं जिन्हें सिग्नल स्ट्रेंथ (SS) या कभी-कभी सिग्नल स्ट्रेंथ इंडेक्स (SSI) कहा जाता है।हालाँकि, उच्च एसएस या एसएसआई मूल्य वाली छवियां छवि कलाकृतियों की अनुपस्थिति की गारंटी नहीं देती हैं, जो किसी भी बाद के छवि विश्लेषण को प्रभावित कर सकती हैं और गलत नैदानिक ​​निर्णय ले सकती हैं।OCTA इमेजिंग में होने वाली सामान्य छवि कलाकृतियों में गति कलाकृतियाँ, विभाजन कलाकृतियाँ, मीडिया अपारदर्शिता कलाकृतियाँ और प्रक्षेपण कलाकृतियाँ1,2,3 शामिल हैं।
चूँकि संवहनी घनत्व जैसे OCTA-व्युत्पन्न उपायों का उपयोग अनुवाद संबंधी अनुसंधान, नैदानिक ​​​​परीक्षणों और नैदानिक ​​​​अभ्यास में तेजी से किया जा रहा है, इसलिए छवि कलाकृतियों को खत्म करने के लिए मजबूत और विश्वसनीय छवि गुणवत्ता नियंत्रण प्रक्रियाओं को विकसित करने की तत्काल आवश्यकता है।स्किप कनेक्शन, जिसे अवशिष्ट कनेक्शन के रूप में भी जाना जाता है, तंत्रिका नेटवर्क आर्किटेक्चर में प्रक्षेपण हैं जो जानकारी को विभिन्न पैमाने या रिज़ॉल्यूशन 5 पर जानकारी संग्रहीत करते समय कन्वेन्शनल परतों को बायपास करने की अनुमति देते हैं।क्योंकि छवि कलाकृतियाँ छोटे पैमाने और सामान्य बड़े पैमाने पर छवि प्रदर्शन को प्रभावित कर सकती हैं, स्किप-कनेक्शन तंत्रिका नेटवर्क इस गुणवत्ता नियंत्रण कार्य को स्वचालित करने के लिए उपयुक्त हैं5।हाल ही में प्रकाशित कार्य ने मानव अनुमानकों6 से उच्च गुणवत्ता वाले डेटा का उपयोग करके प्रशिक्षित गहन दृढ़ तंत्रिका नेटवर्क के लिए कुछ संभावनाएं दिखाई हैं।
इस अध्ययन में, हम OCTA छवियों की गुणवत्ता को स्वचालित रूप से निर्धारित करने के लिए एक कनेक्शन-स्किपिंग कनवल्शनल न्यूरल नेटवर्क को प्रशिक्षित करते हैं।हम उच्च गुणवत्ता वाली छवियों और निम्न गुणवत्ता वाली छवियों की पहचान के लिए अलग-अलग मॉडल विकसित करके पिछले काम को आगे बढ़ाते हैं, क्योंकि विशिष्ट नैदानिक ​​या अनुसंधान परिदृश्यों के लिए छवि गुणवत्ता की आवश्यकताएं भिन्न हो सकती हैं।गहन शिक्षण के भीतर ग्रैन्युलैरिटी के कई स्तरों पर सुविधाओं को शामिल करने के मूल्य का मूल्यांकन करने के लिए हम इन नेटवर्कों के परिणामों की तुलना लापता कनेक्शन के बिना दृढ़ तंत्रिका नेटवर्क के साथ करते हैं।फिर हमने अपने परिणामों की तुलना सिग्नल की शक्ति से की, जो निर्माताओं द्वारा प्रदान की गई छवि गुणवत्ता का एक आम तौर पर स्वीकृत माप है।
हमारे अध्ययन में 11 अगस्त, 2017 और 11 अप्रैल, 2019 के बीच येल आई सेंटर में भाग लेने वाले मधुमेह के रोगियों को शामिल किया गया था। किसी भी गैर-मधुमेह कोरियोरेटिनल रोग वाले रोगियों को बाहर रखा गया था।उम्र, लिंग, नस्ल, छवि गुणवत्ता या किसी अन्य कारक के आधार पर कोई समावेशन या बहिष्करण मानदंड नहीं थे।
8\(\times\)8 मिमी और 6\(\times\)6 मिमी इमेजिंग प्रोटोकॉल के तहत सिरस HD-OCT 5000 (कार्ल ज़ीस मेडिटेक इंक, डबलिन, CA) पर AngioPlex प्लेटफ़ॉर्म का उपयोग करके OCTA छवियां प्राप्त की गईं।अध्ययन में भाग लेने के लिए प्रत्येक अध्ययन प्रतिभागी से सूचित सहमति प्राप्त की गई थी, और येल यूनिवर्सिटी इंस्टीट्यूशनल रिव्यू बोर्ड (आईआरबी) ने इन सभी रोगियों के लिए वैश्विक फोटोग्राफी के साथ सूचित सहमति के उपयोग को मंजूरी दे दी थी।हेलसिंकी की घोषणा के सिद्धांतों का पालन करना।अध्ययन को येल विश्वविद्यालय आईआरबी द्वारा अनुमोदित किया गया था।
