Благодарим вас за посещение Nature.com.Вы используете версию браузера с ограниченной поддержкой CSS.Для оптимальной работы мы рекомендуем вам использовать обновленный браузер (или отключить режим совместимости в Internet Explorer).Кроме того, чтобы обеспечить постоянную поддержку, мы показываем сайт без стилей и JavaScript.
Слайдеры, показывающие по три статьи на слайде.Используйте кнопки «Назад» и «Далее» для перемещения по слайдам или кнопки контроллера слайдов в конце для перемещения по каждому слайду.
Оптическая когерентная томографическая ангиография (ОКТА) — новый метод неинвазивной визуализации сосудов сетчатки.Хотя OCTA имеет множество многообещающих клинических применений, определение качества изображения остается сложной задачей.Мы разработали систему, основанную на глубоком обучении, с использованием классификатора нейронной сети ResNet152, предварительно обученного с помощью ImageNet, для классификации изображений поверхностных капиллярных сплетений на основе 347 сканирований 134 пациентов.Два независимых оценщика также вручную оценили изображения как правдивые для контролируемой модели обучения.Поскольку требования к качеству изображения могут различаться в зависимости от клинических или исследовательских условий, были обучены две модели: одна для распознавания изображений высокого качества, а другая — для распознавания изображений низкого качества.Наша модель нейронной сети показывает отличную площадь под кривой (AUC), 95% ДИ 0,96–0,99, \(\kappa\) = 0,81), что значительно лучше, чем уровень сигнала, сообщаемый машиной (AUC = 0,82, 95). % ДИ).0,77–0,86, \(\каппа\) = 0,52 и AUC = 0,78, 95% ДИ 0,73–0,83, \(\каппа\) = 0,27 соответственно).Наше исследование показывает, что методы машинного обучения можно использовать для разработки гибких и надежных методов контроля качества OCTA-изображений.
Оптическая когерентная томографическая ангиография (ОКТА) — относительно новый метод, основанный на оптической когерентной томографии (ОКТ), который можно использовать для неинвазивной визуализации микроциркуляторного русла сетчатки.OCTA измеряет разницу в характере отражения от повторяющихся световых импульсов в одной и той же области сетчатки, а затем можно рассчитать реконструкции, чтобы выявить кровеносные сосуды без инвазивного использования красителей или других контрастных веществ.OCTA также обеспечивает визуализацию сосудов с глубинным разрешением, позволяя врачам отдельно исследовать поверхностные и глубокие слои сосудов, помогая дифференцировать хориоретинальные заболевания.
Хотя этот метод является многообещающим, изменение качества изображения остается серьезной проблемой для надежного анализа изображений, что затрудняет интерпретацию изображений и препятствует широкому клиническому внедрению.Поскольку OCTA использует несколько последовательных сканирований OCT, он более чувствителен к артефактам изображения, чем стандартный OCT.Большинство коммерческих платформ OCTA предоставляют собственный показатель качества изображения, называемый силой сигнала (SS) или иногда индексом силы сигнала (SSI).Однако изображения с высоким значением SS или SSI не гарантируют отсутствия артефактов изображения, которые могут повлиять на любой последующий анализ изображений и привести к неверным клиническим решениям.Общие артефакты изображения, которые могут возникнуть при OCTA-изображениях, включают артефакты движения, артефакты сегментации, артефакты непрозрачности носителя и артефакты проекции1,2,3.
Поскольку измерения, полученные с помощью OCTA, такие как плотность сосудов, все чаще используются в трансляционных исследованиях, клинических испытаниях и клинической практике, существует острая необходимость в разработке надежных и надежных процессов контроля качества изображений для устранения артефактов изображения4.Пропускные соединения, также известные как остаточные соединения, представляют собой проекции в архитектуре нейронной сети, которые позволяют информации обходить сверточные слои, сохраняя при этом информацию в разных масштабах или разрешениях5.Поскольку артефакты изображения могут повлиять на производительность мелкомасштабных и общих крупномасштабных изображений, нейронные сети с пропуском соединений хорошо подходят для автоматизации этой задачи контроля качества5.Недавно опубликованная работа показала некоторую перспективность создания глубоких сверточных нейронных сетей, обученных с использованием высококачественных данных, полученных от людей-оценщиков6.
