Nature.com වෙත පිවිසීම ගැන ඔබට ස්තුතියි.ඔබ සීමිත CSS සහය ඇති බ්‍රවුසර අනුවාදයක් භාවිතා කරයි.හොඳම අත්දැකීම සඳහා, ඔබ යාවත්කාලීන බ්‍රවුසරයක් භාවිතා කරන ලෙස අපි නිර්දේශ කරමු (නැතහොත් Internet Explorer හි අනුකූලතා මාදිලිය අක්‍රිය කරන්න).ඊට අමතරව, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි විලාසිතා සහ JavaScript නොමැතිව වෙබ් අඩවිය පෙන්වමු.
එක් ස්ලයිඩයකට ලිපි තුනක් පෙන්වන ස්ලයිඩර්.ස්ලයිඩ හරහා ගමන් කිරීමට පසුපස සහ ඊළඟ බොත්තම් භාවිතා කරන්න, එක් එක් විනිවිදක හරහා ගමන් කිරීමට අවසානයේ ඇති ස්ලයිඩ පාලක බොත්තම් භාවිතා කරන්න.
ඔප්ටිකල් කෝහෙරන්ස් ටොමොග්‍රැෆික් ඇන්ජියෝග්‍රැෆි (OCTA) යනු දෘෂ්ටි විතානයේ භාජන ආක්‍රමණශීලී නොවන දෘශ්‍යකරණය සඳහා නව ක්‍රමයකි.OCTA සතුව බොහෝ සාර්ථක සායනික යෙදුම් ඇතත්, රූපයේ ගුණාත්මකභාවය තීරණය කිරීම අභියෝගයක් ලෙස පවතී.රෝගීන් 134 දෙනෙකුගේ ස්කෑන් 347 කින් මතුපිට කේශනාලිකා ප්ලෙක්සස් රූප වර්ගීකරණය කිරීම සඳහා ImageNet සමඟ පූර්ව පුහුණු කරන ලද ResNet152 ස්නායු ජාල වර්ගීකාරකය භාවිතයෙන් අපි ගැඹුරු ඉගෙනුම් පාදක පද්ධතියක් සකස් කළෙමු.අධීක්ෂණය කරන ලද ඉගෙනුම් ආකෘතියක් සඳහා ස්වාධීන ශ්‍රේණිගත කරන්නන් දෙදෙනෙකු විසින් රූප සත්‍ය සත්‍ය ලෙස අතින් තක්සේරු කරන ලදී.සායනික හෝ පර්යේෂණ සැකසුම් අනුව රූපයේ ගුණාත්මක අවශ්‍යතා වෙනස් විය හැකි බැවින්, ආකෘති දෙකක් පුහුණු කරන ලදී, එකක් උසස් තත්ත්වයේ රූප හඳුනා ගැනීම සඳහා සහ අනෙක අඩු ගුණාත්මක රූප හඳුනා ගැනීම සඳහා.අපගේ ස්නායුක ජාල ආකෘතිය වක්‍රය (AUC) යටතේ විශිෂ්ට ප්‍රදේශයක් පෙන්වයි, 95% CI 0.96-0.99, \(\kappa\) = 0.81), එය යන්ත්‍රය මගින් වාර්තා කරන ලද සංඥා මට්ටමට වඩා සැලකිය යුතු ලෙස යහපත් වේ (AUC = 0.82, 95 % CI).0.77-0.86, \(\kappa\) = 0.52 සහ AUC = 0.78, 95% CI 0.73-0.83, \(\kappa\) = 0.27, පිළිවෙලින්).OCTA රූප සඳහා නම්‍යශීලී සහ ශක්තිමත් තත්ත්ව පාලන ක්‍රම දියුණු කිරීමට යන්ත්‍ර ඉගෙනීමේ ක්‍රම භාවිතා කළ හැකි බව අපගේ අධ්‍යයනයෙන් පෙන්නුම් කරයි.
ඔප්ටිකල් කෝහෙරන්ස් ටොමොග්‍රැෆික් ඇන්ජියෝග්‍රැෆි (ඕසීටීඒ) යනු දෘෂ්ටි විතානයේ ක්ෂුද්‍ර වාහිනී ආක්‍රමණශීලී නොවන දෘශ්‍යකරණය සඳහා භාවිතා කළ හැකි දෘශ්‍ය සහජීවන ටොමොග්‍රැෆි (OCT) මත පදනම් වූ සාපේක්ෂ නව තාක්‍ෂණයකි.OCTA මඟින් දෘෂ්ටි විතානයේ එකම ප්‍රදේශයේ නැවත නැවත ආලෝක ස්පන්දන වලින් පරාවර්තන රටා වල වෙනස මනිනු ලබන අතර, ඩයි වර්ග හෝ වෙනත් ප්‍රතිවිරුද්ධ කාරක ආක්‍රමණශීලී භාවිතයෙන් තොරව රුධිර වාහිනී හෙළිදරව් කිරීම සඳහා ප්‍රතිසංස්කරණ ගණනය කළ හැකිය.OCTA මගින් ගැඹුර-විභේදන සනාල රූපගත කිරීම ද සක්‍රීය කරයි, වෛද්‍යවරුන්ට මතුපිට හා ගැඹුරු යාත්‍රා ස්ථර වෙන වෙනම පරීක්ෂා කිරීමට ඉඩ සලසයි, කොරියෝරෙටිනල් රෝග අතර වෙනස හඳුනා ගැනීමට උපකාරී වේ.
මෙම තාක්‍ෂණය පොරොන්දු වූවත්, විශ්වාසදායක රූප විශ්ලේෂණය සඳහා රූපයේ ගුණාත්මක විචලනය ප්‍රධාන අභියෝගයක් වන අතර, රූප අර්ථ නිරූපණය දුෂ්කර කරයි සහ පුළුල් සායනික දරුකමට හදා ගැනීම වළක්වයි.OCTA බහුවිධ OCT ස්කෑන් භාවිතා කරන නිසා, එය සම්මත OCT වලට වඩා රූප කෞතුක වස්තු වලට සංවේදී වේ.බොහෝ වාණිජ OCTA වේදිකා සංඥා ශක්තිය (SS) හෝ සමහර විට සංඥා ශක්ති දර්ශකය (SSI) ලෙස හැඳින්වෙන ඔවුන්ගේම රූප තත්ත්ව මෙට්‍රික් සපයයි.කෙසේ වෙතත්, ඉහළ SS හෝ SSI අගයක් සහිත රූප රූප කෞතුක වස්තු නොමැති වීම සහතික නොකරයි, එය ඕනෑම පසුකාලීන රූප විශ්ලේෂණයකට බලපෑ හැකි අතර වැරදි සායනික තීරණ වලට තුඩු දෙයි.OCTA රූපකරණයේ ඇති විය හැකි පොදු රූප කෞතුක වස්තු අතර චලන කෞතුක වස්තු, ඛණ්ඩන කෞතුක වස්තු, මාධ්‍ය පාරාන්ධතා කෞතුක වස්තු, සහ ප්‍රක්ෂේපණ කෞතුක වස්තු 1,2,3 ඇතුළත් වේ.