सतह प्लेट छवियों का मूल्यांकन पहले वर्णित मोशन आर्टिफैक्ट स्कोर (एमएएस), पहले वर्णित सेगमेंटेशन आर्टिफैक्ट स्कोर (एसएएस), फोवियल सेंटर, मीडिया अपारदर्शिता की उपस्थिति और छवि मूल्यांकनकर्ता द्वारा निर्धारित छोटी केशिकाओं के अच्छे दृश्य के आधार पर किया गया था।छवियों का विश्लेषण दो स्वतंत्र मूल्यांकनकर्ताओं (आरडी और जेडब्ल्यू) द्वारा किया गया था।यदि निम्नलिखित सभी मानदंड पूरे होते हैं तो एक छवि का ग्रेडेड स्कोर 2 (योग्य) होता है: छवि फोविया पर केंद्रित होती है (छवि के केंद्र से 100 पिक्सेल से कम), एमएएस 1 या 2 है, एसएएस 1 है, और मीडिया अपारदर्शिता 1 से कम है। आकार/16 की छवियों पर मौजूद है, और 15/16 से बड़ी छवियों में छोटी केशिकाएँ देखी जाती हैं।यदि निम्न में से कोई भी मानदंड पूरा होता है तो एक छवि को 0 (कोई रेटिंग नहीं) रेटिंग दी जाती है: यदि एमएएस 4 है, तो छवि ऑफ-सेंटर है, यदि एसएएस 2 है, या औसत अस्पष्टता छवि के 1/4 से अधिक है, और छोटी केशिकाओं को अलग करने के लिए 1 छवि /4 से अधिक समायोजित नहीं किया जा सकता है।अन्य सभी छवियां जो स्कोरिंग मानदंड 0 या 2 को पूरा नहीं करती हैं उन्हें 1 (क्लिपिंग) के रूप में स्कोर किया जाता है।
अंजीर पर.1 प्रत्येक स्केल किए गए अनुमान और छवि कलाकृतियों के लिए नमूना चित्र दिखाता है।व्यक्तिगत स्कोर की अंतर-रेटर विश्वसनीयता का मूल्यांकन कोहेन के कप्पा वेटिंग8 द्वारा किया गया था।प्रत्येक मूल्यांकनकर्ता के व्यक्तिगत अंकों को प्रत्येक छवि के लिए 0 से 4 तक का समग्र स्कोर प्राप्त करने के लिए जोड़ा जाता है। 4 के कुल स्कोर वाली छवियां अच्छी मानी जाती हैं।0 या 1 के कुल स्कोर वाली छवियाँ निम्न गुणवत्ता वाली मानी जाती हैं।
ImageNet डेटाबेस से छवियों पर पूर्व-प्रशिक्षित एक ResNet152 आर्किटेक्चर कन्वेन्शनल न्यूरल नेटवर्क (चित्र 3A.i) fast.ai और PyTorch फ्रेमवर्क5, 9, 10, 11 का उपयोग करके तैयार किया गया था। एक कन्वेन्शनल न्यूरल नेटवर्क एक नेटवर्क है जो सीखे गए का उपयोग करता है स्थानिक और स्थानीय विशेषताओं का अध्ययन करने के लिए छवि अंशों को स्कैन करने के लिए फ़िल्टर।हमारा प्रशिक्षित रेसनेट एक 152-परत तंत्रिका नेटवर्क है जो अंतराल या "अवशिष्ट कनेक्शन" की विशेषता है जो एक साथ कई रिज़ॉल्यूशन के साथ जानकारी प्रसारित करता है।नेटवर्क पर विभिन्न रिज़ॉल्यूशन पर जानकारी पेश करके, प्लेटफ़ॉर्म विवरण के कई स्तरों पर निम्न-गुणवत्ता वाली छवियों की विशेषताओं को सीख सकता है।हमारे रेसनेट मॉडल के अलावा, हमने तुलना के लिए लापता कनेक्शन के बिना, एक अच्छी तरह से अध्ययन किए गए तंत्रिका नेटवर्क आर्किटेक्चर, एलेक्सनेट को भी प्रशिक्षित किया (चित्र 3A.ii)12।गुम कनेक्शन के बिना, यह नेटवर्क उच्च ग्रैन्युलैरिटी पर सुविधाओं को कैप्चर करने में सक्षम नहीं होगा।