В этом исследовании мы обучаем сверточную нейронную сеть с пропуском соединений для автоматического определения качества OCTA-изображений.Мы опираемся на предыдущую работу, разрабатывая отдельные модели для идентификации изображений высокого и низкого качества, поскольку требования к качеству изображений могут различаться для конкретных клинических или исследовательских сценариев.Мы сравниваем результаты этих сетей со сверточными нейронными сетями без пропуска связей, чтобы оценить ценность включения функций на нескольких уровнях детализации в глубокое обучение.Затем мы сравнили наши результаты с уровнем сигнала — общепринятым показателем качества изображения, предоставляемым производителями.
В наше исследование были включены пациенты с диабетом, которые посещали Йельский глазной центр в период с 11 августа 2017 г. по 11 апреля 2019 г. Пациенты с любыми недиабетическими хориоретинальными заболеваниями были исключены.Не было никаких критериев включения или исключения, основанных на возрасте, поле, расе, качестве изображения или любом другом факторе.
ОКТА-изображения были получены с использованием платформы AngioPlex на Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Дублин, Калифорния) по протоколам визуализации 8\(\times\)8 мм и 6\(\times\)6 мм.Информированное согласие на участие в исследовании было получено от каждого участника исследования, и Институциональный наблюдательный совет Йельского университета (IRB) одобрил использование информированного согласия с глобальной фотографией для всех этих пациентов.Следование принципам Хельсинкской декларации.Исследование было одобрено IRB Йельского университета.
Изображения поверхностной пластины оценивались на основе ранее описанной оценки артефактов движения (MAS), ранее описанной оценки артефактов сегментации (SAS), фовеального центра, наличия непрозрачности среды и хорошей визуализации мелких капилляров, как определялось оценщиком изображений.Изображения были проанализированы двумя независимыми экспертами (RD и JW).Изображение получает 2 балла (соответствует критериям), если оно соответствует всем следующим критериям: изображение центрировано в ямке (менее 100 пикселей от центра изображения), MAS равен 1 или 2, SAS равен 1 и непрозрачность среды меньше 1. Присутствует на изображениях размером / 16, а мелкие капилляры видны на изображениях размером более 15/16.Изображению присваивается рейтинг 0 (без рейтинга), если он соответствует любому из следующих критериев: изображение смещено от центра, если MAS равен 4, если SAS равен 2 или средняя непрозрачность превышает 1/4 изображения и мелкие капилляры нельзя отрегулировать более чем на 1 изображение/4, чтобы различить.Все остальные изображения, не соответствующие критериям оценки 0 или 2, оцениваются как 1 (вырезка).
На рис.1 показаны образцы изображений для каждой из масштабированных оценок и артефактов изображения.Межэкспертная надежность индивидуальных оценок оценивалась с помощью каппа-взвешивания Коэна8.Отдельные оценки каждого оценщика суммируются для получения общей оценки для каждого изображения в диапазоне от 0 до 4. Изображения с общей оценкой 4 считаются хорошими.Изображения с общим баллом 0 или 1 считаются некачественными.
Сверточная нейронная сеть с архитектурой ResNet152 (рис. 3A.i), предварительно обученная на изображениях из базы данных ImageNet, была создана с использованием fast.ai и платформы PyTorch5, 9, 10, 11. Сверточная нейронная сеть — это сеть, которая использует изученные фильтры для сканирования фрагментов изображения для изучения пространственных и локальных особенностей.Наша обученная ResNet представляет собой 152-слойную нейронную сеть, характеризующуюся пробелами или «остаточными связями», которые одновременно передают информацию с несколькими разрешениями.Проецируя информацию с разным разрешением по сети, платформа может изучать особенности изображений низкого качества на разных уровнях детализации.В дополнение к нашей модели ResNet мы также обучили AlexNet, хорошо изученную архитектуру нейронной сети, не пропуская соединений для сравнения (рис. 3A.ii)12.Без отсутствия соединений эта сеть не сможет захватывать функции с более высокой степенью детализации.