පරිවර්තන පර්යේෂණ, සායනික අත්හදා බැලීම් සහ සායනික පරිචයන් සඳහා සනාල ඝනත්වය වැනි OCTA-ව්‍යුත්පන්න පියවර වැඩි වැඩියෙන් භාවිතා වන බැවින්, රූප කෞතුක වස්තු ඉවත් කිරීම සඳහා ශක්තිමත් සහ විශ්වාසදායක රූප තත්ත්ව පාලන ක්‍රියාවලීන් සංවර්ධනය කිරීමේ හදිසි අවශ්‍යතාවයක් පවතී4.Skip connections, residual connections ලෙසද හැඳින්වේ, විවිධ පරිමාණයන් හෝ විභේදනයන් වලදී තොරතුරු ගබඩා කරන අතරම, convolutional ස්ථර මග හැරීමට තොරතුරු වලට ඉඩ සලසන ස්නායුක ජාල ගෘහ නිර්මාණ ශිල්පයේ ප්‍රක්ෂේපන වේ.රූප කෞතුක වස්තු කුඩා පරිමාණයේ සහ සාමාන්‍ය මහා පරිමාණ රූප ක්‍රියාකාරිත්වයට බලපෑ හැකි බැවින්, මෙම තත්ත්ව පාලන කාර්යය ස්වයංක්‍රීය කිරීම සඳහා මඟ හැරීමේ ස්නායු ජාල හොඳින් ගැලපේ.මෑතදී ප්‍රකාශයට පත් කරන ලද කෘතිය මානව ඇස්තමේන්තුකරුවන්ගෙන් උසස් තත්ත්වයේ දත්ත භාවිතා කරමින් පුහුණු කරන ලද ගැඹුරු සංචලන ස්නායු ජාල සඳහා යම් පොරොන්දුවක් ලබා දී ඇත.
මෙම අධ්‍යයනයේ දී, අපි OCTA රූපවල ගුණාත්මක බව ස්වයංක්‍රීයව තීරණය කිරීම සඳහා සම්බන්ධතා මඟ හැරිය හැකි පරිවර්තනීය ස්නායු ජාලයක් පුහුණු කරන්නෙමු.නිශ්චිත සායනික හෝ පර්යේෂණ අවස්ථා සඳහා රූපයේ ගුණාත්මක අවශ්‍යතා වෙනස් විය හැකි බැවින්, උසස් තත්ත්වයේ රූප සහ අඩු ගුණාත්මක රූප හඳුනා ගැනීම සඳහා වෙනම ආකෘති සංවර්ධනය කිරීමෙන් අපි පෙර වැඩ මත ගොඩනඟමු.ගැඹුරු ඉගෙනීම තුළ බහු මට්ටමේ කැටිති මට්ටම්වල විශේෂාංග ඇතුළත් කිරීමේ වටිනාකම ඇගයීම සඳහා අපි මෙම ජාලවල ප්‍රතිඵල අතුරුදහන් සම්බන්ධතා නොමැතිව convolutional neural networks සමඟ සංසන්දනය කරමු.පසුව අපි අපගේ ප්‍රතිඵල නිෂ්පාදකයින් විසින් සපයනු ලබන රූපයේ ගුණාත්මක භාවය පිළිබඳ පොදුවේ පිළිගත් මිනුමක් වන සංඥා ප්‍රබලතාවයට සංසන්දනය කළෙමු.
අපගේ අධ්‍යයනයට 2017 අගෝස්තු 11 සහ 2019 අප්‍රේල් 11 අතර යේල් අක්ෂි මධ්‍යස්ථානයට සහභාගී වූ දියවැඩියා රෝගීන් ඇතුළත් විය. ඕනෑම දියවැඩියා නොවන කොරියොරෙටිනල් රෝගයක් ඇති රෝගීන් බැහැර කර ඇත.වයස, ස්ත්‍රී පුරුෂ භාවය, ජාතිය, රූපයේ ගුණාත්මකභාවය හෝ වෙනත් කිසිදු සාධකයක් මත පදනම් වූ ඇතුළත් කිරීම් හෝ බැහැර කිරීමේ නිර්ණායක නොමැත.
8\(\times\)8 mm සහ 6\(\times\)6 mm රූපකරණ ප්‍රොටෝකෝල යටතේ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) මත AngioPlex වේදිකාව භාවිතයෙන් OCTA රූප ලබා ගන්නා ලදී.අධ්‍යයනයට සහභාගී වීම සඳහා දැනුවත් කැමැත්ත එක් එක් අධ්‍යයන සහභාගිවන්නන්ගෙන් ලබා ගන්නා ලද අතර, යේල් විශ්ව විද්‍යාල ආයතනික සමාලෝචන මණ්ඩලය (IRB) මෙම සියලුම රෝගීන් සඳහා ගෝලීය ඡායාරූපකරණය සමඟ දැනුවත් කැමැත්ත භාවිතා කිරීම අනුමත කරන ලදී.හෙල්සින්කි ප්‍රකාශනයේ මූලධර්ම අනුගමනය කරමින්.යේල් විශ්ව විද්‍යාලය IRB විසින් මෙම අධ්‍යයනය අනුමත කරන ලදී.
මතුපිට තහඩු රූප කලින් විස්තර කරන ලද Motion Artifact Score (MAS), කලින් විස්තර කරන ලද Segmentation Artifact Score (SAS), foveal මධ්‍යස්ථානය, මාධ්‍ය පාරාන්ධතාවය පැවතීම සහ රූප ඇගයුම්කරු විසින් තීරණය කරන ලද පරිදි කුඩා කේශනාලිකාවල හොඳ දෘශ්‍යකරණය මත පදනම්ව ඇගයීමට ලක් කරන ලදී.පින්තූර ස්වාධීන ඇගයුම්කරුවන් දෙදෙනෙකු (RD සහ JW) විසින් විශ්ලේෂණය කරන ලදී.පහත සඳහන් සියලු නිර්ණායක සපුරා ඇත්නම් රූපයකට ශ්‍රේණිගත ලකුණු 2 (සුදුසුකම් ඇත) ඇත: රූපය fovea හි කේන්ද්‍රගත වේ (පින්තූරයේ මධ්‍යයේ සිට පික්සල 100 ට අඩු), MAS 1 හෝ 2, SAS 1, සහ මාධ්‍ය පාරාන්ධතාව 1 ට වඩා අඩුය. ප්‍රමාණයේ / 16 රූප මත පවතී, සහ කුඩා කේශනාලිකා 15/16 ට වඩා විශාල රූපවල දක්නට ලැබේ.පහත සඳහන් නිර්ණායකවලින් එකක් සපුරා ඇත්නම්, රූපයක් 0 ලෙස ශ්‍රේණිගත කර ඇත (ශ්‍රේණිගත කිරීමක් නොමැත: රූපය මධ්‍යයෙන් බැහැර වේ, MAS 4 නම්, SAS 2 නම්, හෝ සාමාන්‍ය පාරාන්ධතාව රූපයෙන් 1/4 ට වඩා වැඩි නම්, සහ කුඩා කේශනාලිකා වෙන්කර හඳුනා ගැනීම සඳහා 1 රූපය /4 ට වඩා සකස් කළ නොහැක.ලකුණු කිරීමේ නිර්ණායක 0 හෝ 2 සපුරාලන්නේ නැති අනෙකුත් සියලුම පින්තූර 1 (ක්ලිපින්) ලෙස ලකුණු කර ඇත.