मूल 8\(\times\)8mm OCTA13 छवि सेट को क्षैतिज और ऊर्ध्वाधर प्रतिबिंब तकनीकों का उपयोग करके बढ़ाया गया है।संपूर्ण डेटासेट को स्किकिट-लर्न टूलबॉक्स पायथन14 का उपयोग करके छवि स्तर पर प्रशिक्षण (51.2%), परीक्षण (12.8%), हाइपरपैरामीटर ट्यूनिंग (16%), और सत्यापन (20%) डेटासेट में यादृच्छिक रूप से विभाजित किया गया था।दो मामलों पर विचार किया गया, एक केवल उच्चतम गुणवत्ता वाली छवियों (कुल स्कोर 4) का पता लगाने पर आधारित था और दूसरा केवल निम्नतम गुणवत्ता वाली छवियों (कुल स्कोर 0 या 1) का पता लगाने पर आधारित था।प्रत्येक उच्च-गुणवत्ता और निम्न-गुणवत्ता वाले उपयोग के मामले के लिए, तंत्रिका नेटवर्क को हमारी छवि डेटा पर एक बार पुनः प्रशिक्षित किया जाता है।प्रत्येक उपयोग के मामले में, तंत्रिका नेटवर्क को 10 युगों के लिए प्रशिक्षित किया गया था, उच्चतम परत के वजन को छोड़कर सभी को फ्रीज कर दिया गया था, और क्रॉस-एन्ट्रॉपी लॉस फ़ंक्शन 15 के साथ एक भेदभावपूर्ण सीखने की दर विधि का उपयोग करके 40 युगों के लिए सभी आंतरिक मापदंडों के वजन को सीखा गया था। 16..क्रॉस एन्ट्रॉपी लॉस फ़ंक्शन अनुमानित नेटवर्क लेबल और वास्तविक डेटा के बीच विसंगति के लघुगणकीय पैमाने का एक माप है।प्रशिक्षण के दौरान, नुकसान को कम करने के लिए तंत्रिका नेटवर्क के आंतरिक मापदंडों पर ग्रेडिएंट डिसेंट का प्रदर्शन किया जाता है।सीखने की दर, ड्रॉपआउट दर और वजन घटाने वाले हाइपरपैरामीटर को 2 यादृच्छिक शुरुआती बिंदुओं और 10 पुनरावृत्तियों के साथ बायेसियन ऑप्टिमाइज़ेशन का उपयोग करके ट्यून किया गया था, और डेटासेट पर एयूसी को 17 के लक्ष्य के रूप में हाइपरपैरामीटर का उपयोग करके ट्यून किया गया था।
सतही केशिका प्लेक्सस की 8 × 8 मिमी OCTA छवियों के प्रतिनिधि उदाहरणों ने 2 (ए, बी), 1 (सी, डी), और 0 (ई, एफ) स्कोर किया।दिखाई गई छवि कलाकृतियों में टिमटिमाती रेखाएँ (तीर), विभाजन कलाकृतियाँ (तारांकन), और मीडिया अपारदर्शिता (तीर) शामिल हैं।छवि (ई) भी केंद्र से बाहर है।
फिर सभी तंत्रिका नेटवर्क मॉडल के लिए रिसीवर ऑपरेटिंग विशेषताएँ (आरओसी) वक्र उत्पन्न होते हैं, और प्रत्येक निम्न-गुणवत्ता और उच्च-गुणवत्ता वाले उपयोग के मामले के लिए इंजन सिग्नल शक्ति रिपोर्ट तैयार की जाती है।वक्र के नीचे के क्षेत्र (एयूसी) की गणना पीआरओसी आर पैकेज का उपयोग करके की गई थी, और 95% विश्वास अंतराल और पी-मूल्यों की गणना डीलॉन्ग विधि18,19 का उपयोग करके की गई थी।मानव मूल्यांकनकर्ताओं के संचयी स्कोर का उपयोग सभी आरओसी गणनाओं के लिए आधार रेखा के रूप में किया जाता है।मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति के लिए, एयूसी की गणना दो बार की गई: एक बार उच्च गुणवत्ता वाले स्केलेबिलिटी स्कोर कटऑफ के लिए और एक बार निम्न गुणवत्ता वाले स्केलेबिलिटी स्कोर कटऑफ के लिए।तंत्रिका नेटवर्क की तुलना एयूसी सिग्नल शक्ति से की जाती है जो उसके स्वयं के प्रशिक्षण और मूल्यांकन स्थितियों को दर्शाती है।
एक अलग डेटासेट पर प्रशिक्षित गहन शिक्षण मॉडल का और परीक्षण करने के लिए, येल विश्वविद्यालय से एकत्र किए गए 32 पूर्ण चेहरे 6\(\बार\) 6 मिमी सतह स्लैब छवियों के प्रदर्शन मूल्यांकन के लिए उच्च गुणवत्ता और निम्न गुणवत्ता वाले मॉडल को सीधे लागू किया गया था।नेत्र द्रव्यमान छवि 8 \(\बार \) 8 मिमी के समान समय पर केंद्रित है।6\(\×\) 6 मिमी छवियों का मूल्यांकन उसी रेटर (आरडी और जेडब्ल्यू) द्वारा मैन्युअल रूप से 8\(\×\) 8 मिमी छवियों के समान किया गया था, एयूसी की गणना सटीकता और कोहेन के कप्पा के साथ की गई थी .समान रूप से.