Исходный набор изображений OCTA13 размером 8\(\times\)8 мм был улучшен с использованием методов горизонтального и вертикального отражения.Затем полный набор данных был случайным образом разделен на уровне изображения на наборы данных для обучения (51,2%), тестирования (12,8%), настройки гиперпараметров (16%) и проверки (20%) с использованием набора инструментов scikit-learn python14.Были рассмотрены два случая: один основан на обнаружении только изображений самого высокого качества (общая оценка 4), а другой основан на обнаружении только изображений самого низкого качества (общая оценка 0 или 1).Для каждого высококачественного и низкокачественного варианта использования нейронная сеть один раз переобучается на наших данных изображения.В каждом случае использования нейронная сеть обучалась в течение 10 эпох, веса всех слоев, кроме самых высоких, были заморожены, а веса всех внутренних параметров изучались в течение 40 эпох с использованием метода дискриминационной скорости обучения с функцией перекрестной энтропийной потери 15. 16..Функция кросс-энтропийных потерь является мерой логарифмического масштаба несоответствия между предсказанными сетевыми метками и реальными данными.Во время обучения градиентный спуск выполняется по внутренним параметрам нейронной сети для минимизации потерь.Гиперпараметры скорости обучения, процента отсева и снижения веса были настроены с использованием байесовской оптимизации с 2 случайными начальными точками и 10 итерациями, а AUC в наборе данных был настроен с использованием гиперпараметров в качестве целевого значения 17.
Репрезентативные примеры ОКТА-изображений поверхностных капиллярных сплетений размером 8 × 8 мм получили оценки 2 (A, B), 1 (C, D) и 0 (E, F).Показанные артефакты изображения включают мерцающие линии (стрелки), артефакты сегментации (звездочки) и непрозрачность носителя (стрелки).Изображение (E) также смещено от центра.
Затем генерируются кривые рабочих характеристик приемника (ROC) для всех моделей нейронных сетей, а отчеты об уровне сигнала двигателя генерируются для каждого варианта использования низкого и высокого качества.Площадь под кривой (AUC) рассчитывали с использованием пакета pROC R, а 95% доверительные интервалы и значения p рассчитывали с использованием метода Делонга18,19.Совокупные оценки оценщиков используются в качестве базовой линии для всех расчетов ROC.Для уровня сигнала, сообщаемого машиной, AUC рассчитывался дважды: один раз для ограничения показателя масштабируемости высокого качества и один раз для ограничения показателя масштабируемости низкого качества.Нейронная сеть сравнивается с силой сигнала AUC, отражающей ее собственные условия обучения и оценки.
Для дальнейшего тестирования обученной модели глубокого обучения на отдельном наборе данных модели высокого и низкого качества были непосредственно применены к оценке производительности 32 полных изображений плит размером 6 \ (\ раз \) 6 мм, полученных из Йельского университета.Масса глаза центрируется одновременно с изображением 8\(\times\) 8 мм.Изображения размером 6\(\×\) 6 мм вручную оценивались теми же оценщиками (RD и JW) тем же способом, что и изображения размером 8\(\×\) 8 мм, рассчитывалась AUC, а также точность и каппа Коэна. .в равной степени .
Коэффициент дисбаланса классов составляет 158:189 (\(\rho = 1,19\)) для модели низкого качества и 80:267 (\(\rho = 3,3\)) для модели высокого качества.Поскольку коэффициент дисбаланса классов составляет менее 1:4, никаких конкретных архитектурных изменений для исправления дисбаланса классов не было внесено20,21.
Чтобы лучше визуализировать процесс обучения, карты активации классов были созданы для всех четырех обученных моделей глубокого обучения: модели ResNet152 высокого качества, модели ResNet152 низкого качества, модели AlexNet высокого качества и модели AlexNet низкого качества.Карты активации классов генерируются из входных сверточных слоев этих четырех моделей, а тепловые карты генерируются путем наложения карт активации с исходными изображениями из проверочных наборов 8 × 8 мм и 6 × 6 мм22, 23.
Для всех статистических расчетов использовалась версия R 4.0.3, а визуализации создавались с использованием библиотеки графических инструментов ggplot2.
