សូមអរគុណសម្រាប់ការទស្សនា Nature.com ។អ្នកកំពុងប្រើកំណែកម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលមានការគាំទ្រ CSS មានកំណត់។សម្រាប់បទពិសោធន៍ដ៏ល្អបំផុត យើងសូមណែនាំឱ្យអ្នកប្រើកម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលបានអាប់ដេត (ឬបិទមុខងារភាពឆបគ្នានៅក្នុង Internet Explorer)។លើសពីនេះទៀត ដើម្បីធានាបាននូវការគាំទ្របន្ត យើងបង្ហាញគេហទំព័រដោយគ្មានរចនាប័ទ្ម និង JavaScript។
គ្រាប់រំកិលបង្ហាញអត្ថបទបីក្នុងមួយស្លាយ។ប្រើប៊ូតុងខាងក្រោយ និងបន្ទាប់ដើម្បីផ្លាស់ទីតាមស្លាយ ឬប៊ូតុងឧបករណ៍បញ្ជាស្លាយនៅចុងបញ្ចប់ដើម្បីផ្លាស់ទីតាមស្លាយនីមួយៗ។
Optical coherence tomographic angiography (OCTA) គឺជាវិធីសាស្រ្តថ្មីមួយសម្រាប់ការមើលឃើញដោយមិនមានការរាតត្បាតនៃនាវានៃភ្នែក។ទោះបីជា OCTA មានកម្មវិធីព្យាបាលដ៏ជោគជ័យជាច្រើនក៏ដោយ ការកំណត់គុណភាពរូបភាពនៅតែជាបញ្ហាប្រឈម។យើងបានបង្កើតប្រព័ន្ធផ្អែកលើការរៀនសូត្រជ្រៅមួយដោយប្រើឧបករណ៍ចាត់ថ្នាក់បណ្តាញសរសៃប្រសាទ ResNet152 ដែលត្រូវបានបណ្តុះបណ្តាលជាមុនជាមួយ ImageNet ដើម្បីចាត់ថ្នាក់រូបភាព capillary plexus ខាងក្រៅពីការស្កេន 347 នៃអ្នកជំងឺ 134 ។រូបភាពក៏ត្រូវបានវាយតម្លៃដោយដៃថាជាការពិតដោយអ្នកវាយតម្លៃឯករាជ្យពីររូបសម្រាប់គំរូសិក្សាដែលមានការត្រួតពិនិត្យ។ដោយសារតែតម្រូវការគុណភាពរូបភាពអាចប្រែប្រួលអាស្រ័យលើការកំណត់គ្លីនិក ឬការស្រាវជ្រាវ គំរូពីរត្រូវបានបណ្តុះបណ្តាល មួយសម្រាប់ការទទួលស្គាល់រូបភាពគុណភាពខ្ពស់ និងមួយទៀតសម្រាប់ការទទួលស្គាល់រូបភាពដែលមានគុណភាពទាប។គំរូបណ្តាញសរសៃប្រសាទរបស់យើងបង្ហាញពីតំបន់ល្អឥតខ្ចោះនៅក្រោមខ្សែកោង (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81) ដែលល្អជាងកម្រិតសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីន (AUC = 0.82, 95) % CI) ។0.77–0.86, \(\kappa\) = 0.52 និង AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27 រៀងគ្នា)។ការសិក្សារបស់យើងបង្ហាញថាវិធីសាស្រ្តរៀនម៉ាស៊ីនអាចត្រូវបានប្រើដើម្បីបង្កើតវិធីសាស្រ្តត្រួតពិនិត្យគុណភាពដែលអាចបត់បែនបាន និងរឹងមាំសម្រាប់រូបភាព OCTA ។
Optical coherence tomographic angiography (OCTA) គឺជាបច្ចេកទេសថ្មីដែលមានមូលដ្ឋានលើ ការធ្វើកោសល្យវិច័យអុបទិក (OCT) ដែលអាចត្រូវបានប្រើសម្រាប់ការមើលឃើញដែលមិនមានការរាតត្បាតនៃ microvasculature នៃភ្នែក។OCTA វាស់ភាពខុសគ្នានៃគំរូឆ្លុះបញ្ចាំងពីពន្លឺម្តងហើយម្តងទៀតនៅក្នុងតំបន់ដូចគ្នានៃរីទីណា ហើយការស្ថាបនាឡើងវិញអាចត្រូវបានគណនាដើម្បីបង្ហាញសរសៃឈាមដោយមិនចាំបាច់ប្រើសារធាតុជ្រលក់ពណ៌ ឬភ្នាក់ងារកម្រិតពណ៌ផ្សេងទៀត។OCTA ក៏អនុញ្ញាតឱ្យការថតរូបភាពសរសៃឈាមដែលមានដំណោះស្រាយជម្រៅ ដែលអនុញ្ញាតឱ្យគ្រូពេទ្យពិនិត្យដោយឡែកពីគ្នានូវស្រទាប់ខាងលើ និងជ្រៅ ដែលជួយបែងចែករវាងជំងឺ chorioretinal ។
ខណៈពេលដែលបច្ចេកទេសនេះកំពុងរីកចម្រើន ការបំរែបំរួលគុណភាពរូបភាពនៅតែជាបញ្ហាប្រឈមដ៏សំខាន់សម្រាប់ការវិភាគរូបភាពដែលអាចទុកចិត្តបាន ដែលធ្វើឱ្យការបកស្រាយរូបភាពពិបាក និងការពារការទទួលយកការព្យាបាលយ៉ាងទូលំទូលាយ។ដោយសារ OCTA ប្រើការស្កែន OCT ជាប់គ្នាច្រើន វាមានភាពរសើបចំពោះវត្ថុបុរាណរូបភាពជាង OCT ​​ស្តង់ដារ។វេទិកា OCTA ពាណិជ្ជកម្មភាគច្រើនផ្តល់នូវម៉ែត្រគុណភាពរូបភាពផ្ទាល់ខ្លួនរបស់ពួកគេដែលហៅថា Signal Strength (SS) ឬជួនកាល Signal Strength Index (SSI)។ទោះជាយ៉ាងណាក៏ដោយ រូបភាពដែលមានតម្លៃ SS ឬ SSI ខ្ពស់មិនធានាអវត្តមាននៃវត្ថុបុរាណរូបភាព ដែលអាចប៉ះពាល់ដល់ការវិភាគរូបភាពជាបន្តបន្ទាប់ និងនាំទៅរកការសម្រេចចិត្តព្យាបាលមិនត្រឹមត្រូវ។វត្ថុបុរាណនៃរូបភាពទូទៅដែលអាចកើតឡើងក្នុងរូបភាព OCTA រួមមានវត្ថុបុរាណចលនា វត្ថុបុរាណនៃការបែងចែក វត្ថុបុរាណនៃភាពស្រអាប់នៃប្រព័ន្ធផ្សព្វផ្សាយ និងវត្ថុបុរាណនៃការព្យាករ1,2,3។