අත්තික්කා මත.1 එක් එක් පරිමාණ ඇස්තමේන්තු සහ රූප කෞතුක වස්තු සඳහා නියැදි රූප පෙන්වයි.Cohen's kappa weighting8 මගින් තනි ලකුණු වල අන්තර්-ශ්‍රේණිගත කිරීමේ විශ්වසනීයත්වය තක්සේරු කරන ලදී.0 සිට 4 දක්වා වූ සෑම රූපයක් සඳහාම සමස්ත ලකුණු ලබා ගැනීම සඳහා එක් එක් ශ්‍රේණිගත කරන්නෙකුගේ තනි ලකුණු සාරාංශ කර ඇත. සම්පූර්ණ ලකුණු 4ක් සහිත රූප හොඳ යැයි සැලකේ.සම්පූර්ණ ලකුණු 0 හෝ 1 සහිත පින්තූර අඩු ගුණාත්මක බව සලකනු ලැබේ.
ImageNet දත්ත සමුදායෙන් රූප මත පූර්ව පුහුණු කරන ලද ResNet152 ගෘහ නිර්මාණ ශිල්පීය සංක්‍රමණික ස්නායු ජාලයක් (Fig. 3A.i) fast.ai සහ PyTorch රාමුව 5, 9, 10, 11 භාවිතා කර ජනනය කරන ලදී. convolutional neural network එකක් යනු උගත් දේ භාවිතා කරන ජාලයකි. අවකාශීය සහ දේශීය ලක්ෂණ අධ්‍යයනය කිරීම සඳහා රූප කොටස් පරිලෝකනය කිරීම සඳහා පෙරහන්.අපගේ පුහුණු ResNet යනු බහු විභේදන සහිත තොරතුරු එකවර සම්ප්‍රේෂණය කරන හිඩැස් හෝ "අවශේෂ සම්බන්ධතා" මගින් සංලක්ෂිත 152-ස්ථර ස්නායු ජාලයකි.ජාලය හරහා විවිධ විභේදනවලින් තොරතුරු ප්‍රක්ෂේපණය කිරීමෙන්, වේදිකාවට විවිධ මට්ටම්වලින් අඩු ගුණාත්මක රූපවල විශේෂාංග ඉගෙන ගත හැකිය.අපගේ ResNet ආකෘතියට අමතරව, අපි හොඳින් අධ්‍යයනය කරන ලද ස්නායුක ජාල ගෘහ නිර්මාණ ශිල්පයක් වන AlexNet ද සංසන්දනය කිරීම සඳහා සම්බන්ධතා මඟ හැරීමකින් තොරව පුහුණු කළෙමු (Figure 3A.ii)12.සම්බන්ධතා මඟ හැරීමකින් තොරව, මෙම ජාලයට ඉහළ කැටිතියකින් විශේෂාංග ග්‍රහණය කර ගැනීමට නොහැකි වනු ඇත.
මුල් 8\(\times\)8mm OCTA13 රූප කට්ටලය තිරස් සහ සිරස් පරාවර්තන ශිල්පීය ක්‍රම භාවිතයෙන් වැඩි දියුණු කර ඇත.සම්පූර්ණ දත්ත කට්ටලය පසුව අහඹු ලෙස රූප මට්ටමින් පුහුණුව (51.2%), පරීක්ෂණ (12.8%), අධිපරාමිතික සුසර කිරීම (16%), සහ වලංගුකරණය (20%) දත්ත කට්ටල වලට scikit-Learn toolbox python14 භාවිතා කර බෙදා ඇත.අවස්ථා දෙකක් සලකා බලන ලදී, එකක් ඉහළම තත්ත්වයේ රූප (සමස්ත ලකුණු 4) පමණක් හඳුනා ගැනීම මත පදනම් වූ අතර අනෙක අඩුම ගුණාත්මක රූප (සමස්ත ලකුණු 0 හෝ 1) පමණක් හඳුනා ගැනීම මත පදනම් විය.එක් එක් උසස් තත්ත්වයේ සහ අඩු ගුණාත්මක භාවිත අවස්ථාවක් සඳහා, අපගේ රූප දත්ත මත ස්නායු ජාලය එක් වරක් නැවත පුහුණු කරනු ලැබේ.එක් එක් භාවිත අවස්ථාවන්හිදී, ස්නායුක ජාලය යුග 10 ක් සඳහා පුහුණු කරන ලදී, ඉහළම ස්ථර බර හැර අනෙක් සියල්ල ශීත කළ අතර, හරස් එන්ට්‍රොපි අලාභ ශ්‍රිතය 15 සමඟ වෙනස් කොට සැලකීමේ ඉගෙනුම් අනුපාත ක්‍රමයක් භාවිතා කරමින් සියලුම අභ්‍යන්තර පරාමිතිවල බර යුග 40 ක් සඳහා ඉගෙන ගන්නා ලදී. 16..හරස් එන්ට්‍රොපි පාඩු ශ්‍රිතය යනු පුරෝකථනය කරන ලද ජාල ලේබල සහ සැබෑ දත්ත අතර විෂමතාවයේ ලඝුගණක පරිමාණයේ මිනුමක් වේ.පුහුණුව අතරතුර, පාඩු අවම කිරීම සඳහා ස්නායුක ජාලයේ අභ්යන්තර පරාමිතීන් මත ශ්රේණිගත කිරීම සිදු කරනු ලැබේ.අහඹු ආරම්භක ස්ථාන 2 ක් සහ පුනරාවර්තන 10 ක් සමඟ Bayesian ප්‍රශස්තිකරණය භාවිතයෙන් ඉගෙනීමේ අනුපාතය, අත්හැරීමේ අනුපාතය සහ බර අඩු කිරීමේ අධි පරාමිති සුසර කරන ලද අතර, දත්ත කට්ටලයේ AUC 17 හි ඉලක්කයක් ලෙස අධි පරාමිති භාවිතයෙන් සුසර කරන ලදී.
පෘෂ්ඨීය කේශනාලිකා ප්ලෙක්සස් වල 8 × 8 mm OCTA රූපවල නියෝජිත උදාහරණ 2 (A, B), 1 (C, D) සහ 0 (E, F).පෙන්වා ඇති රූප කෞතුක වස්තුවලට දිලිසෙන රේඛා (ඊතල), ඛණ්ඩන කෞතුක වස්තු (තරු ලකුණු) සහ මාධ්‍ය පාරාන්ධතාව (ඊතල) ඇතුළත් වේ.රූපය (E) ද මධ්‍යයෙන් පිටත ය.
සියලුම ස්නායුක ජාල ආකෘති සඳහා ග්‍රාහක මෙහෙයුම් ලක්ෂණ (ROC) වක්‍ර උත්පාදනය කරනු ලබන අතර, එක් එක් අඩු-ගුණාත්මක සහ උසස්-ගුණාත්මක භාවිත අවස්ථා සඳහා එන්ජින් සංඥා ප්‍රබල වාර්තා ජනනය කෙරේ.වක්‍රය යටතේ ඇති ප්‍රදේශය (AUC) pROC R පැකේජය භාවිතයෙන් ගණනය කරන ලද අතර 95% විශ්වාසනීය අන්තරයන් සහ p අගයන් DeLong ක්‍රමය 18,19 භාවිතා කර ගණනය කරන ලදී.සියලුම ROC ගණනය කිරීම් සඳහා මූලික වශයෙන් මානව ශ්‍රේණිගත කරන්නන්ගේ සමුච්චිත ලකුණු භාවිතා වේ.යන්ත්‍රය මගින් වාර්තා කරන ලද සංඥා ප්‍රබලතාව සඳහා, AUC දෙවරක් ගණනය කරන ලදී: එක් වරක් උසස් තත්ත්වයේ පරිමාණ ලකුණු කඩඉම සඳහා සහ එක් වරක් අඩු ගුණාත්මක පරිමාණයේ ලකුණු කඩඉම සඳහා.ස්නායුක ජාලය AUC සංඥා ශක්තියට සංසන්දනය කර එහිම පුහුණුවීම් සහ ඇගයීම් තත්ත්වයන් පිළිබිඹු කරයි.