Мы собрали 347 фронтальных изображений поверхностного капиллярного сплетения размером 8 \(\times\)8 мм от 134 человек.Машина сообщала об уровне сигнала по шкале от 0 до 10 для всех изображений (среднее значение = 6,99 ± 2,29).Из 347 полученных изображений средний возраст на момент обследования составил 58,7 ± 14,6 года, и 39,2% принадлежали пациентам мужского пола.Из всех изображений 30,8% принадлежали европеоидам, 32,6% — чернокожим, 30,8% — латиноамериканцам, 4% — азиатам и 1,7% — представителям других рас (табл. 1).).Возрастное распределение пациентов с ОКТА достоверно различалось в зависимости от качества изображения (р < 0,001).Доля изображений высокого качества у более молодых пациентов в возрасте 18-45 лет составила 33,8% по сравнению с 12,2% изображений низкого качества (табл. 1).Распределение статуса диабетической ретинопатии также значительно различалось по качеству изображений (p <0,017).Среди всех изображений высокого качества процент пациентов с ПДР составил 18,8% по сравнению с 38,8% всех изображений низкого качества (табл. 1).
Индивидуальные оценки всех изображений показали межоценочную надежность от умеренной до высокой между людьми, читающими изображения (взвешенная каппа Коэна = 0,79, 95% ДИ: 0,76–0,82), и не было ни одного изображения, в котором оценщики различались бы более чем на 1 (рис. 2А)..Интенсивность сигнала значительно коррелировала с оценкой вручную (корреляция момента произведения Пирсона = 0,58, 95% ДИ 0,51–0,65, p<0,001), но многие изображения были идентифицированы как имеющие высокую интенсивность сигнала, но низкую оценку вручную (рис. 2B).
Во время обучения архитектур ResNet152 и AlexNet потеря перекрестной энтропии при проверке и обучении падает более чем на 50 эпох (рис. 3B,C).Точность проверки в заключительную эпоху обучения составляет более 90% как для высококачественных, так и для низкокачественных сценариев использования.
Кривые производительности приемника показывают, что модель ResNet152 значительно превосходит мощность сигнала, сообщаемую машиной, как в случаях низкого, так и в высоком качестве (p <0,001).Модель ResNet152 также значительно превосходит архитектуру AlexNet (p = 0,005 и p = 0,014 для случаев низкого и высокого качества соответственно).Полученные модели для каждой из этих задач смогли достичь значений AUC 0,99 и 0,97 соответственно, что значительно лучше, чем соответствующие значения AUC 0,82 и 0,78 для индекса силы сигнала машины или 0,97 и 0,94 для AlexNet. ..(рис. 3).Разница между ResNet и AUC в мощности сигнала выше при распознавании изображений высокого качества, что указывает на дополнительные преимущества использования ResNet для этой задачи.
Графики показывают способность каждого независимого оценщика выставлять оценки и сравнивать их с уровнем сигнала, сообщаемым машиной.(A) Сумма оцениваемых баллов используется для определения общего количества оцениваемых баллов.Изображениям с общим баллом масштабируемости 4 присваивается высокое качество, а изображениям с общим баллом масштабируемости 1 или меньше — низкое качество.(Б) Интенсивность сигнала коррелирует с оценками, полученными вручную, но изображения с высокой интенсивностью сигнала могут иметь худшее качество.Красная пунктирная линия указывает рекомендованный производителем порог качества в зависимости от уровня сигнала (сила сигнала \(\ge\)6).
Передача обучения ResNet обеспечивает значительное улучшение идентификации качества изображения как для случаев использования с низким, так и с высоким качеством по сравнению с уровнями сигнала, сообщаемыми машиной.(A) Упрощенные схемы архитектуры предварительно обученных (i) архитектур ResNet152 и (ii) AlexNet.(B) История обучения и кривые производительности приемника для ResNet152 по сравнению с уровнем сигнала, сообщаемым машиной, и критериями низкого качества AlexNet.(C) История обучения приемника ResNet152 и кривые производительности по сравнению с мощностью сигнала, сообщаемой машиной, и критериями высокого качества AlexNet.