ដោយសារវិធានការដែលបានមកពី OCTA ដូចជាដង់ស៊ីតេសរសៃឈាមកំពុងត្រូវបានប្រើប្រាស់កាន់តែខ្លាំងឡើងក្នុងការស្រាវជ្រាវបកប្រែ ការធ្វើតេស្តព្យាបាល និងការអនុវត្តគ្លីនិក វាមានតម្រូវការបន្ទាន់ក្នុងការអភិវឌ្ឍដំណើរការត្រួតពិនិត្យគុណភាពរូបភាពដ៏រឹងមាំ និងអាចទុកចិត្តបាន ដើម្បីលុបបំបាត់វត្ថុបុរាណរូបភាព4។រំលងការតភ្ជាប់ដែលត្រូវបានគេស្គាល់ថាជាការតភ្ជាប់សំណល់គឺជាការព្យាករនៅក្នុងស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទដែលអនុញ្ញាតឱ្យព័ត៌មានឆ្លងកាត់ស្រទាប់ convolutional ខណៈពេលដែលរក្សាទុកព័ត៌មាននៅកម្រិតផ្សេងគ្នាឬដំណោះស្រាយ 5 ។ដោយសារវត្ថុបុរាណនៃរូបភាពអាចប៉ះពាល់ដល់ដំណើរការរូបភាពខ្នាតតូច និងទ្រង់ទ្រាយធំទូទៅ បណ្តាញសរសៃប្រសាទនៃការភ្ជាប់រំលងគឺស័ក្តិសមយ៉ាងល្អក្នុងការធ្វើឱ្យកិច្ចការគ្រប់គ្រងគុណភាពនេះដំណើរការដោយស្វ័យប្រវត្តិ 5 ។ការងារដែលបានបោះពុម្ពផ្សាយនាពេលថ្មីៗនេះបានបង្ហាញពីការសន្យាមួយចំនួនសម្រាប់បណ្តាញសរសៃប្រសាទដ៏ស៊ីជម្រៅដែលត្រូវបានបណ្តុះបណ្តាលដោយប្រើទិន្នន័យដែលមានគុណភាពខ្ពស់ពីអ្នកប៉ាន់ស្មានរបស់មនុស្ស6។
នៅក្នុងការសិក្សានេះ យើងបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដែលរំលងការតភ្ជាប់ ដើម្បីកំណត់គុណភាពនៃរូបភាព OCTA ដោយស្វ័យប្រវត្តិ។យើងបង្កើតការងារពីមុនដោយបង្កើតគំរូដាច់ដោយឡែកសម្រាប់កំណត់អត្តសញ្ញាណរូបភាពគុណភាពខ្ពស់ និងរូបភាពដែលមានគុណភាពទាប ដោយសារតម្រូវការគុណភាពរូបភាពអាចខុសគ្នាសម្រាប់សេណារីយ៉ូគ្លីនិក ឬការស្រាវជ្រាវជាក់លាក់។យើងប្រៀបធៀបលទ្ធផលនៃបណ្តាញទាំងនេះជាមួយនឹងបណ្តាញសរសៃប្រសាទ convolutional ដោយមិនបាត់បង់ការតភ្ជាប់ដើម្បីវាយតម្លៃតម្លៃនៃការរួមបញ្ចូលលក្ខណៈពិសេសនៅកម្រិតជាច្រើននៃ granularity នៅក្នុងការរៀនស៊ីជម្រៅ។បន្ទាប់មកយើងប្រៀបធៀបលទ្ធផលរបស់យើងទៅនឹងភាពខ្លាំងនៃសញ្ញា ដែលជារង្វាស់ដែលទទួលយកជាទូទៅនៃគុណភាពរូបភាពដែលផ្តល់ដោយក្រុមហ៊ុនផលិត។
ការសិក្សារបស់យើងរួមបញ្ចូលអ្នកជំងឺដែលមានជំងឺទឹកនោមផ្អែមដែលបានចូលរៀននៅមជ្ឈមណ្ឌលភ្នែក Yale ចន្លោះថ្ងៃទី 11 ខែសីហា ឆ្នាំ 2017 និងថ្ងៃទី 11 ខែមេសា ឆ្នាំ 2019។ អ្នកជំងឺដែលមានជំងឺ chorioretinal ដែលមិនមែនជាជំងឺទឹកនោមផ្អែមមិនត្រូវបានរាប់បញ្ចូលនោះទេ។មិន​មាន​លក្ខណៈ​វិនិច្ឆ័យ​រួម​បញ្ចូល ឬ​មិន​រាប់​បញ្ចូល​ដោយ​ផ្អែក​លើ​អាយុ ភេទ ជាតិ​សាសន៍ គុណភាព​រូបភាព ឬ​កត្តា​ផ្សេង​ទៀត​ទេ។
រូបភាព OCTA ត្រូវបានទទួលដោយប្រើវេទិកា AngioPlex នៅលើ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) ក្រោម 8\(\times\)8 mm និង 6\(\times\)6 mm ពិធីការរូបភាព។ការយល់ព្រមដែលបានជូនដំណឹងសម្រាប់ការចូលរួមក្នុងការសិក្សាត្រូវបានទទួលបានពីអ្នកចូលរួមការសិក្សានីមួយៗ ហើយក្រុមប្រឹក្សាត្រួតពិនិត្យស្ថាប័ននៃសាកលវិទ្យាល័យយ៉េល (IRB) បានអនុម័តការប្រើប្រាស់ការយល់ព្រមដែលមានព័ត៌មានជាមួយនឹងការថតរូបជាសកលសម្រាប់អ្នកជំងឺទាំងអស់នេះ។អនុវត្តតាមគោលការណ៍នៃសេចក្តីប្រកាសហេលស៊ីនគី។ការសិក្សានេះត្រូវបានអនុម័តដោយសាកលវិទ្យាល័យ Yale IRB ។
រូបភាពបន្ទះផ្ទៃត្រូវបានវាយតម្លៃដោយផ្អែកលើ Motion Artifact Score (MAS) ដែលបានពិពណ៌នាពីមុន ពិន្ទុ Segmentation Artifact Score (SAS) ដែលបានពិពណ៌នាពីមុន ចំណុចកណ្តាលនៃ foveal វត្តមាននៃភាពស្រអាប់នៃប្រព័ន្ធផ្សព្វផ្សាយ និងការមើលឃើញដ៏ល្អនៃ capillaries តូចៗ ដូចដែលបានកំណត់ដោយអ្នកវាយតម្លៃរូបភាព។រូបភាពត្រូវបានវិភាគដោយអ្នកវាយតម្លៃឯករាជ្យពីរ (RD និង JW) ។រូបភាពមានកម្រិតពិន្ទុ 2 (មានសិទ្ធិ) ប្រសិនបើលក្ខណៈវិនិច្ឆ័យខាងក្រោមទាំងអស់ត្រូវបានបំពេញ៖ រូបភាពស្ថិតនៅចំកណ្តាល fovea (តិចជាង 100 ភីកសែលពីកណ្តាលរូបភាព) MAS គឺ 1 ឬ 2 SAS គឺ 1 និង ភាពស្រអាប់នៃប្រព័ន្ធផ្សព្វផ្សាយគឺតិចជាង 1។ បង្ហាញនៅលើរូបភាពនៃទំហំ / 16 ហើយ capillaries តូចត្រូវបានគេមើលឃើញនៅក្នុងរូបភាពដែលមានទំហំធំជាង 15/16 ។រូបភាពមួយត្រូវបានវាយតម្លៃ 0 (គ្មានការវាយតម្លៃ) ប្រសិនបើលក្ខណៈវិនិច្ឆ័យខាងក្រោមត្រូវបានបំពេញ៖ រូបភាពគឺនៅកណ្តាល ប្រសិនបើ MAS គឺ 4 ប្រសិនបើ SAS គឺ 2 ឬភាពស្រអាប់ជាមធ្យមគឺធំជាង 1/4 នៃរូបភាព និង សរសៃឈាមតូចៗមិនអាចកែតម្រូវលើសពី 1 រូបភាព/4 ដើម្បីបែងចែកបានទេ។រូបភាពផ្សេងទៀតទាំងអស់ដែលមិនបំពេញតាមលក្ខណៈវិនិច្ឆ័យនៃការដាក់ពិន្ទុ 0 ឬ 2 ត្រូវបានគេដាក់ពិន្ទុជា 1 (ច្រឹប)។