වෙනම දත්ත කට්ටලයක් මත පුහුණු ගැඹුරු ඉගෙනුම් ආකෘතිය තවදුරටත් පරීක්ෂා කිරීම සඳහා, යේල් විශ්ව විද්‍යාලයෙන් එකතු කරන ලද සම්පූර්ණ මුහුණු 6\(\times\) 6mm මතුපිට ස්ලැබ් රූප 32 ක කාර්ය සාධන ඇගයීම සඳහා උසස් තත්ත්වයේ සහ අඩු ගුණාත්මක ආකෘති සෘජුවම යොදන ලදී.අක්ෂි ස්කන්ධ රූපය 8 \(\times \) 8 මි.මී.6\(\×\) 6 mm රූප 8\(\×\) 8 mm රූපවලට සමාන ආකාරයටම එම ශ්‍රේණිගත කරන්නන් (RD සහ JW) විසින් අතින් ඇගයීමට ලක් කරන ලදී, AUC ගණනය කිරීම මෙන්ම නිරවද්‍යතාවය සහ Cohen's kappa .සමානව .
පන්ති අසමතුලිතතා අනුපාතය අඩු ගුණාත්මක ආකෘතිය සඳහා 158:189 (\(\rho = 1.19\)) සහ උසස් තත්ත්වයේ ආකෘතිය සඳහා 80:267 (\(\rho = 3.3\)) වේ.පන්ති අසමතුලිතතා අනුපාතය 1:4 ට වඩා අඩු බැවින්, පන්ති අසමතුලිතතාවය20,21 නිවැරදි කිරීම සඳහා නිශ්චිත වාස්තු විද්‍යාත්මක වෙනස්කම් සිදු කර නොමැත.
ඉගෙනුම් ක්‍රියාවලිය වඩා හොඳින් දෘශ්‍යමාන කිරීම සඳහා, පුහුණු ගැඹුරු ඉගෙනුම් ආකෘති හතර සඳහා පන්ති සක්‍රීය කිරීමේ සිතියම් ජනනය කරන ලදී: උසස් තත්ත්වයේ ResNet152 ආකෘතිය, අඩු ගුණාත්මක ResNet152 ආකෘතිය, උසස් තත්ත්වයේ AlexNet ආකෘතිය සහ අඩු ගුණාත්මක AlexNet ආකෘතිය.පන්ති සක්‍රීය කිරීමේ සිතියම් මෙම ආකෘති හතරේ ආදාන සංචලන ස්ථර වලින් ජනනය වන අතර 8 × 8 mm සහ 6 × 6 mm වලංගුකරණ කට්ටල වලින් ප්‍රභව රූප සහිත සක්‍රිය සිතියම් අතිච්ඡාදනය කිරීමෙන් තාප සිතියම් ජනනය වේ22, 23.
සියලුම සංඛ්‍යානමය ගණනය කිරීම් සඳහා R අනුවාදය 4.0.3 භාවිතා කරන ලද අතර ggplot2 ග්‍රැෆික් මෙවලම් පුස්තකාලය භාවිතයෙන් දෘශ්‍යකරණයන් නිර්මාණය කරන ලදී.
අපි පුද්ගලයන් 134 දෙනෙකුගෙන් 8 \(\times \)8 mm ප්‍රමාණයේ මතුපිට කේශනාලිකා ප්ලෙක්සස් හි ඉදිරිපස රූප 347ක් එකතු කළෙමු.යන්ත්‍රය සියලු රූප සඳහා 0 සිට 10 දක්වා පරිමාණයෙන් සංඥා ශක්තිය වාර්තා කළේය (මධ්‍යන්‍ය = 6.99 ± 2.29).ලබාගත් පින්තූර 347 න්, විභාගයේ සාමාන්‍ය වයස අවුරුදු 58.7 ± 14.6 ක් වූ අතර 39.2% ක් පිරිමි රෝගීන්ගෙන් විය.සියලුම රූපවලින් 30.8%ක් කොකේසියානුවන්ගෙන්, 32.6%ක් කළු ජාතිකයන්ගෙන්, 30.8% හිස්පැනික් ජාතිකයන්ගෙන්, 4%ක් ආසියානුවන්ගෙන් සහ 1.7%ක් වෙනත් ජාතීන්ගෙන් (වගුව 1).)OCTA සහිත රෝගීන්ගේ වයස් ව්‍යාප්තිය රූපයේ ගුණාත්මකභාවය අනුව සැලකිය යුතු ලෙස වෙනස් විය (p <0.001).වයස අවුරුදු 18-45 අතර තරුණ රෝගීන්ගේ උසස් තත්ත්වයේ රූපවල ප්‍රතිශතය අඩු ගුණාත්මක රූපවලින් 12.2% ට සාපේක්ෂව 33.8% කි (වගුව 1).දියවැඩියා රෙටිනෝපති තත්ත්වය ව්‍යාප්තිය ද රූපයේ ගුණාත්මක භාවයෙන් සැලකිය යුතු ලෙස වෙනස් විය (p <0.017).සියලුම උසස් තත්ත්වයේ රූප අතර, සියලුම අඩු ගුණාත්මක රූපවලින් 38.8% හා සසඳන විට PDR සහිත රෝගීන්ගේ ප්‍රතිශතය 18.8% කි (වගුව 1).
සියලුම පින්තූරවල තනි ශ්‍රේණිගත කිරීම් පින්තූර කියවන පුද්ගලයින් අතර මධ්‍යස්ථ සිට ශක්තිමත් අන්තර් ශ්‍රේණිගත කිරීමේ විශ්වසනීයත්වයක් පෙන්නුම් කළේය (කොහෙන්ගේ බර සහිත කප්පා = 0.79, 95% CI: 0.76-0.82), සහ අගය කරන්නන් 1 ට වඩා වෙනස් වූ රූප ලක්ෂ්‍ය කිසිවක් නොතිබුණි (රූපය 1). 2A)..සංඥා තීව්‍රතාවය අතින් ලකුණු කිරීම සමඟ සැලකිය යුතු ලෙස සම්බන්ධ වී ඇත (පියර්සන් නිෂ්පාදන මොහොත සහසම්බන්ධය = 0.58, 95% CI 0.51–0.65, p<0.001), නමුත් බොහෝ පින්තූර ඉහළ සංඥා තීව්‍රතාවයක් ඇති නමුත් අඩු අතින් ලකුණු කිරීම (Fig. .2B) ලෙස හඳුනාගෙන ඇත.
ResNet152 සහ AlexNet ගෘහ නිර්මාණ ශිල්පයේ පුහුණුව අතරතුර, වලංගුකරණය සහ පුහුණුව මත හරස් එන්ට්‍රොපි අලාභය යුග 50කට වඩා වැඩි වේ (රූපය 3B,C).අවසාන පුහුණු යුගයේ වලංගු කිරීමේ නිරවද්‍යතාවය උසස් තත්ත්වයේ සහ අඩු ගුණාත්මක භාවිත අවස්ථා සඳහා 90% ඉක්මවයි.