После корректировки порога границы решения максимальная точность прогнозирования модели ResNet152 составляет 95,3% для случая низкого качества и 93,5% для случая высокого качества (таблица 2).Максимальная точность прогнозирования модели AlexNet составляет 91,0% для случая низкого качества и 90,1% для случая высокого качества (табл. 2).Максимальная точность прогнозирования уровня сигнала составляет 76,1% для варианта использования с низким качеством и 77,8% для варианта использования с высоким качеством.Согласно каппе Коэна (\(\kappa\)), согласие между моделью ResNet152 и оценщиками составляет 0,90 для случая низкого качества и 0,81 для случая высокого качества.Каппа AlexNet Коэна составляет 0,82 и 0,71 для случаев использования низкого и высокого качества соответственно.Каппа мощности сигнала Коэна составляет 0,52 и 0,27 для случаев использования с низким и высоким качеством соответственно.
Проверка моделей распознавания высокого и низкого качества на 6\(\x\) изображениях плоской пластины толщиной 6 мм демонстрирует способность обученной модели определять качество изображения по различным параметрам изображения.При использовании неглубоких пластин размером 6\(\x\) 6 мм для качества изображения модель низкого качества имела AUC 0,83 (95% ДИ: 0,69–0,98), а модель высокого качества имела AUC 0,85.(95% ДИ: 0,55–1,00) (таблица 2).
Визуальная проверка карт активации классов входного слоя показала, что все обученные нейронные сети использовали признаки изображения при классификации изображений (рис. 4А, Б).Для 8 изображений размером 8 мм и 6 изображений размером 6 мм изображения активации ResNet точно соответствуют сосудистой сети сетчатки.Карты активации AlexNet также отражают сосуды сетчатки, но с более грубым разрешением.
Карты активации классов для моделей ResNet152 и AlexNet выделяют особенности, связанные с качеством изображения.(A) Карта активации класса, показывающая когерентную активацию после поверхностной сосудистой сети сетчатки на 8 \(\times \) 8-миллиметровых проверочных изображениях и (B) степень на меньших 6 \(\times \) 6-миллиметровых проверочных изображениях.Модель LQ, обученная по критериям низкого качества, модель HQ, обученная по критериям высокого качества.
Ранее было показано, что качество изображения может сильно повлиять на любую количественную оценку OCTA-изображений.Кроме того, наличие ретинопатии увеличивает частоту появления артефактов изображения7,26.Фактически, в наших данных, в соответствии с предыдущими исследованиями, мы обнаружили значительную связь между увеличением возраста и тяжести заболевания сетчатки и ухудшением качества изображения (p < 0,001, p = 0,017 для возраста и статуса DR соответственно; Таблица 1) 27 Поэтому крайне важно оценить качество изображения перед выполнением любого количественного анализа изображений OCTA.В большинстве исследований, анализирующих изображения OCTA, используются пороговые значения интенсивности сигнала, сообщаемые машиной, чтобы исключить изображения низкого качества.Хотя было показано, что интенсивность сигнала влияет на количественную оценку параметров OCTA, одной только высокой интенсивности сигнала может быть недостаточно, чтобы исключить изображения с артефактами изображения2,3,28,29.Поэтому необходима разработка более надежного метода контроля качества изображения.С этой целью мы оцениваем производительность контролируемых методов глубокого обучения по уровню сигнала, сообщаемого машиной.
Мы разработали несколько моделей для оценки качества изображения, поскольку в разных случаях использования OCTA могут предъявляться разные требования к качеству изображения.Например, изображения должны быть более высокого качества.Кроме того, важны также конкретные количественные параметры, представляющие интерес.Например, площадь фовеальной аваскулярной зоны не зависит от мутности нецентральной среды, но влияет на плотность сосудов.Хотя наши исследования по-прежнему сосредоточены на общем подходе к качеству изображения, не привязанном к требованиям какого-либо конкретного теста, а предназначенном для прямой замены уровня сигнала, сообщаемого устройством, мы надеемся предоставить пользователям большую степень контроля, чтобы они могли может выбрать конкретную метрику, интересующую пользователя.выберите модель, соответствующую максимальной степени артефактов изображения, считающейся приемлемой.