នៅលើរូបភព។1 បង្ហាញរូបភាពគំរូសម្រាប់ការប៉ាន់ប្រមាណដែលបានធ្វើមាត្រដ្ឋាននីមួយៗ និងវត្ថុបុរាណនៃរូបភាព។ភាពជឿជាក់អន្តរអត្រានៃពិន្ទុបុគ្គលត្រូវបានវាយតម្លៃដោយទម្ងន់ kappa 8 របស់ Cohen ។ពិន្ទុបុគ្គលរបស់អ្នកវាយតម្លៃនីមួយៗត្រូវបានបូកសរុបដើម្បីទទួលបានពិន្ទុរួមសម្រាប់រូបភាពនីមួយៗ ចាប់ពី 0 ដល់ 4។ រូបភាពដែលមានពិន្ទុសរុប 4 ត្រូវបានចាត់ទុកថាល្អ។រូបភាពដែលមានពិន្ទុសរុប 0 ឬ 1 ត្រូវបានចាត់ទុកថាមានគុណភាពទាប។
បណ្តាញសរសៃប្រសាទ convolutional ស្ថាបត្យកម្ម ResNet152 (រូបភាព 3A.i) ដែលត្រូវបានបណ្តុះបណ្តាលជាមុនលើរូបភាពពីមូលដ្ឋានទិន្នន័យ ImageNet ត្រូវបានបង្កើតដោយប្រើ fast.ai និង PyTorch framework5, 9, 10, 11. បណ្តាញសរសៃប្រសាទ convolutional គឺជាបណ្តាញដែលប្រើការរៀន តម្រងសម្រាប់ការស្កែនបំណែករូបភាព ដើម្បីសិក្សាពីលក្ខណៈលំហ និងក្នុងតំបន់។ResNet ដែលបានទទួលការបណ្តុះបណ្តាលរបស់យើងគឺជាបណ្តាញសរសៃប្រសាទ 152 ស្រទាប់ដែលកំណត់លក្ខណៈដោយចន្លោះប្រហោង ឬ "ការតភ្ជាប់សំណល់" ដែលបញ្ជូនព័ត៌មានក្នុងពេលដំណាលគ្នាជាមួយនឹងដំណោះស្រាយជាច្រើន។តាមរយៈ​ការ​បញ្ចាំង​ព័​ត៌​មាន​នៅ​កម្រិត​ភាព​ច្បាស់​ខុស​គ្នា​នៅ​លើ​បណ្ដាញ វេទិកា​អាច​រៀន​ពី​លក្ខណៈ​ពិសេស​នៃ​រូបភាព​គុណភាព​ទាប​នៅ​កម្រិត​លម្អិត​ជា​ច្រើន។បន្ថែមពីលើគំរូ ResNet របស់យើង យើងក៏បានបណ្តុះបណ្តាល AlexNet ដែលជាស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទដែលបានសិក្សាយ៉ាងល្អ ដោយមិនបាត់បង់ការតភ្ជាប់សម្រាប់ការប្រៀបធៀប (រូបភាព 3A.ii)12 ។ប្រសិនបើគ្មានការភ្ជាប់ទំនាក់ទំនងទេ បណ្តាញនេះនឹងមិនអាចចាប់យកលក្ខណៈពិសេសក្នុងកម្រិតលម្អិតខ្ពស់ជាងនេះបានទេ។
សំណុំរូបភាព 8\(\times\) 8mm OCTA13 ដើមត្រូវបានកែលម្អដោយប្រើបច្ចេកទេសឆ្លុះបញ្ចាំងផ្ដេក និងបញ្ឈរ។បន្ទាប់មក សំណុំទិន្នន័យពេញលេញត្រូវបានបំបែកដោយចៃដន្យនៅកម្រិតរូបភាពទៅជាការបណ្តុះបណ្តាល (51.2%) ការធ្វើតេស្ត (12.8%) ការលៃតម្រូវប៉ារ៉ាម៉ែត្រខ្ពស់ (16%) និងការកំណត់សុពលភាព (20%) ដោយប្រើប្រអប់ឧបករណ៍ scikit-learn python14។ករណីពីរត្រូវបានពិចារណា មួយផ្អែកលើការរកឃើញតែរូបភាពដែលមានគុណភាពខ្ពស់បំផុត (ពិន្ទុសរុប 4) និងមួយទៀតផ្អែកលើការរកឃើញតែរូបភាពដែលមានគុណភាពទាបបំផុត (ពិន្ទុសរុប 0 ឬ 1)។សម្រាប់ករណីប្រើប្រាស់គុណភាពខ្ពស់ និងគុណភាពទាបនីមួយៗ បណ្តាញសរសៃប្រសាទត្រូវបានបង្ហាត់ឡើងវិញម្តងលើទិន្នន័យរូបភាពរបស់យើង។នៅក្នុងករណីនៃការប្រើប្រាស់នីមួយៗ បណ្តាញសរសៃប្រសាទត្រូវបានបណ្តុះបណ្តាលសម្រាប់ 10 សម័យ ប៉ុន្តែទម្ងន់ស្រទាប់ខ្ពស់បំផុតត្រូវបានជាប់គាំង ហើយទម្ងន់នៃប៉ារ៉ាម៉ែត្រខាងក្នុងទាំងអស់ត្រូវបានសិក្សាសម្រាប់ 40 សម័យ ដោយប្រើវិធីសាស្ត្រអត្រាការរៀនសូត្រដែលរើសអើងជាមួយនឹងមុខងារការបាត់បង់ឆ្លង entropy 15, ១៦..អនុគមន៍ការបាត់បង់ entropy ឆ្លងគឺជាការវាស់វែងនៃមាត្រដ្ឋានលោការីតនៃភាពខុសគ្នារវាងស្លាកបណ្តាញដែលបានព្យាករណ៍ និងទិន្នន័យពិត។កំឡុងពេលហ្វឹកហាត់ ការចុះជម្រាលត្រូវបានអនុវត្តនៅលើប៉ារ៉ាម៉ែត្រខាងក្នុងនៃបណ្តាញសរសៃប្រសាទដើម្បីកាត់បន្ថយការខាតបង់។អត្រាសិក្សា អត្រាបោះបង់ការសិក្សា និងប៉ារ៉ាម៉ែត្រលើសទម្ងន់នៃការកាត់បន្ថយទម្ងន់ត្រូវបានកែសម្រួលដោយប្រើការបង្កើនប្រសិទ្ធភាព Bayesian ជាមួយនឹង 2 ចំណុចចាប់ផ្តើមចៃដន្យ និង 10 ម្តងទៀត ហើយ AUC នៅលើសំណុំទិន្នន័យត្រូវបានកែសម្រួលដោយប្រើ hyperparameters ជាគោលដៅ 17 ។
ឧទាហរណ៍តំណាងនៃរូបភាព OCTA ទំហំ 8 × 8 មម នៃ plexuses capillary superficial ទទួលបានពិន្ទុ 2 (A, B), 1 (C, D) និង 0 (E, F)។វត្ថុបុរាណរូបភាពដែលបានបង្ហាញរួមមានបន្ទាត់ភ្លឹបភ្លែតៗ (ព្រួញ) វត្ថុបុរាណនៃការបែងចែក (សញ្ញាផ្កាយ) និងភាពស្រអាប់នៃប្រព័ន្ធផ្សព្វផ្សាយ (ព្រួញ)។រូបភាព (E) ក៏នៅចំកណ្តាលដែរ។