निम्न गुणवत्ता वाले मॉडल के लिए वर्ग असंतुलन अनुपात 158:189 (\(\rho = 1.19\)) और उच्च गुणवत्ता वाले मॉडल के लिए 80:267 (\(\rho = 3.3\)) है।क्योंकि वर्ग असंतुलन अनुपात 1:4 से कम है, वर्ग असंतुलन20,21 को ठीक करने के लिए कोई विशिष्ट वास्तुशिल्प परिवर्तन नहीं किया गया है।
सीखने की प्रक्रिया को बेहतर ढंग से देखने के लिए, सभी चार प्रशिक्षित गहन शिक्षण मॉडल के लिए कक्षा सक्रियण मानचित्र तैयार किए गए: उच्च गुणवत्ता वाले ResNet152 मॉडल, निम्न गुणवत्ता वाले ResNet152 मॉडल, उच्च गुणवत्ता वाले एलेक्सनेट मॉडल और निम्न गुणवत्ता वाले एलेक्सनेट मॉडल।वर्ग सक्रियण मानचित्र इन चार मॉडलों के इनपुट कनवल्शनल परतों से उत्पन्न होते हैं, और 8 × 8 मिमी और 6 × 6 मिमी सत्यापन सेट 22, 23 से स्रोत छवियों के साथ सक्रियण मानचित्रों को ओवरले करके हीट मैप उत्पन्न होते हैं।
आर संस्करण 4.0.3 का उपयोग सभी सांख्यिकीय गणनाओं के लिए किया गया था, और विज़ुअलाइज़ेशन ggplot2 ग्राफ़िक्स टूल लाइब्रेरी का उपयोग करके बनाए गए थे।
हमने 134 लोगों से 8 \(\times \)मिमी मापने वाले सतही केशिका जाल की 347 ललाट छवियां एकत्र कीं।मशीन ने सभी छवियों के लिए 0 से 10 के पैमाने पर सिग्नल शक्ति की सूचना दी (मतलब = 6.99 ± 2.29)।प्राप्त 347 छवियों में से, जांच के समय औसत आयु 58.7 ± 14.6 वर्ष थी, और 39.2% पुरुष रोगियों की थीं।सभी छवियों में से, 30.8% कॉकेशियन से, 32.6% अश्वेतों से, 30.8% हिस्पैनिक्स से, 4% एशियाई से, और 1.7% अन्य जातियों से थे (तालिका 1)।).OCTA वाले रोगियों का आयु वितरण छवि की गुणवत्ता (पी <0.001) के आधार पर काफी भिन्न था।18-45 वर्ष की आयु के युवा रोगियों में उच्च-गुणवत्ता वाली छवियों का प्रतिशत 33.8% था, जबकि निम्न-गुणवत्ता वाली छवियों का प्रतिशत 12.2% था (तालिका 1)।डायबिटिक रेटिनोपैथी स्थिति का वितरण भी छवि गुणवत्ता (पी <0.017) में काफी भिन्न था।सभी उच्च गुणवत्ता वाली छवियों में, पीडीआर वाले रोगियों का प्रतिशत 18.8% था, जबकि सभी निम्न गुणवत्ता वाली छवियों में यह 38.8% था (तालिका 1)।
सभी छवियों की व्यक्तिगत रेटिंग ने छवियों को पढ़ने वाले लोगों के बीच मध्यम से मजबूत अंतर-रेटिंग विश्वसनीयता दिखाई (कोहेन का भारित कप्पा = 0.79, 95% सीआई: 0.76-0.82), और ऐसे कोई छवि बिंदु नहीं थे जहां रेटिंगर्स 1 से अधिक भिन्न हों (चित्र)। 2ए)..सिग्नल की तीव्रता मैन्युअल स्कोरिंग के साथ महत्वपूर्ण रूप से सहसंबद्ध है (पियर्सन उत्पाद क्षण सहसंबंध = 0.58, 95% सीआई 0.51-0.65, पी <0.001), लेकिन कई छवियों की पहचान उच्च सिग्नल तीव्रता लेकिन कम मैनुअल स्कोरिंग (छवि 2 बी) के रूप में की गई थी।
ResNet152 और AlexNet आर्किटेक्चर के प्रशिक्षण के दौरान, सत्यापन और प्रशिक्षण पर क्रॉस-एन्ट्रॉपी हानि 50 युगों से अधिक हो जाती है (चित्र 3B,C)।उच्च गुणवत्ता और निम्न गुणवत्ता दोनों उपयोग मामलों के लिए अंतिम प्रशिक्षण युग में सत्यापन सटीकता 90% से अधिक है।
रिसीवर प्रदर्शन वक्र दिखाते हैं कि ResNet152 मॉडल निम्न और उच्च गुणवत्ता वाले उपयोग के मामलों (पी <0.001) दोनों में मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति से काफी बेहतर प्रदर्शन करता है।ResNet152 मॉडल भी एलेक्सनेट आर्किटेक्चर (निम्न गुणवत्ता और उच्च गुणवत्ता वाले मामलों के लिए क्रमशः p = 0.005 और p = 0.014) से बेहतर प्रदर्शन करता है।इनमें से प्रत्येक कार्य के लिए परिणामी मॉडल क्रमशः 0.99 और 0.97 के एयूसी मान प्राप्त करने में सक्षम थे, जो मशीन सिग्नल शक्ति सूचकांक के लिए 0.82 और 0.78 के संबंधित एयूसी मान या एलेक्सनेट के लिए 0.97 और 0.94 से काफी बेहतर है। ..(चित्र 3)।उच्च गुणवत्ता वाली छवियों को पहचानते समय सिग्नल शक्ति में ResNet और AUC के बीच अंतर अधिक होता है, जो इस कार्य के लिए ResNet का उपयोग करने के अतिरिक्त लाभों को दर्शाता है।