Для сцен низкого и высокого качества мы показываем отличную производительность глубоких сверточных нейронных сетей с отсутствием соединения с AUC 0,97 и 0,99 и моделей низкого качества соответственно.Мы также демонстрируем превосходную производительность нашего подхода к глубокому обучению по сравнению с уровнями сигналов, сообщаемыми только машинами.Пропускные соединения позволяют нейронным сетям изучать функции на нескольких уровнях детализации, улавливая более тонкие аспекты изображений (например, контраст), а также общие функции (например, центрирование изображения30,31).Поскольку артефакты изображения, влияющие на качество изображения, вероятно, лучше всего выявляются в широком диапазоне, архитектуры нейронных сетей с отсутствующими соединениями могут демонстрировать лучшую производительность, чем архитектуры без задач определения качества изображения.
При тестировании нашей модели на окта-изображениях размером 6\(\×6 мм) мы заметили снижение эффективности классификации как для моделей высокого, так и для моделей низкого качества (рис. 2), в отличие от размера модели, обученной для классификации.По сравнению с моделью ResNet, модель AlexNet имеет больший спад.Относительно лучшая производительность ResNet может быть связана со способностью остаточных соединений передавать информацию в нескольких масштабах, что делает модель более надежной для классификации изображений, снятых в разных масштабах и/или увеличениях.
Некоторые различия между изображениями 8 \(\×\) 8 мм и 6 изображениями \(\×\) 6 мм могут привести к плохой классификации, включая относительно высокую долю изображений, содержащих фовеальные аваскулярные области, изменения видимости, сосудистые аркады и зрительный нерв отсутствует на изображении 6х6 мм.Несмотря на это, наша высококачественная модель ResNet смогла достичь AUC 85% для изображений размером 6 \(\x\) 6 мм, конфигурации, для которой модель не была обучена, что позволяет предположить, что информация о качестве изображения, закодированная в нейронной сети подходит.для одного размера изображения или конфигурации машины вне ее обучения (таблица 2).Обнадеживает то, что карты активации, подобные ResNet и AlexNet, с изображениями 8 \(\times \) 8 мм и 6 \(\times \) 6 мм в обоих случаях смогли выделить сосуды сетчатки, что позволяет предположить, что модель содержит важную информацию.применимы для классификации обоих типов ОКТА-изображений (рис. 4).
Лауэрман и др.Оценка качества изображений OCTA была аналогичным образом выполнена с использованием архитектуры Inception, другой сверточной нейронной сети с пропуском соединений6,32 с использованием методов глубокого обучения.Они также ограничили исследование изображениями поверхностного капиллярного сплетения, но использовали только меньшие изображения размером 3×3 мм от Optovue AngioVue, хотя в исследование также были включены пациенты с различными хориоретинальными заболеваниями.Наша работа строится на их основе, включая несколько моделей для решения различных порогов качества изображений и проверки результатов для изображений разных размеров.Мы также сообщаем метрику AUC моделей машинного обучения и увеличиваем их и без того впечатляющую точность (90%)6 как для моделей низкого качества (96%), так и высокого качества (95,7%)6.
Это обучение имеет несколько ограничений.Во-первых, изображения были получены только с помощью одного OCTA-аппарата, включая только изображения поверхностного капиллярного сплетения на расстоянии 8\(\times\)8 мм и 6\(\times\)6 мм.Причина исключения изображений из более глубоких слоев заключается в том, что артефакты проекции могут затруднить ручную оценку изображений и, возможно, сделать их менее последовательными.Более того, изображения были получены только у пациентов с диабетом, для которых OCTA становится важным диагностическим и прогностическим инструментом33,34.Хотя нам удалось протестировать нашу модель на изображениях разных размеров, чтобы убедиться в достоверности результатов, нам не удалось определить подходящие наборы данных из разных центров, что ограничивало нашу оценку возможности обобщения модели.Хотя изображения были получены только из одного центра, они были получены от пациентов разного этнического и расового происхождения, что является уникальным преимуществом нашего исследования.Включая разнообразие в наш процесс обучения, мы надеемся, что наши результаты будут обобщены в более широком смысле и что мы избежим кодирования расовой предвзятости в моделях, которые мы обучаем.