បន្ទាប់មកខ្សែកោងលក្ខណៈប្រតិបត្តិការអ្នកទទួល (ROC) ត្រូវបានបង្កើតសម្រាប់ម៉ូដែលបណ្តាញសរសៃប្រសាទទាំងអស់ ហើយរបាយការណ៍កម្លាំងសញ្ញាម៉ាស៊ីនត្រូវបានបង្កើតសម្រាប់ករណីប្រើប្រាស់ដែលមានគុណភាពទាប និងគុណភាពខ្ពស់នីមួយៗ។តំបន់នៅក្រោមខ្សែកោង (AUC) ត្រូវបានគណនាដោយប្រើកញ្ចប់ pROC R ហើយចន្លោះពេលទំនុកចិត្ត 95% និង p-values ​​ត្រូវបានគណនាដោយប្រើ DeLong method18,19។ពិន្ទុសរុបនៃអ្នកវាយតម្លៃមនុស្ស ត្រូវបានប្រើជាមូលដ្ឋានសម្រាប់ការគណនា ROC ទាំងអស់។សម្រាប់ភាពខ្លាំងនៃសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីន AUC ត្រូវបានគណនាពីរដង៖ ម្តងសម្រាប់ការកាត់ Scalability Score ដែលមានគុណភាពខ្ពស់ និងម្តងសម្រាប់ការកាត់ Scalability Score ដែលមានគុណភាពទាប។បណ្តាញសរសៃប្រសាទត្រូវបានប្រៀបធៀបទៅនឹងភាពខ្លាំងនៃសញ្ញា AUC ដែលឆ្លុះបញ្ចាំងពីលក្ខខណ្ឌនៃការបណ្តុះបណ្តាល និងការវាយតម្លៃផ្ទាល់ខ្លួនរបស់វា។
ដើម្បីសាកល្បងបន្ថែមទៀតនូវគំរូសិក្សាជ្រៅជ្រះដែលបានបណ្តុះបណ្តាលលើសំណុំទិន្នន័យដាច់ដោយឡែក គំរូដែលមានគុណភាពខ្ពស់ និងគុណភាពទាបត្រូវបានអនុវត្តដោយផ្ទាល់ចំពោះការវាយតម្លៃការអនុវត្តនៃរូបភាពផ្ទាំងផ្ទៃ 6\(\times\) 6mm ចំនួន 32 ដែលប្រមូលបានពីសាកលវិទ្យាល័យ Yale ។ម៉ាសភ្នែកស្ថិតនៅចំកណ្តាលក្នុងពេលតែមួយជាមួយរូបភាព 8 \(\times \) 8 ម។រូបភាព 6\(\×\) 6 mm ត្រូវបានវាយតម្លៃដោយដៃដោយអ្នកវាយតម្លៃដូចគ្នា (RD និង JW) ក្នុងលក្ខណៈដូចគ្នាទៅនឹងរូបភាព 8\(\×\) 8 mm AUC ត្រូវបានគណនាក៏ដូចជាភាពត្រឹមត្រូវ និង kappa របស់ Cohen .ស្មើគ្នា។
សមាមាត្រអតុល្យភាពថ្នាក់គឺ 158:189 (\(\rho = 1.19\)) សម្រាប់ម៉ូដែលដែលមានគុណភាពទាប និង 80:267 (\(\rho = 3.3\)) សម្រាប់ម៉ូដែលគុណភាពខ្ពស់។ដោយសារតែសមាមាត្រអតុល្យភាពថ្នាក់គឺតិចជាង 1:4 គ្មានការផ្លាស់ប្តូរស្ថាបត្យកម្មជាក់លាក់ណាមួយត្រូវបានធ្វើឡើងដើម្បីកែអតុល្យភាពថ្នាក់ 20,21។
ដើម្បីមើលឃើញដំណើរការសិក្សាកាន់តែប្រសើរឡើង ផែនទីធ្វើឱ្យសកម្មក្នុងថ្នាក់ត្រូវបានបង្កើតឡើងសម្រាប់គំរូសិក្សាស៊ីជម្រៅដែលបានបណ្តុះបណ្តាលទាំងបួន៖ ម៉ូដែល ResNet152 ដែលមានគុណភាពខ្ពស់ ម៉ូដែល ResNet152 ដែលមានគុណភាពទាប គំរូ AlexNet ដែលមានគុណភាពខ្ពស់ និងម៉ូដែល AlexNet ដែលមានគុណភាពទាប។ផែនទីធ្វើឱ្យសកម្មថ្នាក់ត្រូវបានបង្កើតចេញពីស្រទាប់ convolutional បញ្ចូលនៃម៉ូដែលទាំងបួននេះហើយផែនទីកំដៅត្រូវបានបង្កើតឡើងដោយការលាបលើផែនទីធ្វើឱ្យសកម្មជាមួយនឹងរូបភាពប្រភពពីសំណុំសុពលភាព 8 × 8 មម និង 6 × 6 មម 22, 23 ។
កំណែ R 4.0.3 ត្រូវបានប្រើសម្រាប់ការគណនាស្ថិតិទាំងអស់ ហើយការមើលឃើញត្រូវបានបង្កើតដោយប្រើបណ្ណាល័យឧបករណ៍ក្រាហ្វិក ggplot2 ។
យើងបានប្រមូលរូបភាពផ្នែកខាងមុខចំនួន 347 នៃ plexus capillary superficial plexus ដែលវាស់ 8 \(\times \)8 mm ពីមនុស្ស 134 នាក់។ម៉ាស៊ីនបានរាយការណ៍ពីភាពខ្លាំងនៃសញ្ញានៅលើមាត្រដ្ឋានពី 0 ទៅ 10 សម្រាប់រូបភាពទាំងអស់ (មធ្យម = 6.99 ± 2.29) ។ក្នុងចំណោមរូបភាព 347 ដែលទទួលបាន អាយុជាមធ្យមនៅពេលពិនិត្យគឺ 58.7 ± 14.6 ឆ្នាំ ហើយ 39.2% គឺជាបុរស។ក្នុងចំណោមរូបភាពទាំងអស់ 30.8% មកពីជនជាតិស្បែកស 32.6% មកពីជនជាតិស្បែកខ្មៅ 30.8% មកពីភាសាអេស្ប៉ាញ 4% មកពីអាស៊ី និង 1.7% មកពីពូជសាសន៍ផ្សេងទៀត (តារាងទី 1)។)ការចែកចាយអាយុរបស់អ្នកជំងឺដែលមាន OCTA មានភាពខុសប្លែកគ្នាយ៉ាងខ្លាំងអាស្រ័យលើគុណភាពនៃរូបភាព (p <0.001)។ភាគរយនៃរូបភាពដែលមានគុណភាពខ្ពស់ចំពោះអ្នកជំងឺវ័យក្មេងដែលមានអាយុពី 18-45 ឆ្នាំគឺ 33.8% បើប្រៀបធៀបទៅនឹង 12.2% នៃរូបភាពដែលមានគុណភាពទាប (តារាងទី 1)។ការចែកចាយនៃស្ថានភាពជំងឺទឹកនោមផ្អែម Retinopathy ក៏ប្រែប្រួលយ៉ាងខ្លាំងនៅក្នុងគុណភាពរូបភាព (p <0.017)។ក្នុងចំណោមរូបភាពដែលមានគុណភាពខ្ពស់ទាំងអស់ ភាគរយនៃអ្នកជំងឺដែលមាន PDR គឺ 18.8% បើប្រៀបធៀបទៅនឹង 38.8% នៃរូបភាពដែលមានគុណភាពទាបទាំងអស់ (តារាងទី 1)។
ការវាយតម្លៃបុគ្គលនៃរូបភាពទាំងអស់បានបង្ហាញពីភាពជឿជាក់រវាងកម្រិតមធ្យមទៅខ្លាំងរវាងអ្នកអានរូបភាព (Kappa ដែលមានទម្ងន់របស់ Cohen = 0.79, 95% CI: 0.76-0.82) ហើយមិនមានចំណុចរូបភាពដែលអ្នកវាយតម្លៃខុសគ្នាលើសពី 1 (រូបភព។ 2A)។.អាំងតង់ស៊ីតេនៃសញ្ញាបានជាប់ទាក់ទងគ្នាយ៉ាងខ្លាំងជាមួយនឹងការដាក់ពិន្ទុដោយដៃ (ទំនាក់ទំនងពេលផលិតផល Pearson = 0.58, 95% CI 0.51–0.65, p<0.001) ប៉ុន្តែរូបភាពជាច្រើនត្រូវបានគេកំណត់ថាមានអាំងតង់ស៊ីតេសញ្ញាខ្ពស់ ប៉ុន្តែការដាក់ពិន្ទុដោយដៃទាប (រូបភាព .2B)។