ग्राफ़ प्रत्येक स्वतंत्र मूल्यांकनकर्ता की मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति के साथ स्कोर करने और तुलना करने की क्षमता दिखाते हैं।(ए) मूल्यांकन किए जाने वाले अंकों के योग का उपयोग मूल्यांकन किए जाने वाले अंकों की कुल संख्या बनाने के लिए किया जाता है।4 के समग्र स्केलेबिलिटी स्कोर वाली छवियों को उच्च गुणवत्ता सौंपी जाती है, जबकि 1 या उससे कम के समग्र स्केलेबिलिटी स्कोर वाली छवियों को निम्न गुणवत्ता सौंपी जाती है।(बी) सिग्नल की तीव्रता मैन्युअल अनुमानों से संबंधित है, लेकिन उच्च सिग्नल तीव्रता वाली छवियां खराब गुणवत्ता की हो सकती हैं।लाल बिंदीदार रेखा सिग्नल शक्ति (सिग्नल शक्ति \(\ge\)6) के आधार पर निर्माता की अनुशंसित गुणवत्ता सीमा को इंगित करती है।
रेसनेट ट्रांसफर लर्निंग मशीन-रिपोर्ट किए गए सिग्नल स्तरों की तुलना में निम्न गुणवत्ता और उच्च गुणवत्ता दोनों उपयोग के मामलों के लिए छवि गुणवत्ता पहचान में महत्वपूर्ण सुधार प्रदान करता है।(ए) पूर्व-प्रशिक्षित (i) ResNet152 और (ii) एलेक्सनेट आर्किटेक्चर के सरलीकृत आर्किटेक्चर आरेख।(बी) मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति और एलेक्सनेट कम गुणवत्ता मानदंड की तुलना में रेसनेट152 के लिए प्रशिक्षण इतिहास और रिसीवर प्रदर्शन वक्र।(सी) मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति और एलेक्सनेट उच्च गुणवत्ता मानदंड की तुलना में रेसनेट152 रिसीवर प्रशिक्षण इतिहास और प्रदर्शन घटता।
निर्णय सीमा सीमा को समायोजित करने के बाद, ResNet152 मॉडल की अधिकतम भविष्यवाणी सटीकता निम्न गुणवत्ता वाले मामले के लिए 95.3% और उच्च गुणवत्ता वाले मामले के लिए 93.5% है (तालिका 2)।एलेक्सनेट मॉडल की अधिकतम भविष्यवाणी सटीकता निम्न गुणवत्ता वाले मामले के लिए 91.0% और उच्च गुणवत्ता वाले मामले के लिए 90.1% है (तालिका 2)।निम्न गुणवत्ता वाले उपयोग के मामले में अधिकतम सिग्नल शक्ति पूर्वानुमान सटीकता 76.1% और उच्च गुणवत्ता वाले उपयोग के मामले में 77.8% है।कोहेन के कप्पा (\(\kappa\)) के अनुसार, ResNet152 मॉडल और अनुमानकर्ताओं के बीच समझौता निम्न गुणवत्ता वाले मामले के लिए 0.90 और उच्च गुणवत्ता वाले मामले के लिए 0.81 है।निम्न गुणवत्ता और उच्च गुणवत्ता वाले उपयोग के मामलों के लिए कोहेन का एलेक्सनेट कप्पा क्रमशः 0.82 और 0.71 है।निम्न और उच्च गुणवत्ता वाले उपयोग के मामलों के लिए कोहेन की सिग्नल शक्ति कप्पा क्रमशः 0.52 और 0.27 है।
6 मिमी फ्लैट प्लेट की 6\(\x\) छवियों पर उच्च और निम्न गुणवत्ता पहचान मॉडल का सत्यापन विभिन्न इमेजिंग मापदंडों में छवि गुणवत्ता निर्धारित करने के लिए प्रशिक्षित मॉडल की क्षमता को प्रदर्शित करता है।इमेजिंग गुणवत्ता के लिए 6\(\x\) 6 मिमी उथले स्लैब का उपयोग करते समय, निम्न गुणवत्ता वाले मॉडल का AUC 0.83 (95% CI: 0.69–0.98) था और उच्च गुणवत्ता वाले मॉडल का AUC 0.85 था।(95% सीआई: 0.55-1.00) (तालिका 2)।
इनपुट परत वर्ग सक्रियण मानचित्रों के दृश्य निरीक्षण से पता चला कि सभी प्रशिक्षित तंत्रिका नेटवर्क छवि वर्गीकरण के दौरान छवि सुविधाओं का उपयोग करते हैं (चित्र 4ए, बी)।8 \(\times \) 8 मिमी और 6 \(\times \) 6 मिमी छवियों के लिए, ResNet सक्रियण छवियां रेटिना वाहिका का बारीकी से अनुसरण करती हैं।एलेक्सनेट सक्रियण मानचित्र भी रेटिना वाहिकाओं का अनुसरण करते हैं, लेकिन मोटे रिज़ॉल्यूशन के साथ।
ResNet152 और AlexNet मॉडल के लिए क्लास सक्रियण मानचित्र छवि गुणवत्ता से संबंधित सुविधाओं पर प्रकाश डालते हैं।(ए) वर्ग सक्रियण मानचित्र 8 \(\बार \) 8 मिमी सत्यापन छवियों पर सतही रेटिना वाहिका के बाद सुसंगत सक्रियण दिखा रहा है और (बी) छोटी 6 \(\बार \) 6 मिमी सत्यापन छवियों पर सीमा।एलक्यू मॉडल को निम्न गुणवत्ता मानदंडों पर प्रशिक्षित किया गया, मुख्यालय मॉडल को उच्च गुणवत्ता मानदंडों पर प्रशिक्षित किया गया।