ග්‍රාහක කාර්ය සාධන වක්‍ර පෙන්නුම් කරන්නේ ResNet152 මාදිලිය අඩු සහ උසස් තත්ත්වයේ භාවිත අවස්ථා දෙකේදීම යන්ත්‍රය විසින් වාර්තා කරන ලද සංඥා බලය සැලකිය යුතු ලෙස ඉක්මවා යන බවයි (p <0.001).ResNet152 මාදිලිය ද සැලකිය යුතු ලෙස AlexNet ගෘහ නිර්මාණ ශිල්පය අභිබවා යයි (පිළිවෙලින් අඩු ගුණාත්මක සහ උසස් තත්ත්වයේ අවස්ථා සඳහා p = 0.005 සහ p = 0.014).මෙම සෑම කාර්යයක් සඳහාම ප්‍රතිඵලයක් ලෙස ලැබුණු මාදිලිවලට පිළිවෙලින් 0.99 සහ 0.97 AUC අගයන් ලබා ගැනීමට හැකි විය, එය යන්ත්‍ර සං signal ා ශක්ති දර්ශකය සඳහා අනුරූප AUC අගයන් 0.82 සහ 0.78 හෝ AlexNet සඳහා 0.97 සහ 0.94 ට වඩා සැලකිය යුතු ලෙස වඩා හොඳය. ..(රූපය 3).මෙම කාර්යය සඳහා ResNet භාවිතා කිරීමේ අමතර ප්‍රතිලාභ පෙන්නුම් කරමින් උසස් තත්ත්වයේ රූප හඳුනාගැනීමේදී ResNet සහ AUC අතර සංඥා ශක්තියේ වෙනස වැඩි වේ.
ප්‍රස්ථාර මඟින් එක් එක් ස්වාධීන ශ්‍රේණිගත කරන්නෙකුගේ ලකුණු ලබා ගැනීමට සහ යන්ත්‍රය මගින් වාර්තා කරන ලද සංඥා ශක්තිය සමඟ සංසන්දනය කිරීමේ හැකියාව පෙන්වයි.(A) තක්සේරු කළ යුතු ලකුණුවල එකතුව තක්සේරු කළ යුතු මුළු ලකුණු ගණන නිර්මාණය කිරීමට භාවිතා කරයි.සමස්ත පරිමාණය කිරීමේ ලකුණු 4ක් සහිත රූප සඳහා ඉහළ ගුණාත්මක භාවයක් පවරනු ලබන අතර, සමස්ත පරිමාණය කිරීමේ ලකුණු 1ක් හෝ ඊට අඩු අගයක් සහිත රූපවලට අඩු ගුණාත්මක බවක් පවරනු ලැබේ.(B) සංඥා තීව්‍රතාවය අතින් ඇස්තමේන්තු සමඟ සහසම්බන්ධ වේ, නමුත් ඉහළ සංඥා තීව්‍රතාවයක් සහිත රූප දුර්වල ගුණාත්මක බවකින් යුක්ත විය හැක.රතු තිත් රේඛාව සංඥා ශක්තිය මත පදනම්ව නිෂ්පාදකයාගේ නිර්දේශිත තත්ත්ව සීමාව පෙන්නුම් කරයි (සංඥා ශක්තිය \(\ge\)6).
ResNet හුවමාරු ඉගෙනීම යන්ත්‍ර වාර්තා කරන ලද සංඥා මට්ටම්වලට සාපේක්ෂව අඩු ගුණාත්මක සහ ඉහළ ගුණාත්මක භාවිත අවස්ථා සඳහා රූප තත්ත්ව හඳුනාගැනීමේ සැලකිය යුතු දියුණුවක් සපයයි.(A) පෙර පුහුණු වූ (i) ResNet152 සහ (ii) AlexNet ගෘහ නිර්මාණ ශිල්පයේ සරල ගෘහ නිර්මාණ රූප සටහන්.(B) ResNet152 සඳහා පුහුණු ඉතිහාසය සහ ග්‍රාහක කාර්ය සාධන වක්‍ර යන්ත්‍ර වාර්තා කරන ලද සංඥා ශක්තිය සහ AlexNet අඩු ගුණාත්මක නිර්ණායකවලට සාපේක්ෂව.(C) ResNet152 ග්‍රාහක පුහුණු ඉතිහාසය සහ යන්ත්‍ර වාර්තා කරන ලද සංඥා ශක්තිය හා AlexNet උසස් තත්ත්වයේ නිර්ණායක සමඟ සසඳන විට කාර්ය සාධන වක්‍ර.
තීරණ මායිම් එළිපත්ත ගැලපීමෙන් පසු, ResNet152 මාදිලියේ උපරිම පුරෝකථන නිරවද්‍යතාව අඩු ගුණාත්මක අවස්ථාව සඳහා 95.3% සහ උසස් තත්ත්වයේ නඩුව සඳහා 93.5% (වගුව 2).AlexNet ආකෘතියේ උපරිම පුරෝකථන නිරවද්‍යතාවය අඩු ගුණාත්මක නඩුවක් සඳහා 91.0% සහ උසස් තත්ත්වයේ නඩුව සඳහා 90.1% (වගුව 2).උපරිම සංඥා ප්‍රබල පුරෝකථන නිරවද්‍යතාව අඩු ගුණාත්මක භාවිත අවස්ථාව සඳහා 76.1% සහ උසස් තත්ත්වයේ භාවිත අවස්ථාව සඳහා 77.8% වේ.Cohen's kappa (\(\kappa\)) ට අනුව, ResNet152 මාදිලිය සහ ඇස්තමේන්තුකරුවන් අතර ගිවිසුම අඩු ගුණාත්මක නඩුවක් සඳහා 0.90 සහ උසස් තත්ත්වයේ නඩුව සඳහා 0.81 වේ.Cohen's AlexNet kappa 0.82 සහ 0.71 අඩු ගුණාත්මක සහ උසස් තත්ත්වයේ භාවිත අවස්ථා සඳහා පිළිවෙලින් වේ.Cohen's signal strength kappa අඩු සහ උසස් තත්ත්වයේ භාවිත අවස්ථා සඳහා පිළිවෙලින් 0.52 සහ 0.27 වේ.
6 mm පැතලි තහඩුවක 6\(\x\) රූප මත ඉහළ සහ අඩු ගුණාත්මක හඳුනාගැනීමේ ආකෘති වලංගු කිරීම විවිධ රූපකරණ පරාමිතීන් හරහා රූපයේ ගුණාත්මකභාවය තීරණය කිරීමට පුහුණු ආකෘතියේ හැකියාව පෙන්නුම් කරයි.6\(\x\) 6 mm නොගැඹුරු ස්ලැබ් භාවිතා කරන විට, අඩු ගුණාත්මක මාදිලියේ AUC 0.83 (95% CI: 0.69–0.98) සහ උසස් තත්ත්වයේ මාදිලියේ AUC 0.85 විය.(95% CI: 0.55-1.00) (වගුව 2).
ආදාන ස්තර පන්තියේ සක්‍රීය කිරීමේ සිතියම් දෘශ්‍ය පරීක්‍ෂණයෙන් පෙන්නුම් කළේ සියලුම පුහුණු ස්නායු ජාල රූප වර්ගීකරණයේදී රූප ලක්ෂණ භාවිතා කරන බවයි (රූපය 4A, B).8 \(\times \) 8 mm සහ 6 \(\times \) 6 mm රූප සඳහා, ResNet සක්‍රීය කිරීමේ රූප දෘෂ්ටි විතානයේ සනාල සමීපව අනුගමනය කරයි.AlexNet සක්‍රීය කිරීමේ සිතියම් ද දෘෂ්ටි විතානයේ යාත්‍රා අනුගමනය කරයි, නමුත් රළු විභේදනය සමඟ.