ក្នុងអំឡុងពេលនៃការបណ្តុះបណ្តាលនៃស្ថាបត្យកម្ម ResNet152 និង AlexNet ការបាត់បង់ឆ្លង entropy លើសុពលភាព និងការបណ្តុះបណ្តាលធ្លាក់ជាង 50 សម័យកាល (រូបភាព 3B,C)។ភាពត្រឹមត្រូវនៃសុពលភាពនៅក្នុងវគ្គបណ្តុះបណ្តាលចុងក្រោយគឺលើសពី 90% សម្រាប់ទាំងករណីប្រើប្រាស់គុណភាពខ្ពស់ និងគុណភាពទាប។
ខ្សែកោងការអនុវត្តអ្នកទទួលបង្ហាញថាម៉ូដែល ResNet152 ដំណើរការខ្លាំងជាងថាមពលសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីនទាំងក្នុងករណីប្រើប្រាស់ដែលមានគុណភាពខ្ពស់ និងទាប (p <0.001)។ម៉ូដែល ResNet152 ក៏ដំណើរការលើសពីស្ថាបត្យកម្ម AlexNet យ៉ាងខ្លាំង (p = 0.005 និង p = 0.014 សម្រាប់ករណីដែលមានគុណភាពទាប និងគុណភាពខ្ពស់រៀងគ្នា) ។គំរូលទ្ធផលសម្រាប់កិច្ចការនីមួយៗនេះអាចសម្រេចបានតម្លៃ AUC នៃ 0.99 និង 0.97 រៀងគ្នា ដែលល្អជាងតម្លៃ AUC ដែលត្រូវគ្នានៃ 0.82 និង 0.78 សម្រាប់សន្ទស្សន៍កម្លាំងសញ្ញាម៉ាស៊ីន ឬ 0.97 និង 0.94 សម្រាប់ AlexNet ..(រូបទី 3) ។ភាពខុសគ្នារវាង ResNet និង AUC ក្នុងភាពខ្លាំងនៃសញ្ញាគឺខ្ពស់ជាងនៅពេលដែលទទួលស្គាល់រូបភាពដែលមានគុណភាពខ្ពស់ ដែលបង្ហាញពីអត្ថប្រយោជន៍បន្ថែមនៃការប្រើប្រាស់ ResNet សម្រាប់កិច្ចការនេះ។
ក្រាហ្វបង្ហាញពីសមត្ថភាពរបស់អ្នកវាយតម្លៃឯករាជ្យនីមួយៗក្នុងការដាក់ពិន្ទុ និងប្រៀបធៀបជាមួយនឹងកម្លាំងសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីន។(ក) ផលបូកនៃចំណុចដែលត្រូវវាយតម្លៃគឺត្រូវប្រើដើម្បីបង្កើតចំនួនសរុបនៃពិន្ទុដែលត្រូវវាយតម្លៃ។រូបភាពដែលមានពិន្ទុធ្វើមាត្រដ្ឋានសរុប 4 ត្រូវបានផ្តល់គុណភាពខ្ពស់ ខណៈពេលដែលរូបភាពដែលមានពិន្ទុធ្វើមាត្រដ្ឋានសរុប 1 ឬតិចជាងនេះ ត្រូវបានផ្តល់គុណភាពទាប។(ខ) អាំងតង់ស៊ីតេសញ្ញាទាក់ទងនឹងការប៉ាន់ស្មានដោយដៃ ប៉ុន្តែរូបភាពដែលមានអាំងតង់ស៊ីតេសញ្ញាខ្ពស់អាចមានគុណភាពអន់ជាង។បន្ទាត់ចំនុចពណ៌ក្រហមបង្ហាញពីកម្រិតគុណភាពដែលបានណែនាំរបស់អ្នកផលិតដោយផ្អែកលើកម្លាំងសញ្ញា (កម្លាំងសញ្ញា \(\ge\)6) ។
ការរៀនផ្ទេរ ResNet ផ្តល់នូវការកែលម្អយ៉ាងសំខាន់ក្នុងការកំណត់អត្តសញ្ញាណគុណភាពរូបភាពសម្រាប់ទាំងករណីប្រើប្រាស់គុណភាពទាប និងគុណភាពខ្ពស់ បើប្រៀបធៀបទៅនឹងកម្រិតសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីន។(ក) ដ្យាក្រាមស្ថាបត្យកម្មសាមញ្ញនៃស្ថាបត្យកម្មដែលបានបណ្តុះបណ្តាលមុន (i) ResNet152 និង (ii) ស្ថាបត្យកម្ម AlexNet ។(ខ) ប្រវត្តិនៃការបណ្តុះបណ្តាល និងខ្សែកោងការអនុវត្តអ្នកទទួលសម្រាប់ ResNet152 បើប្រៀបធៀបទៅនឹងកម្លាំងសញ្ញាដែលបានរាយការណ៍របស់ម៉ាស៊ីន និងលក្ខណៈវិនិច្ឆ័យគុណភាពទាបរបស់ AlexNet ។(C) ប្រវត្តិនៃការបណ្តុះបណ្តាលអ្នកទទួល ResNet152 និងខ្សែកោងដំណើរការបើប្រៀបធៀបទៅនឹងកម្លាំងសញ្ញាដែលបានរាយការណ៍របស់ម៉ាស៊ីន និងលក្ខណៈវិនិច្ឆ័យគុណភាពខ្ពស់ AlexNet ។
បន្ទាប់ពីកែតម្រូវកម្រិតកំណត់ព្រំដែននៃការសម្រេចចិត្ត ភាពត្រឹមត្រូវនៃការព្យាករណ៍អតិបរមានៃម៉ូដែល ResNet152 គឺ 95.3% សម្រាប់ករណីដែលមានគុណភាពទាប និង 93.5% សម្រាប់ករណីគុណភាពខ្ពស់ (តារាង 2)។ភាពត្រឹមត្រូវនៃការព្យាករណ៍អតិបរមានៃម៉ូដែល AlexNet គឺ 91.0% សម្រាប់ករណីដែលមានគុណភាពទាប និង 90.1% សម្រាប់ករណីគុណភាពខ្ពស់ (តារាង 2)។ភាពត្រឹមត្រូវនៃការព្យាករណ៍កម្លាំងសញ្ញាអតិបរមាគឺ 76.1% សម្រាប់ករណីប្រើប្រាស់ដែលមានគុណភាពទាប និង 77.8% សម្រាប់ករណីប្រើប្រាស់គុណភាពខ្ពស់។យោងតាម ​​kappa របស់ Cohen (\(\kappa\)) កិច្ចព្រមព្រៀងរវាងម៉ូដែល ResNet152 និងអ្នកប៉ាន់ស្មានគឺ 0.90 សម្រាប់ករណីដែលមានគុណភាពទាប និង 0.81 សម្រាប់ករណីគុណភាពខ្ពស់។AlexNet kappa របស់ Cohen គឺ 0.82 និង 0.71 សម្រាប់ករណីប្រើប្រាស់ដែលមានគុណភាពទាប និងគុណភាពខ្ពស់រៀងគ្នា។កម្លាំងសញ្ញារបស់ Cohen kappa គឺ 0.52 និង 0.27 សម្រាប់ករណីប្រើប្រាស់ទាប និងគុណភាពខ្ពស់រៀងគ្នា។