Наше исследование показывает, что нейронные сети с пропуском соединений можно обучить для достижения высокой производительности при определении качества OCTA-изображений.Мы предоставляем эти модели в качестве инструментов для дальнейших исследований.Поскольку разные метрики могут иметь разные требования к качеству изображения, для каждой метрики можно разработать индивидуальную модель контроля качества, используя установленную здесь структуру.
Будущие исследования должны включать изображения разных размеров с разной глубины и с разных OCTA-машин, чтобы получить процесс оценки качества изображений с глубоким обучением, который можно обобщить на OCTA-платформы и протоколы визуализации.Текущие исследования также основаны на контролируемых подходах глубокого обучения, которые требуют человеческой оценки и оценки изображений, что может быть трудоемким и отнимать много времени для больших наборов данных.Еще неизвестно, смогут ли методы глубокого обучения без учителя адекватно различать изображения низкого и высокого качества.
Поскольку технология OCTA продолжает развиваться и скорость сканирования увеличивается, количество артефактов изображения и изображений низкого качества может уменьшиться.Улучшения в программном обеспечении, такие как недавно представленная функция удаления артефактов проекции, также могут облегчить эти ограничения.Однако многие проблемы остаются, поскольку визуализация пациентов с плохой фиксацией или значительной мутностью среды неизменно приводит к артефактам изображения.Поскольку OCTA становится все более широко используемым в клинических исследованиях, необходимо тщательно рассмотреть вопрос о разработке четких рекомендаций по приемлемым уровням артефактов изображения для анализа изображений.Применение методов глубокого обучения к OCTA-изображениям имеет большие перспективы, и в этой области необходимы дальнейшие исследования для разработки надежного подхода к контролю качества изображений.
Код, используемый в текущем исследовании, доступен в репозитории Octa-QC https://github.com/rahuldhodapkar/octa-qc.Наборы данных, созданные и/или проанализированные в ходе текущего исследования, можно получить у соответствующих авторов по обоснованному запросу.
Спейд, Р.Ф., Фудзимото, Дж.Г. и Вахид, Н.К. Артефакты изображений при оптической когерентной ангиографии.Сетчатка 35, 2163–2180 (2015).
Феннер, Б.Дж. и др.Выявление особенностей визуализации, определяющих качество и воспроизводимость измерений плотности капиллярных сплетений сетчатки при ОКТ-ангиографии.БР.Дж. Офтальмол.102, 509–514 (2018).
Лауэрман, Дж.Л. и др.Влияние технологии отслеживания глаз на качество изображения ОКТ-ангиографии при возрастной макулярной дегенерации.Могильная арка.клинический.Эксп.офтальмология.255, 1535–1542 (2017).
Бабюч А.С. и др.Измерения плотности капиллярной перфузии OCTA используются для обнаружения и оценки макулярной ишемии.офтальмохирургия.Лазерная визуализация сетчатки 51, S30–S36 (2020).
Хэ К., Чжан К., Рен С. и Сунь Дж. Глубокое остаточное обучение для распознавания изображений.В 2016 году на конференции IEEE по компьютерному зрению и распознаванию образов (2016).
Лауэрман, Дж.Л. и др.Автоматизированная оценка качества ангиографических изображений ОКТ с использованием алгоритмов глубокого обучения.Могильная арка.клинический.Эксп.офтальмология.257, 1641–1648 (2019).
Лауэрманн Дж. и др.Распространенность ошибок сегментации и артефактов движения при ОКТ-ангиографии зависит от заболевания сетчатки.Могильная арка.клинический.Эксп.офтальмология.256, 1807–1816 (2018).
Паск, Адам и др.Pytorch: императивная высокопроизводительная библиотека глубокого обучения.Расширенная обработка нейронной информации.система.32, 8026–8037 (2019).
Дэн, Дж. и др.ImageNet: крупномасштабная иерархическая база данных изображений.Конференция IEEE 2009 г. по компьютерному зрению и распознаванию образов.248–255.(2009).
Крижевский А., Суцкевер И. и Хинтон Г.Е. Классификация Imagenet с использованием глубоких сверточных нейронных сетей.Расширенная обработка нейронной информации.система.25, 1 (2012).