ResNet152 සහ AlexNet මාදිලි සඳහා පන්ති සක්‍රීය කිරීමේ සිතියම් රූපයේ ගුණාත්මක භාවයට අදාළ විශේෂාංග ඉස්මතු කරයි.(A) 8 \(\times \) 8 mm වලංගු කිරීමේ රූප සහ (B) කුඩා 6 \(\times \) 6 mm වලංගු කිරීමේ රූප මත පෘෂ්ඨීය දෘෂ්ටි විතානයේ vasculature පසු සුසංයෝගී සක්‍රිය බව පෙන්වන පන්ති සක්‍රීය කිරීමේ සිතියම.LQ ආකෘතිය අඩු ගුණාත්මක නිර්ණායක මත පුහුණු කර ඇත, HQ ආකෘතිය උසස් තත්ත්වයේ නිර්ණායක මත පුහුණු කර ඇත.
OCTA රූපවල ඕනෑම ප්‍රමාණකරණයකට රූපයේ ගුණාත්මක භාවය බෙහෙවින් බලපාන බව කලින් පෙන්වා දී ඇත.මීට අමතරව, රෙටිනෝපති පැවතීම රූප කෞතුක වස්තු 7,26 ඇතිවීමේ සම්භාවිතාව වැඩි කරයි.ඇත්ත වශයෙන්ම, අපගේ දත්තවල, පෙර අධ්‍යයනයන්ට අනුකූලව, දෘෂ්ටි විතානයේ රෝගයේ වයස සහ බරපතලකම සහ රූපයේ ගුණාත්මක භාවය පිරිහීම අතර සැලකිය යුතු සම්බන්ධයක් අපට හමු විය (පිළිවෙලින් වයස සහ DR තත්ත්වය සඳහා p <0.001, p = 0.017; වගුව 1) 27 එබැවින්, OCTA රූපවල කිසියම් ප්‍රමාණාත්මක විශ්ලේෂණයක් සිදු කිරීමට පෙර රූපයේ ගුණාත්මකභාවය තක්සේරු කිරීම ඉතා වැදගත් වේ.OCTA රූප විශ්ලේෂණය කරන බොහෝ අධ්‍යයනයන් අඩු ගුණාත්මක රූප බැහැර කිරීම සඳහා යන්ත්‍ර-වාර්තා කරන ලද සංඥා තීව්‍රතා සීමාවන් භාවිතා කරයි.සංඥා තීව්‍රතාවය OCTA පරාමිතිවල ප්‍රමාණකරණයට බලපාන බව පෙන්වා දී ඇතත්, රූප කෞතුක වස්තු 2,3,28,29 සහිත රූප බැහැර කිරීමට ඉහළ සංඥා තීව්‍රතාවය පමණක් ප්‍රමාණවත් නොවිය හැක.එබැවින්, රූපයේ තත්ත්ව පාලනය සඳහා වඩාත් විශ්වාසදායක ක්රමයක් වර්ධනය කිරීම අවශ්ය වේ.මේ සඳහා, අපි යන්ත්‍රය මගින් වාර්තා කරන ලද සංඥා ප්‍රබලතාවයට එරෙහිව අධීක්ෂණය කරන ලද ගැඹුරු ඉගෙනුම් ක්‍රමවල ක්‍රියාකාරීත්වය ඇගයීමට ලක් කරමු.
විවිධ OCTA භාවිත අවස්ථා සඳහා විවිධ රූප තත්ත්ව අවශ්‍යතා තිබිය හැකි බැවින් අපි රූපයේ ගුණාත්මකභාවය ඇගයීම සඳහා ආකෘති කිහිපයක් සකස් කර ඇත.උදාහරණයක් ලෙස, පින්තූර උසස් තත්ත්වයේ තිබිය යුතුය.මීට අමතරව, උනන්දුවක් දක්වන නිශ්චිත ප්රමාණාත්මක පරාමිතීන් ද වැදගත් වේ.නිදසුනක් ලෙස, foveal avascular කලාපයේ ප්රදේශය මධ්යම නොවන මාධ්යයේ කැළඹීම මත රඳා නොපවතී, නමුත් යාත්රා වල ඝනත්වයට බලපායි.අපගේ පර්යේෂණය දිගටම අවධානය යොමු කරන්නේ රූපයේ ගුණාත්මක භාවය සඳහා වන සාමාන්‍ය ප්‍රවේශයක් කෙරෙහි වන අතර, කිසිදු විශේෂිත පරීක්ෂණයක අවශ්‍යතා සමඟ බැඳී නැත, නමුත් යන්ත්‍රය මගින් වාර්තා කරන ලද සංඥා ශක්තිය සෘජුවම ප්‍රතිස්ථාපනය කිරීමට අදහස් කරන අතර, පරිශීලකයින්ට වැඩි පාලනයක් ලබා දීමට අපි බලාපොරොත්තු වෙමු. පරිශීලකයාට උනන්දුවක් දක්වන නිශ්චිත මෙට්රික් තෝරාගත හැක.පිළිගත හැකි යැයි සැලකෙන රූප කෞතුක වස්තුවල උපරිම මට්ටමට අනුරූප වන ආකෘතියක් තෝරන්න.
අඩු-ගුණාත්මක සහ උසස්-ගුණාත්මක දර්ශන සඳහා, අපි පිළිවෙලින් 0.97 සහ 0.99 AUC සහ අඩු-තත්ත්ව මාදිලි සහිත සම්බන්ධතා-අතුරුදහන් ගැඹුරු සංචලන ස්නායු ජාලවල විශිෂ්ට කාර්ය සාධනයක් පෙන්වමු.යන්ත්‍ර මගින් පමණක් වාර්තා කරන ලද සංඥා මට්ටම් සමඟ සසඳන විට අපගේ ගැඹුරු ඉගෙනුම් ප්‍රවේශයේ උසස් කාර්ය සාධනය ද අපි පෙන්නුම් කරමු.Skip connections මගින් ස්නායුක ජාලයන්ට බහුවිධ විස්තර මට්ටම්වල විශේෂාංග ඉගෙන ගැනීමට ඉඩ සලසයි, පින්තූරවල සියුම් අංග (උදා: ප්‍රතිවිරුද්ධ) මෙන්ම සාමාන්‍ය විශේෂාංග (උදා: image centring30,31) ග්‍රහණය කරයි.රූපයේ ගුණාත්මක භාවයට බලපාන රූප කෞතුක වස්තු පුළුල් පරාසයක් තුළ වඩාත් හොඳින් හඳුනාගෙන ඇති බැවින්, අතුරුදහන් වූ සම්බන්ධතා සහිත ස්නායුක ජාල ගෘහනිර්මාණ රූප තත්ත්ව නිර්ණය කිරීමේ කාර්යයන් නොමැති ඒවාට වඩා හොඳ කාර්ය සාධනයක් පෙන්විය හැක.