សុពលភាពនៃគំរូទទួលស្គាល់គុណភាពខ្ពស់ និងទាបនៅលើរូបភាព 6\(\x\) នៃចានរាងសំប៉ែត 6 មីលីម៉ែត្រ បង្ហាញពីសមត្ថភាពរបស់គំរូដែលបានបណ្តុះបណ្តាលដើម្បីកំណត់គុណភាពរូបភាពតាមប៉ារ៉ាម៉ែត្ររូបភាពផ្សេងៗ។នៅពេលប្រើបន្ទះរាក់ 6 មិល្លីម៉ែត្រសម្រាប់គុណភាពរូបភាព ម៉ូដែលដែលមានគុណភាពទាបមាន AUC នៃ 0.83 (95% CI: 0.69–0.98) ហើយម៉ូដែលដែលមានគុណភាពខ្ពស់មាន AUC នៃ 0.85 ។(95% CI: 0.55–1.00) (តារាង 2) ។
ការត្រួតពិនិត្យដោយមើលឃើញនៃផែនទីធ្វើឱ្យសកម្មស្រទាប់បញ្ចូលបានបង្ហាញថាបណ្តាញសរសៃប្រសាទដែលបានបណ្តុះបណ្តាលទាំងអស់បានប្រើលក្ខណៈពិសេសរូបភាពក្នុងអំឡុងពេលចំណាត់ថ្នាក់រូបភាព (រូបភាព 4A, B) ។សម្រាប់រូបភាព 8 \(\times \) 8 mm និង 6 \(\times \) 6 mm រូបភាពសកម្មភាព ResNet តាមដានយ៉ាងជិតស្និតទៅនឹងសរសៃឈាមរបស់ភ្នែក។ផែនទីធ្វើឱ្យសកម្មរបស់ AlexNet ក៏ដើរតាមនាវានៃកែវភ្នែកដែរ ប៉ុន្តែជាមួយនឹងដំណោះស្រាយកាន់តែចង្អៀត។
ផែនទីធ្វើឱ្យសកម្មថ្នាក់សម្រាប់ម៉ូដែល ResNet152 និង AlexNet រំលេចលក្ខណៈពិសេសទាក់ទងនឹងគុណភាពរូបភាព។(ក) ផែនទីធ្វើឱ្យសកម្មថ្នាក់បង្ហាញការធ្វើឱ្យសកម្មជាប់គ្នាបន្ទាប់ពីសរសៃឈាមវ៉ែនតានត្របកភ្នែកលើ 8 \(\times \) រូបភាពសុពលភាព 8 ម.គំរូ LQ ត្រូវបានបណ្តុះបណ្តាលលើលក្ខណៈវិនិច្ឆ័យគុណភាពទាប គំរូ HQ ដែលត្រូវបានបណ្តុះបណ្តាលលើលក្ខណៈវិនិច្ឆ័យគុណភាពខ្ពស់។
វាត្រូវបានបង្ហាញថាគុណភាពរូបភាពអាចប៉ះពាល់ដល់បរិមាណនៃរូបភាព OCTA យ៉ាងខ្លាំង។លើសពីនេះទៀតវត្តមាននៃជំងឺភ្នែកឡើងបាយបង្កើនអត្រានៃវត្ថុបុរាណនៃរូបភាព 7,26 ។ជាការពិត នៅក្នុងទិន្នន័យរបស់យើង ស្របជាមួយនឹងការសិក្សាពីមុន យើងបានរកឃើញទំនាក់ទំនងយ៉ាងសំខាន់រវាងការកើនឡើងនៃអាយុ និងភាពធ្ងន់ធ្ងរនៃជំងឺភ្នែកឡើងបាយ និងការចុះខ្សោយនៃគុណភាពរូបភាព (p < 0.001, p = 0.017 សម្រាប់អាយុ និងស្ថានភាព DR រៀងគ្នា តារាងទី 1) 27 ដូច្នេះ វាមានសារៈសំខាន់ណាស់ក្នុងការវាយតម្លៃគុណភាពរូបភាព មុនពេលធ្វើការវិភាគបរិមាណនៃរូបភាព OCTA ។ការសិក្សាភាគច្រើនដែលវិភាគរូបភាព OCTA ប្រើកម្រិតអាំងតង់ស៊ីតេនៃសញ្ញាដែលរាយការណ៍ដោយម៉ាស៊ីន ដើម្បីគ្រប់គ្រងរូបភាពដែលមានគុណភាពទាប។ទោះបីជាអាំងតង់ស៊ីតេនៃសញ្ញាត្រូវបានបង្ហាញថាប៉ះពាល់ដល់បរិមាណនៃប៉ារ៉ាម៉ែត្រ OCTA ក៏ដោយ អាំងតង់ស៊ីតេសញ្ញាខ្ពស់តែម្នាក់ឯងប្រហែលជាមិនគ្រប់គ្រាន់ដើម្បីបដិសេធរូបភាពដែលមានវត្ថុបុរាណរូបភាព2,3,28,29។ដូច្នេះហើយ ចាំបាច់ត្រូវបង្កើតវិធីសាស្រ្តដែលអាចទុកចិត្តបានបន្ថែមទៀតនៃការត្រួតពិនិត្យគុណភាពរូបភាព។ដល់ទីបញ្ចប់នេះ យើងវាយតម្លៃការអនុវត្តវិធីសាស្ត្រសិក្សាជ្រៅជ្រះដែលមានការត្រួតពិនិត្យប្រឆាំងនឹងភាពខ្លាំងនៃសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីន។
យើងបានបង្កើតគំរូជាច្រើនសម្រាប់ការវាយតម្លៃគុណភាពរូបភាព ពីព្រោះករណីប្រើប្រាស់ OCTA ផ្សេងៗគ្នាអាចមានតម្រូវការគុណភាពរូបភាពខុសៗគ្នា។ឧទាហរណ៍ រូបភាពគួរតែមានគុណភាពខ្ពស់ជាង។លើសពីនេះទៀតប៉ារ៉ាម៉ែត្របរិមាណជាក់លាក់នៃការចាប់អារម្មណ៍ក៏សំខាន់ផងដែរ។ឧទាហរណ៍ តំបន់នៃ foveal avascular zone មិនអាស្រ័យលើភាពច្របូកច្របល់នៃមជ្ឈដ្ឋានដែលមិនមែនជាកណ្តាលនោះទេប៉ុន្តែប៉ះពាល់ដល់ដង់ស៊ីតេនៃនាវា។ខណៈពេលដែលការស្រាវជ្រាវរបស់យើងបន្តផ្តោតលើវិធីសាស្រ្តទូទៅចំពោះគុណភាពរូបភាព ដែលមិនភ្ជាប់ទៅនឹងតម្រូវការនៃការធ្វើតេស្តជាក់លាក់ណាមួយនោះទេ ប៉ុន្តែមានបំណងជំនួសដោយផ្ទាល់នូវភាពខ្លាំងនៃសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីននោះ យើងសង្ឃឹមថានឹងផ្តល់ឱ្យអ្នកប្រើប្រាស់នូវកម្រិតនៃការគ្រប់គ្រងកាន់តែច្រើនដើម្បីឱ្យពួកគេ អាចជ្រើសរើសរង្វាស់ជាក់លាក់នៃចំណាប់អារម្មណ៍ចំពោះអ្នកប្រើប្រាស់។ជ្រើសរើសម៉ូដែលដែលត្រូវនឹងកម្រិតអតិបរមានៃវត្ថុបុរាណរូបភាពដែលចាត់ទុកថាអាចទទួលយកបាន។