यह पहले दिखाया गया है कि छवि गुणवत्ता OCTA छवियों की किसी भी मात्रा को बहुत प्रभावित कर सकती है।इसके अलावा, रेटिनोपैथी की उपस्थिति छवि कलाकृतियों7,26 की घटनाओं को बढ़ाती है।वास्तव में, हमारे डेटा में, पिछले अध्ययनों के अनुरूप, हमने बढ़ती उम्र और रेटिनल बीमारी की गंभीरता और छवि गुणवत्ता में गिरावट (क्रमशः आयु और डीआर स्थिति के लिए पी <0.001, पी = 0.017; तालिका 1) 27 के बीच एक महत्वपूर्ण संबंध पाया। इसलिए, OCTA छवियों का कोई भी मात्रात्मक विश्लेषण करने से पहले छवि गुणवत्ता का आकलन करना महत्वपूर्ण है।OCTA छवियों का विश्लेषण करने वाले अधिकांश अध्ययन कम गुणवत्ता वाली छवियों को खारिज करने के लिए मशीन-रिपोर्ट किए गए सिग्नल तीव्रता थ्रेसहोल्ड का उपयोग करते हैं।हालाँकि सिग्नल की तीव्रता को OCTA मापदंडों की मात्रा को प्रभावित करने के लिए दिखाया गया है, अकेले उच्च सिग्नल की तीव्रता छवि कलाकृतियों 2,3,28,29 वाली छवियों को खारिज करने के लिए पर्याप्त नहीं हो सकती है।इसलिए, छवि गुणवत्ता नियंत्रण का अधिक विश्वसनीय तरीका विकसित करना आवश्यक है।इस प्रयोजन के लिए, हम मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति के विरुद्ध पर्यवेक्षित गहन शिक्षण विधियों के प्रदर्शन का मूल्यांकन करते हैं।
हमने छवि गुणवत्ता के मूल्यांकन के लिए कई मॉडल विकसित किए हैं क्योंकि विभिन्न OCTA उपयोग मामलों में अलग-अलग छवि गुणवत्ता आवश्यकताएं हो सकती हैं।उदाहरण के लिए, छवियाँ उच्च गुणवत्ता की होनी चाहिए।इसके अलावा, रुचि के विशिष्ट मात्रात्मक पैरामीटर भी महत्वपूर्ण हैं।उदाहरण के लिए, फोवियल एवस्कुलर ज़ोन का क्षेत्र गैर-केंद्रीय माध्यम की गंदगी पर निर्भर नहीं करता है, बल्कि वाहिकाओं के घनत्व को प्रभावित करता है।हालांकि हमारा शोध छवि गुणवत्ता के लिए एक सामान्य दृष्टिकोण पर ध्यान केंद्रित करना जारी रखता है, जो किसी विशेष परीक्षण की आवश्यकताओं से जुड़ा नहीं है, बल्कि मशीन द्वारा रिपोर्ट की गई सिग्नल शक्ति को सीधे बदलने का इरादा रखता है, हम उपयोगकर्ताओं को अधिक से अधिक नियंत्रण देने की उम्मीद करते हैं ताकि वे उपयोगकर्ता की रुचि की विशिष्ट मीट्रिक का चयन कर सकता है।ऐसा मॉडल चुनें जो स्वीकार्य मानी जाने वाली छवि कलाकृतियों की अधिकतम डिग्री से मेल खाता हो।
निम्न-गुणवत्ता और उच्च-गुणवत्ता वाले दृश्यों के लिए, हम क्रमशः 0.97 और 0.99 के एयूसी और निम्न-गुणवत्ता वाले मॉडल के साथ कनेक्शन-लापता गहरे दृढ़ तंत्रिका नेटवर्क का उत्कृष्ट प्रदर्शन दिखाते हैं।केवल मशीनों द्वारा रिपोर्ट किए गए सिग्नल स्तरों की तुलना में हम अपने गहन शिक्षण दृष्टिकोण का बेहतर प्रदर्शन भी प्रदर्शित करते हैं।स्किप कनेक्शन तंत्रिका नेटवर्क को विस्तार के कई स्तरों पर सुविधाओं को सीखने, छवियों के बेहतर पहलुओं (उदाहरण के लिए कंट्रास्ट) के साथ-साथ सामान्य सुविधाओं (उदाहरण के लिए छवि केंद्रित 30,31) को कैप्चर करने की अनुमति देता है।चूँकि छवि गुणवत्ता को प्रभावित करने वाली छवि कलाकृतियाँ संभवतः एक विस्तृत श्रृंखला में सबसे अच्छी तरह से पहचानी जाती हैं, लापता कनेक्शन वाले तंत्रिका नेटवर्क आर्किटेक्चर छवि गुणवत्ता निर्धारण कार्यों के बिना बेहतर प्रदर्शन प्रदर्शित कर सकते हैं।
6\(\×6मिमी) OCTA छवियों पर हमारे मॉडल का परीक्षण करते समय, हमने वर्गीकरण के लिए प्रशिक्षित मॉडल के आकार के विपरीत, उच्च गुणवत्ता और निम्न गुणवत्ता वाले मॉडल (छवि 2) दोनों के लिए वर्गीकरण प्रदर्शन में कमी देखी।रेसनेट मॉडल की तुलना में, एलेक्सनेट मॉडल में बड़ी गिरावट है।रेसनेट का अपेक्षाकृत बेहतर प्रदर्शन कई पैमानों पर सूचना प्रसारित करने के लिए अवशिष्ट कनेक्शन की क्षमता के कारण हो सकता है, जो मॉडल को विभिन्न पैमानों और/या आवर्धन पर कैप्चर की गई छवियों को वर्गीकृत करने के लिए अधिक मजबूत बनाता है।