6\(\×6mm) OCTA රූප මත අපගේ මාදිලිය පරීක්‍ෂා කරන විට, වර්ගීකරණය සඳහා පුහුණු කරන ලද මාදිලියේ ප්‍රමාණයට ප්‍රතිවිරුද්ධව, උසස් තත්ත්වයේ සහ අඩු ගුණාත්මක මාදිලි (රූපය 2) යන දෙකෙහිම වර්ගීකරණ කාර්ය සාධනයේ අඩුවීමක් අපි දුටුවෙමු.ResNet ආකෘතිය හා සසඳන විට, AlexNet ආකෘතියට විශාල වැටීමක් ඇත.ResNet හි සාපේක්ෂ වඩා හොඳ කාර්ය සාධනය බහු පරිමාණයෙන් තොරතුරු සම්ප්‍රේෂණය කිරීමට අවශේෂ සම්බන්ධතාවලට ඇති හැකියාව නිසා විය හැකිය, එමඟින් විවිධ පරිමාණයන් සහ/හෝ විශාලනයන්හි ග්‍රහණය කරන ලද රූප වර්ගීකරණය කිරීම සඳහා ආකෘතිය වඩාත් ශක්තිමත් කරයි.
8 \(\×\) 8 mm රූප සහ 6 \(\×\) 6 mm රූප අතර සමහර වෙනස්කම් දුර්වල වර්ගීකරණයකට තුඩු දිය හැකි අතර, foveal avascular ප්‍රදේශ අඩංගු රූප සාපේක්ෂ වශයෙන් ඉහළ ප්‍රතිශතයක්, දෘශ්‍යතාවේ වෙනස්වීම්, සනාල ආකේඩ් සහ රූපයේ දෘෂ්ටි ස්නායුව 6×6 මි.මී.එසේ තිබියදීත්, අපගේ උසස් තත්ත්වයේ ResNet ආකෘතියට 6 \(\x\) 6 mm රූප සඳහා 85% ක AUC ලබා ගැනීමට හැකි විය, එය ආකෘතිය පුහුණු නොකළ වින්‍යාසයක් වන අතර එමඟින් රූපයේ ගුණාත්මක තොරතුරු ස්නායුක ජාලය තුළ කේතනය කර ඇති බව යෝජනා කරයි. සුදුසු වේ.එක් රූප ප්‍රමාණයකට හෝ එහි පුහුණුවෙන් පිටත යන්ත්‍ර වින්‍යාසයක් සඳහා (වගුව 2).සහනදායී ලෙස, ResNet- සහ AlexNet වැනි 8 \(\times \) 8 mm සහ 6 \(\times \) 6 mm සක්‍රීය කිරීමේ සිතියම් අවස්ථා දෙකේදීම දෘෂ්ටි විතානයේ යාත්‍රා ඉස්මතු කිරීමට සමත් වූ අතර, එමඟින් ආකෘතියේ වැදගත් තොරතුරු ඇති බව යෝජනා කරයි.OCTA රූප වර්ග දෙකම වර්ග කිරීම සඳහා අදාළ වේ (රූපය 4).
Lauerman et al.ගැඹුරු ඉගෙනුම් ශිල්පීය ක්‍රම භාවිතා කරමින් OCTA රූපවල රූප තත්ත්ව තක්සේරුව ද Inception architecture භාවිතා කරමින් සිදු කරන ලදී.ඔවුන් අධ්‍යයනය පෘෂ්ඨීය කේශනාලිකා ප්ලෙක්සස් හි රූපවලට සීමා කළ නමුත් Optovue AngioVue වෙතින් කුඩා 3×3 mm රූප පමණක් භාවිතා කරයි, නමුත් විවිධ chorioretinal රෝග ඇති රෝගීන් ද ඇතුළත් විය.විවිධ රූප තත්ත්ව සීමාවන් ආමන්ත්‍රණය කිරීමට සහ විවිධ ප්‍රමාණයේ රූප සඳහා ප්‍රතිඵල වලංගු කිරීමට බහු මාදිලි ඇතුළුව අපගේ කාර්යය ඔවුන්ගේ පදනම් මත ගොඩනැගේ.අපි යන්ත්‍ර ඉගෙනුම් ආකෘතිවල AUC මෙට්‍රික් වාර්තා කරන අතර අඩු ගුණාත්මක (96%) සහ ඉහළ ගුණත්වයේ (95.7%) මාදිලි දෙකම සඳහා දැනටමත් ආකර්ෂණීය නිරවද්‍යතාව (90%)6 වැඩි කරමු.
මෙම පුහුණුවට සීමාවන් කිහිපයක් තිබේ.පළමුව, 8\(\times\)8 mm සහ 6\(\times\)6 mm හි මතුපිට කේශනාලිකා ප්ලෙක්සස් වල රූප පමණක් ඇතුළුව, එක් OCTA යන්ත්‍රයකින් පමණක් රූප ලබා ගන්නා ලදී.ගැඹුරු ස්ථරවලින් රූප බැහැර කිරීමට හේතුව ප්‍රක්ෂේපණ කෞතුක වස්තු මගින් පින්තූර අතින් ඇගයීම වඩාත් අපහසු සහ සමහරවිට අඩු අනුකූලතාවයක් ඇති කළ හැකි වීමයි.තවද, රූප ලබාගෙන ඇත්තේ දියවැඩියා රෝගීන් සඳහා පමණි, ඔවුන් සඳහා OCTA වැදගත් රෝග විනිශ්චය සහ පුරෝකථන මෙවලමක් ලෙස මතුවෙමින් පවතී33,34.ප්‍රතිඵල ශක්තිමත් බව සහතික කිරීම සඳහා විවිධ ප්‍රමාණයේ රූප මත අපගේ ආකෘතිය පරීක්‍ෂා කිරීමට අපට හැකි වුවද, විවිධ මධ්‍යස්ථානවලින් සුදුසු දත්ත කට්ටල හඳුනා ගැනීමට අපට නොහැකි වූ අතර, එමඟින් ආකෘතියේ සාමාන්‍යකරණය පිළිබඳ අපගේ තක්සේරුව සීමා විය.ඡායාරූප ලබා ගත්තේ එක් මධ්‍යස්ථානයකින් පමණක් වුවද, ඒවා විවිධ ජනවාර්ගික සහ වාර්ගික පසුබිම්වලට අයත් රෝගීන්ගෙන් ලබා ගත් ඒවා වීම අපගේ අධ්‍යයනයේ සුවිශේෂී ශක්තියකි.අපගේ පුහුණු ක්‍රියාවලියේ විවිධත්වය ඇතුළත් කිරීමෙන්, අපගේ ප්‍රතිඵල පුළුල් අර්ථයකින් සාමාන්‍යකරණය වනු ඇතැයි අපි බලාපොරොත්තු වන අතර, අප පුහුණු කරන ආකෘතිවල වාර්ගික නැඹුරුව කේතනය කිරීමෙන් වළකිමු.
අපගේ අධ්‍යයනයෙන් පෙන්නුම් කරන්නේ OCTA රූපයේ ගුණාත්මක භාවය තීරණය කිරීමේදී ඉහළ කාර්ය සාධනයක් ලබා ගැනීම සඳහා සම්බන්ධතා මඟ හැරීම ස්නායුක ජාල පුහුණු කළ හැකි බවයි.වැඩිදුර පර්යේෂණ සඳහා මෙවලම් ලෙස අපි මෙම ආකෘති සපයන්නෙමු.විවිධ ප්‍රමිතිකවලට විවිධ රූප තත්ත්ව අවශ්‍යතා තිබිය හැකි බැවින්, මෙහි ස්ථාපිත ව්‍යුහය භාවිතයෙන් එක් එක් මෙට්‍රික් සඳහා තනි තත්ත්ව පාලන ආකෘතියක් සංවර්ධනය කළ හැක.