សម្រាប់ឈុតដែលមានគុណភាពខ្ពស់ និងគុណភាពទាប យើងបង្ហាញពីដំណើរការដ៏ល្អឥតខ្ចោះនៃបណ្តាញសរសៃប្រសាទស៊ីជម្រៅដែលបាត់បង់ការតភ្ជាប់ជាមួយនឹង AUCs នៃ 0.97 និង 0.99 និងម៉ូដែលដែលមានគុណភាពទាបរៀងៗខ្លួន។យើងក៏បង្ហាញពីការអនុវត្តដ៏ប្រសើរនៃវិធីសាស្រ្តសិក្សាជ្រៅរបស់យើងផងដែរ បើប្រៀបធៀបទៅនឹងកម្រិតសញ្ញាដែលបានរាយការណ៍ដោយម៉ាស៊ីនតែប៉ុណ្ណោះ។រំលង​ការ​តភ្ជាប់​អនុញ្ញាត​ឱ្យ​បណ្តាញ​ប្រសាទ​រៀន​ពី​លក្ខណៈ​ពិសេស​នៅ​កម្រិត​ច្រើន​នៃ​ភាព​លម្អិត ចាប់​យក​ទិដ្ឋភាព​ល្អ​ជាង​នេះ​នៃ​រូបភាព (ឧ. កម្រិតពណ៌) ព្រម​ទាំង​លក្ខណៈ​ទូទៅ (ឧ. ការ​ដាក់​កណ្ដាល​រូបភាព ៣០,៣១)។ដោយសារវត្ថុបុរាណរូបភាពដែលប៉ះពាល់ដល់គុណភាពរូបភាពប្រហែលជាត្រូវបានកំណត់អត្តសញ្ញាណបានល្អបំផុតលើជួរដ៏ធំទូលាយនោះ ស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទដែលមានការភ្ជាប់ដែលបាត់អាចបង្ហាញលទ្ធផលល្អប្រសើរជាងវត្ថុដែលមិនមានភារកិច្ចកំណត់គុណភាពរូបភាព។
នៅពេលសាកល្បងម៉ូដែលរបស់យើងនៅលើរូបភាព OCTA 6\(\×6mm) យើងបានកត់សម្គាល់ការថយចុះនៃដំណើរការចាត់ថ្នាក់សម្រាប់ទាំងម៉ូដែលគុណភាពខ្ពស់ និងគុណភាពទាប (រូបភាពទី 2) ផ្ទុយពីទំហំនៃគំរូដែលត្រូវបានបណ្តុះបណ្តាលសម្រាប់ការចាត់ថ្នាក់។បើប្រៀបធៀបទៅនឹងម៉ូដែល ResNet ម៉ូដែល AlexNet មានការដួលរលំធំជាង។ដំណើរការល្អជាងរបស់ ResNet ប្រហែលជាដោយសារតែសមត្ថភាពនៃការតភ្ជាប់សំណល់ដើម្បីបញ្ជូនព័ត៌មានក្នុងមាត្រដ្ឋានជាច្រើន ដែលធ្វើឱ្យគំរូកាន់តែរឹងមាំសម្រាប់ការចាត់ថ្នាក់រូបភាពដែលចាប់យកតាមមាត្រដ្ឋាន និង/ឬការពង្រីកផ្សេងៗ។
ភាពខុសគ្នាមួយចំនួនរវាងរូបភាព 8 \(\×\) 8 mm និង 6 \(\×\) រូបភាព 6 mm អាចនាំឱ្យមានការចាត់ថ្នាក់មិនល្អ រួមទាំងសមាមាត្រខ្ពស់នៃរូបភាពដែលមានផ្ទៃ foveal avascular ការផ្លាស់ប្តូរនៅក្នុងភាពមើលឃើញ កន្លែងសរសៃឈាម និង មិនមានសរសៃប្រសាទអុបទិកនៅលើរូបភាព 6 × 6 ម។ទោះបីជាយ៉ាងណាក៏ដោយ ម៉ូដែល ResNet ដែលមានគុណភាពខ្ពស់របស់យើងអាចសម្រេចបាន AUC នៃ 85% សម្រាប់រូបភាព 6 \(\x\) 6 mm ដែលជាការកំណត់រចនាសម្ព័ន្ធដែលគំរូមិនត្រូវបានបណ្តុះបណ្តាល ដែលបង្ហាញថាព័ត៌មានគុណភាពរូបភាពដែលបានអ៊ិនកូដនៅក្នុងបណ្តាញសរសៃប្រសាទ គឺសមរម្យ។សម្រាប់ទំហំរូបភាពមួយ ឬការកំណត់ម៉ាស៊ីននៅខាងក្រៅការបណ្តុះបណ្តាលរបស់វា (តារាងទី 2)។ដោយមានការធានាឡើងវិញ ផែនទីធ្វើឱ្យសកម្មដូច ResNet និង AlexNet នៃ 8 \(\times \) 8 mm និង 6 \(\times \) រូបភាព 6 mm អាចបន្លិចនាវាភ្នែកនៅក្នុងករណីទាំងពីរ ដោយបង្ហាញថាគំរូមានព័ត៌មានសំខាន់ៗ។អាចអនុវត្តបានសម្រាប់ការបែងចែកប្រភេទទាំងពីរនៃរូបភាព OCTA (រូបភាពទី 4)។
Lauerman et al ។ការវាយតម្លៃគុណភាពរូបភាពនៅលើរូបភាព OCTA ត្រូវបានអនុវត្តស្រដៀងគ្នាដោយប្រើស្ថាបត្យកម្ម Inception ដែលជាបណ្តាញសរសៃប្រសាទ convolutional convolutional 6,32 មួយផ្សេងទៀតដោយប្រើបច្ចេកទេសសិក្សាជ្រៅ។ពួកគេក៏បានកំណត់ការសិក្សាទៅលើរូបភាពនៃ plexus capillary superficial ប៉ុន្តែប្រើតែរូបភាពតូចជាង 3×3 mm ពី Optovue AngioVue ទោះបីជាអ្នកជំងឺដែលមានជំងឺ chorioretinal ផ្សេងៗក៏ត្រូវបានរួមបញ្ចូលផងដែរ។ការងាររបស់យើងបង្កើតនៅលើមូលដ្ឋានរបស់ពួកគេ រួមទាំងគំរូជាច្រើន ដើម្បីដោះស្រាយកម្រិតគុណភាពរូបភាពផ្សេងៗ និងធ្វើឱ្យលទ្ធផលមានសុពលភាពសម្រាប់រូបភាពដែលមានទំហំខុសៗគ្នា។យើងក៏រាយការណ៍ផងដែរអំពីម៉ែត្រ AUC នៃម៉ូដែលរៀនម៉ាស៊ីន និងបង្កើនភាពត្រឹមត្រូវគួរឱ្យចាប់អារម្មណ៍ (90%)6 សម្រាប់ទាំងគុណភាពទាប (96%) និងគុណភាពខ្ពស់ (95.7%) ម៉ូដែល6។
ការបណ្តុះបណ្តាលនេះមានដែនកំណត់មួយចំនួន។ដំបូង រូបភាពទាំងនោះត្រូវបានទទួលដោយប្រើម៉ាស៊ីន OCTA តែមួយប៉ុណ្ណោះ រួមទាំងរូបភាពនៃស្រទាប់ខាងក្នុងនៃសរសៃពួរដែលមានទំហំ 8\(\times\)8 mm និង 6\(\times\)6 mm។ហេតុផលសម្រាប់ការមិនរាប់បញ្ចូលរូបភាពពីស្រទាប់កាន់តែជ្រៅគឺថា វត្ថុបុរាណនៃការព្យាករអាចធ្វើឱ្យការវាយតម្លៃដោយដៃនៃរូបភាពកាន់តែពិបាក និងប្រហែលជាមិនសូវស្របគ្នា។លើសពីនេះ រូបភាពត្រូវបានគេទទួលបានតែចំពោះអ្នកជំងឺទឹកនោមផ្អែមប៉ុណ្ណោះ ដែល OCTA កំពុងលេចចេញជាឧបករណ៍វិនិច្ឆ័យ និងព្យាករណ៍ដ៏សំខាន់ 33,34 ។ទោះបីជាយើងអាចសាកល្បងគំរូរបស់យើងលើរូបភាពដែលមានទំហំខុសៗគ្នា ដើម្បីធានាថាលទ្ធផលមានភាពរឹងមាំក៏ដោយ ក៏យើងមិនអាចកំណត់អត្តសញ្ញាណសំណុំទិន្នន័យសមរម្យពីមជ្ឈមណ្ឌលផ្សេងៗគ្នា ដែលកំណត់ការវាយតម្លៃរបស់យើងអំពីលទ្ធភាពទូទៅនៃគំរូនោះទេ។ទោះបីជារូបភាពទាំងនោះទទួលបានពីមជ្ឈមណ្ឌលតែមួយក៏ដោយ ប៉ុន្តែពួកគេទទួលបានពីអ្នកជំងឺដែលមានប្រវត្តិជនជាតិ និងពូជសាសន៍ផ្សេងៗគ្នា ដែលជាកម្លាំងពិសេសនៃការសិក្សារបស់យើង។តាមរយៈការរួមបញ្ចូលភាពចម្រុះនៅក្នុងដំណើរការបណ្តុះបណ្តាលរបស់យើង យើងសង្ឃឹមថាលទ្ធផលរបស់យើងនឹងត្រូវបានបង្ហាញជាទូទៅក្នុងន័យទូលំទូលាយ ហើយថាយើងនឹងជៀសវាងការសរសេរកូដលំអៀងពូជសាសន៍នៅក្នុងគំរូដែលយើងបណ្តុះបណ្តាល។