8 \(\×\) 8 मिमी छवियों और 6 \(\×\) 6 मिमी छवियों के बीच कुछ अंतर खराब वर्गीकरण का कारण बन सकते हैं, जिसमें फोवियल एवस्कुलर क्षेत्रों वाली छवियों का अपेक्षाकृत उच्च अनुपात, दृश्यता में परिवर्तन, संवहनी आर्केड और शामिल हैं। छवि 6×6 मिमी पर कोई ऑप्टिक तंत्रिका नहीं।इसके बावजूद, हमारा उच्च गुणवत्ता वाला रेसनेट मॉडल 6 \(\x\) 6 मिमी छवियों के लिए 85% का एयूसी प्राप्त करने में सक्षम था, एक कॉन्फ़िगरेशन जिसके लिए मॉडल को प्रशिक्षित नहीं किया गया था, यह सुझाव देता है कि छवि गुणवत्ता की जानकारी तंत्रिका नेटवर्क में एन्कोड की गई है उपयुक्त है।इसके प्रशिक्षण के बाहर एक छवि आकार या मशीन कॉन्फ़िगरेशन के लिए (तालिका 2)।आश्वस्त रूप से, 8 \(\times \) 8 मिमी और 6 \(\times \) 6 मिमी छवियों के ResNet- और AlexNet-जैसे सक्रियण मानचित्र दोनों मामलों में रेटिना वाहिकाओं को उजागर करने में सक्षम थे, यह सुझाव देते हुए कि मॉडल में महत्वपूर्ण जानकारी है।दोनों प्रकार की OCTA छवियों को वर्गीकृत करने के लिए लागू हैं (चित्र 4)।
लॉरमैन एट अल.OCTA छवियों पर छवि गुणवत्ता मूल्यांकन इसी तरह से इंसेप्शन आर्किटेक्चर का उपयोग करके किया गया था, जो गहन शिक्षण तकनीकों का उपयोग करके एक और स्किप-कनेक्शन कन्वेन्शनल न्यूरल नेटवर्क6,32 है।उन्होंने अध्ययन को सतही केशिका जाल की छवियों तक सीमित कर दिया, लेकिन केवल ऑप्टोव्यू एंजियोव्यू से छोटी 3×3 मिमी छवियों का उपयोग किया, हालांकि विभिन्न कोरियोरेटिनल रोगों वाले रोगियों को भी शामिल किया गया था।हमारा काम उनकी नींव पर आधारित है, जिसमें विभिन्न छवि गुणवत्ता सीमाओं को संबोधित करने और विभिन्न आकारों की छवियों के लिए परिणामों को मान्य करने के लिए कई मॉडल शामिल हैं।हम मशीन लर्निंग मॉडल के एयूसी मीट्रिक की भी रिपोर्ट करते हैं और निम्न गुणवत्ता (96%) और उच्च गुणवत्ता (95.7%) मॉडल6 दोनों के लिए उनकी पहले से ही प्रभावशाली सटीकता (90%)6 को बढ़ाते हैं।
इस प्रशिक्षण की कई सीमाएँ हैं.सबसे पहले, छवियों को केवल एक OCTA मशीन से प्राप्त किया गया था, जिसमें केवल 8\(\times\)8 मिमी और 6\(\times\)6 मिमी पर सतही केशिका जाल की छवियां शामिल थीं।गहरी परतों से छवियों को बाहर करने का कारण यह है कि प्रक्षेपण कलाकृतियाँ छवियों के मैन्युअल मूल्यांकन को अधिक कठिन और संभवतः कम सुसंगत बना सकती हैं।इसके अलावा, छवियां केवल मधुमेह रोगियों में हासिल की गई हैं, जिनके लिए OCTA एक ​​महत्वपूर्ण निदान और पूर्वानुमान उपकरण33,34 के रूप में उभर रहा है।यद्यपि हम यह सुनिश्चित करने के लिए विभिन्न आकारों की छवियों पर अपने मॉडल का परीक्षण करने में सक्षम थे कि परिणाम मजबूत थे, हम विभिन्न केंद्रों से उपयुक्त डेटासेट की पहचान करने में असमर्थ थे, जिससे मॉडल की सामान्यता के बारे में हमारा आकलन सीमित हो गया।हालाँकि चित्र केवल एक ही केंद्र से प्राप्त किए गए थे, वे विभिन्न जातीय और नस्लीय पृष्ठभूमि के रोगियों से प्राप्त किए गए थे, जो हमारे अध्ययन की एक अनूठी ताकत है।हमारी प्रशिक्षण प्रक्रिया में विविधता को शामिल करके, हम आशा करते हैं कि हमारे परिणामों को व्यापक अर्थों में सामान्यीकृत किया जाएगा, और हम जिन मॉडलों को प्रशिक्षित करते हैं उनमें नस्लीय पूर्वाग्रह को शामिल करने से बचेंगे।
हमारे अध्ययन से पता चलता है कि OCTA छवि गुणवत्ता निर्धारित करने में उच्च प्रदर्शन प्राप्त करने के लिए कनेक्शन-स्किपिंग तंत्रिका नेटवर्क को प्रशिक्षित किया जा सकता है।हम इन मॉडलों को आगे के शोध के लिए उपकरण के रूप में प्रदान करते हैं।क्योंकि अलग-अलग मेट्रिक्स में अलग-अलग छवि गुणवत्ता आवश्यकताएं हो सकती हैं, यहां स्थापित संरचना का उपयोग करके प्रत्येक मीट्रिक के लिए एक व्यक्तिगत गुणवत्ता नियंत्रण मॉडल विकसित किया जा सकता है।