OCTA වේදිකා සහ රූපකරණ ප්‍රොටෝකෝල වෙත සාමාන්‍යකරණය කළ හැකි ගැඹුරු ඉගෙනුම් රූප තත්ත්ව ඇගයීම් ක්‍රියාවලියක් ලබා ගැනීම සඳහා අනාගත පර්යේෂණ සඳහා විවිධ ගැඹුරින් සහ විවිධ OCTA යන්ත්‍රවලින් විවිධ ප්‍රමාණයේ රූප ඇතුළත් කළ යුතුය.වත්මන් පර්යේෂණ ද පදනම් වී ඇත්තේ විශාල දත්ත කට්ටල සඳහා ශ්‍රම තීව්‍ර සහ කාලය ගතවන මානව ඇගයීම සහ රූප ඇගයීම අවශ්‍ය වන සුපරීක්‍ෂිත ගැඹුරු ඉගෙනුම් ප්‍රවේශයන් මත ය.අධීක්ෂණය නොකළ ගැඹුරු ඉගෙනුම් ක්‍රමවලට අඩු ගුණාත්මක රූප සහ උසස් තත්ත්වයේ රූප අතර ප්‍රමාණවත් ලෙස වෙන්කර හඳුනාගත හැකිද යන්න සොයා බැලිය යුතුය.
OCTA තාක්‍ෂණය අඛණ්ඩව විකාශනය වන අතර ස්කෑන් කිරීමේ වේගය වැඩි වන විට, රූප කෞතුක වස්තු සහ දුර්වල තත්ත්වයේ රූප ඇතිවීම අඩු විය හැක.මෑතකදී හඳුන්වා දුන් ප්‍රක්ෂේපණ කෞතුක වස්තු ඉවත් කිරීමේ විශේෂාංගය වැනි මෘදුකාංගයේ වැඩිදියුණු කිරීම් ද මෙම සීමාවන් සමනය කළ හැකිය.කෙසේ වෙතත්, දුර්වල සවි කිරීම් හෝ සැලකිය යුතු මාධ්‍ය කැළඹීමක් ඇති රෝගීන්ගේ ප්‍රතිබිම්බයක් ලෙස බොහෝ ගැටලු පවතී.සායනික පරීක්ෂණ වලදී OCTA වඩාත් පුළුල් ලෙස භාවිතා වන බැවින්, රූප විශ්ලේෂණය සඳහා පිළිගත හැකි රූප කෞතුක වස්තු මට්ටම් සඳහා පැහැදිලි මාර්ගෝපදේශ ස්ථාපිත කිරීම සඳහා ප්රවේශමෙන් සලකා බැලීම අවශ්ය වේ.OCTA රූප සඳහා ගැඹුරු ඉගෙනුම් ක්‍රම යෙදීම විශාල පොරොන්දුවක් ඇති අතර රූප තත්ත්ව පාලනය සඳහා ශක්තිමත් ප්‍රවේශයක් වර්ධනය කිරීම සඳහා මෙම ක්ෂේත්‍රය තුළ වැඩිදුර පර්යේෂණ අවශ්‍ය වේ.
වත්මන් පර්යේෂණයේ භාවිතා වන කේතය octa-qc ගබඩාවේ, https://github.com/rahuldhodapkar/octa-qc හි ඇත.වත්මන් අධ්‍යයනය අතරතුර ජනනය කරන ලද සහ/හෝ විශ්ලේෂණය කරන ලද දත්ත කට්ටල සාධාරණ ඉල්ලීමක් මත අදාළ කතුවරුන්ගෙන් ලබා ගත හැකිය.
ස්පේඩ්, ආර්එෆ්, ෆුජිමොටෝ, ජේජී සහ වහීඩ්, එන්කේ ඉමේජ් කෞතුක වස්තු දෘශ්‍ය සමෝධානික ඇන්ජියෝග්‍රැෆි.Retina 35, 2163-2180 (2015).
ෆෙනර්, බීජේ සහ අල්.OCT ඇන්ජියෝග්‍රැෆි හි දෘෂ්ටි විතානයේ කේශනාලිකා ප්ලෙක්සස් ඝනත්ව මිනුම්වල ගුණාත්මකභාවය සහ ප්‍රතිනිෂ්පාදනය තීරණය කරන රූපකරණ ලක්ෂණ හඳුනා ගැනීම.BRජේ ඔෆ්තල්මෝල්.102, 509–514 (2018).
Lauerman, JL et al.වයසට සම්බන්ධ අක්ෂි පරිහානිය තුළ OCT ඇන්ජියෝග්‍රැෆි වල රූපයේ ගුණාත්මක භාවය මත අක්ෂි ලුහුබැඳීමේ තාක්ෂණයේ බලපෑම.සොහොන් ආරුක්කුව.සායනික.Exp.අක්ෂි වෛද්ය විද්යාව.255, 1535-1542 (2017).
Babyuch AS et al.OCTA කේශනාලිකා පර්ෆියුෂන් ඝනත්ව මිනුම් භාවිතා කරනුයේ මැක්යුලර් ඉස්කිමියාව හඳුනා ගැනීමට සහ ඇගයීමටය.අක්ෂි සැත්කම්.Retinal Laser Imaging 51, S30-S36 (2020).
He, K., Zhang, X., Ren, S., and Sun, J. Deep Residual Learning for Image Recognition.2016 දී පරිගණක දැක්ම සහ රටා හඳුනාගැනීම පිළිබඳ IEEE සම්මන්ත්‍රණයේදී (2016).
Lauerman, JL et al.ගැඹුරු ඉගෙනුම් ඇල්ගොරිතම භාවිතයෙන් ස්වයංක්‍රීය OCT angiographic රූප තත්ත්ව තක්සේරුව.සොහොන් ආරුක්කුව.සායනික.Exp.අක්ෂි වෛද්ය විද්යාව.257, 1641-1648 (2019).
Lauermann, J. et al.OCT angiography හි ඛණ්ඩනය කිරීමේ දෝෂ සහ චලන කෞතුක වස්තු පැතිරීම දෘෂ්ටි විතානයේ රෝගය මත රඳා පවතී.සොහොන් ආරුක්කුව.සායනික.Exp.අක්ෂි වෛද්ය විද්යාව.256, 1807-1816 (2018).
Pask, Adam et al.Pytorch: අත්‍යවශ්‍ය, ඉහළ කාර්ය සාධනයක් සහිත ගැඹුරු ඉගෙනුම් පුස්තකාලයක්.ස්නායුක තොරතුරු උසස් සැකසුම්.පද්ධති.32, 8026-8037 (2019).
ඩෙන්ග්, ජේ. සහ අල්.ImageNet: විශාල පරිමාණ ධූරාවලි රූප දත්ත ගබඩාවක්.2009 IEEE පරිගණක දැක්ම සහ රටා හඳුනාගැනීම පිළිබඳ සම්මන්ත්‍රණය.248-255.(2009).
Krizhevsky A., Sutzkever I. සහ Hinton GE Imagenet වර්ගීකරණය ගැඹුරු convolutional ස්නායු ජාල භාවිතා කරයි.ස්නායුක තොරතුරු උසස් සැකසුම්.පද්ධති.25, 1 (2012).