भविष्य के अनुसंधान में गहन शिक्षण छवि गुणवत्ता मूल्यांकन प्रक्रिया प्राप्त करने के लिए अलग-अलग गहराई और विभिन्न OCTA मशीनों से विभिन्न आकारों की छवियां शामिल होनी चाहिए जिन्हें OCTA प्लेटफार्मों और इमेजिंग प्रोटोकॉल के लिए सामान्यीकृत किया जा सकता है।वर्तमान शोध भी पर्यवेक्षित गहन शिक्षण दृष्टिकोण पर आधारित है जिसके लिए मानव मूल्यांकन और छवि मूल्यांकन की आवश्यकता होती है, जो बड़े डेटासेट के लिए श्रम गहन और समय लेने वाला हो सकता है।यह देखा जाना बाकी है कि क्या बिना पर्यवेक्षित गहन शिक्षण विधियाँ कम गुणवत्ता वाली छवियों और उच्च गुणवत्ता वाली छवियों के बीच पर्याप्त रूप से अंतर कर सकती हैं।
जैसे-जैसे OCTA तकनीक विकसित होती जा रही है और स्कैनिंग गति बढ़ती जा रही है, छवि कलाकृतियों और खराब गुणवत्ता वाली छवियों की घटनाओं में कमी आ सकती है।सॉफ़्टवेयर में सुधार, जैसे कि हाल ही में शुरू की गई प्रक्षेपण विरूपण साक्ष्य हटाने की सुविधा, भी इन सीमाओं को कम कर सकती है।हालाँकि, कई समस्याएँ बनी हुई हैं क्योंकि खराब निर्धारण या महत्वपूर्ण मीडिया मैलापन वाले रोगियों की इमेजिंग के परिणामस्वरूप हमेशा छवि कलाकृतियाँ बनती हैं।चूंकि OCTA नैदानिक ​​​​परीक्षणों में अधिक व्यापक रूप से उपयोग किया जाता है, छवि विश्लेषण के लिए स्वीकार्य छवि विरूपण साक्ष्य स्तरों के लिए स्पष्ट दिशानिर्देश स्थापित करने के लिए सावधानीपूर्वक विचार की आवश्यकता है।OCTA छवियों के लिए गहन शिक्षण विधियों का अनुप्रयोग बहुत आशाजनक है और छवि गुणवत्ता नियंत्रण के लिए एक मजबूत दृष्टिकोण विकसित करने के लिए इस क्षेत्र में और अधिक शोध की आवश्यकता है।
वर्तमान शोध में उपयोग किया गया कोड ऑक्टा-क्यूसी रिपॉजिटरी, https://github.com/rahuldhodapkar/octa-qc पर उपलब्ध है।वर्तमान अध्ययन के दौरान उत्पन्न और/या विश्लेषण किए गए डेटासेट उचित अनुरोध पर संबंधित लेखकों से उपलब्ध हैं।
स्पाईड, आरएफ, फुजीमोतो, जेजी और वहीद, एनके ऑप्टिकल कोहेरेंस एंजियोग्राफी में छवि कलाकृतियाँ।रेटिना 35, 2163-2180 (2015)।
फेनर, बीजे एट अल।इमेजिंग विशेषताओं की पहचान जो ओसीटी एंजियोग्राफी में रेटिनल केशिका प्लेक्सस घनत्व माप की गुणवत्ता और प्रतिलिपि प्रस्तुत करने योग्यता निर्धारित करती है।बी.आर.जे. ओफ्थाल्मोल.102, 509-514 (2018)।
लॉरमैन, जेएल एट अल।उम्र से संबंधित धब्बेदार अध:पतन में ओसीटी एंजियोग्राफी की छवि गुणवत्ता पर आई-ट्रैकिंग तकनीक का प्रभाव।कब्र मेहराब.नैदानिक.ऍक्स्प.नेत्र विज्ञान।255, 1535-1542 (2017)।
बेबीच एएस एट अल।OCTA केशिका छिड़काव घनत्व माप का उपयोग मैक्यूलर इस्किमिया का पता लगाने और मूल्यांकन करने के लिए किया जाता है।नेत्र शल्य चिकित्सा.रेटिनल लेजर इमेजिंग 51, एस30-एस36 (2020)।
वह, के., झांग, एक्स., रेन, एस., और सन, जे. छवि पहचान के लिए गहरी अवशिष्ट शिक्षा।2016 में कंप्यूटर विज़न और पैटर्न रिकॉग्निशन (2016) पर IEEE सम्मेलन में।
लॉरमैन, जेएल एट अल।गहन शिक्षण एल्गोरिदम का उपयोग करके स्वचालित ओसीटी एंजियोग्राफिक छवि गुणवत्ता मूल्यांकन।कब्र मेहराब.नैदानिक.ऍक्स्प.नेत्र विज्ञान।257, 1641-1648 (2019)।
लॉरमैन, जे. एट अल.ओसीटी एंजियोग्राफी में विभाजन त्रुटियों और गति कलाकृतियों की व्यापकता रेटिना की बीमारी पर निर्भर करती है।कब्र मेहराब.नैदानिक.ऍक्स्प.नेत्र विज्ञान।256, 1807-1816 (2018)।
पास्क, एडम एट अल.पाइटोरच: एक अनिवार्य, उच्च प्रदर्शन वाली गहन शिक्षण लाइब्रेरी।तंत्रिका संबंधी जानकारी का उन्नत प्रसंस्करण।प्रणाली।32, 8026-8037 (2019)।
डेंग, जे. एट अल.इमेजनेट: एक बड़े पैमाने पर पदानुक्रमित छवि डेटाबेस।2009 कंप्यूटर विजन और पैटर्न पहचान पर आईईईई सम्मेलन।248-255.(2009)।
क्रिज़ेव्स्की ए., सुत्ज़केवर आई. और हिंटन जीई इमेजनेट वर्गीकरण गहरे दृढ़ तंत्रिका नेटवर्क का उपयोग करते हुए।तंत्रिका संबंधी जानकारी का उन्नत प्रसंस्करण।प्रणाली।25, 1 (2012)।