ការសិក្សារបស់យើងបង្ហាញថាការតភ្ជាប់-រំលងបណ្តាញសរសៃប្រសាទអាចត្រូវបានបណ្តុះបណ្តាលដើម្បីសម្រេចបាននូវការអនុវត្តខ្ពស់ក្នុងការកំណត់គុណភាពរូបភាព OCTA ។យើងផ្តល់គំរូទាំងនេះជាឧបករណ៍សម្រាប់ការស្រាវជ្រាវបន្ថែម។ដោយសារតែម៉ែត្រផ្សេងគ្នាអាចមានតម្រូវការគុណភាពរូបភាពផ្សេងគ្នា គំរូត្រួតពិនិត្យគុណភាពបុគ្គលអាចត្រូវបានបង្កើតឡើងសម្រាប់ម៉ែត្រនីមួយៗដោយប្រើរចនាសម្ព័ន្ធដែលបានបង្កើតឡើងនៅទីនេះ។
ការស្រាវជ្រាវនាពេលអនាគតគួរតែរួមបញ្ចូលរូបភាពដែលមានទំហំខុសៗគ្នាពីជម្រៅខុសៗគ្នា និងម៉ាស៊ីន OCTA ផ្សេងៗគ្នា ដើម្បីទទួលបានដំណើរការវាយតម្លៃគុណភាពរូបភាពដែលសិក្សាយ៉ាងស៊ីជម្រៅ ដែលអាចមានលក្ខណៈទូទៅសម្រាប់វេទិកា OCTA និងពិធីការរូបភាព។ការស្រាវជ្រាវបច្ចុប្បន្នក៏ផ្អែកលើវិធីសាស្រ្តសិក្សាស៊ីជម្រៅដែលត្រូវបានត្រួតពិនិត្យ ដែលតម្រូវឱ្យមានការវាយតម្លៃរបស់មនុស្ស និងការវាយតម្លៃរូបភាព ដែលអាចប្រើកម្លាំងពលកម្មច្រើន និងចំណាយពេលច្រើនសម្រាប់សំណុំទិន្នន័យធំ។វានៅតែត្រូវមើលថាតើវិធីសាស្ត្រសិក្សាស៊ីជម្រៅដែលមិនមានការត្រួតពិនិត្យអាចបែងចែកបានគ្រប់គ្រាន់រវាងរូបភាពដែលមានគុណភាពទាប និងរូបភាពគុណភាពខ្ពស់ដែរឬទេ។
ដោយសារបច្ចេកវិទ្យា OCTA បន្តវិវឌ្ឍ ហើយល្បឿនស្កេនកើនឡើង ឧប្បត្តិហេតុនៃរូបភាពវត្ថុបុរាណ និងរូបភាពដែលមានគុណភាពអន់អាចនឹងថយចុះ។ការកែលម្អនៅក្នុងកម្មវិធី ដូចជាមុខងារដកចេញវត្ថុបុរាណនៃការព្យាករណ៍ដែលបានណែនាំថ្មីៗនេះ ក៏អាចកាត់បន្ថយដែនកំណត់ទាំងនេះផងដែរ។ទោះយ៉ាងណាក៏ដោយ បញ្ហាជាច្រើននៅតែជារូបភាពនៃអ្នកជំងឺដែលមានការជួសជុលមិនល្អ ឬភាពច្របូកច្របល់នៃប្រព័ន្ធផ្សព្វផ្សាយសំខាន់ៗ ដែលបណ្តាលឱ្យមានវត្ថុបុរាណជារូបភាព។នៅពេលដែល OCTA កាន់តែត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងការសាកល្បងព្យាបាល ការពិចារណាដោយប្រុងប្រយ័ត្នគឺចាំបាច់ដើម្បីបង្កើតគោលការណ៍ណែនាំច្បាស់លាស់សម្រាប់កម្រិតវត្ថុបុរាណរូបភាពដែលអាចទទួលយកបានសម្រាប់ការវិភាគរូបភាព។ការអនុវត្តវិធីសាស្រ្តសិក្សាយ៉ាងស៊ីជម្រៅចំពោះរូបភាព OCTA មានការសន្យាដ៏អស្ចារ្យ ហើយការស្រាវជ្រាវបន្ថែមគឺចាំបាច់នៅក្នុងតំបន់នេះ ដើម្បីបង្កើតវិធីសាស្រ្តដ៏រឹងមាំមួយចំពោះការគ្រប់គ្រងគុណភាពរូបភាព។
លេខកូដដែលប្រើក្នុងការស្រាវជ្រាវបច្ចុប្បន្នមាននៅក្នុងឃ្លាំង octa-qc https://github.com/rahuldhodapkar/octa-qc ។សំណុំទិន្នន័យដែលបានបង្កើត និង/ឬវិភាគក្នុងអំឡុងពេលសិក្សាបច្ចុប្បន្នអាចរកបានពីអ្នកនិពន្ធរៀងៗខ្លួនតាមការស្នើសុំសមហេតុផល។
Spaide, RF, Fujimoto, JG & Waheed, NK Image artifacts in optical coherence angiography.រីទីណា 35, 2163–2180 (2015) ។
Fenner, BJ et al ។ការកំណត់អត្តសញ្ញាណលក្ខណៈនៃរូបភាពដែលកំណត់គុណភាព និងលទ្ធភាពផលិតឡើងវិញនៃការវាស់វែងដង់ស៊ីតេនៃសរសៃ capillary plexus នៅក្នុង OCT ​​angiography ។BR.J. Ophthalmol ។102, 509–514 (2018)។
Lauerman, JL et al ។ឥទ្ធិពលនៃបច្ចេកវិទ្យាតាមដានភ្នែកលើគុណភាពរូបភាពនៃ OCT angiography ក្នុងជំងឺភ្នែកឡើងបាយដែលទាក់ទងនឹងអាយុ។ផ្នូរ។គ្លីនិក។Exp.រោគភ្នែក។255, 1535–1542 (2017)។
Babyuch AS et al ។រង្វាស់ដង់ស៊ីតេនៃ OCTA capillary perfusion ត្រូវបានប្រើដើម្បីរកមើល និងវាយតម្លៃជំងឺ macular ischemia ។ការវះកាត់ភ្នែក។ការថតរូបភាពឡាស៊ែរ Retinal 51, S30–S36 (2020)។
He, K., Zhang, X., Ren, S., and Sun, J. Deep Residual Learning សម្រាប់ការទទួលស្គាល់រូបភាព។នៅឆ្នាំ 2016 នៅឯសន្និសីទ IEEE ស្តីពីចក្ខុវិស័យកុំព្យូទ័រ និងការទទួលស្គាល់លំនាំ (2016) ។
Lauerman, JL et al ។ការវាយតម្លៃគុណភាពរូបភាព OCT angiographic ដោយស្វ័យប្រវត្តិដោយប្រើក្បួនដោះស្រាយការរៀនសូត្រជ្រៅ។ផ្នូរ។គ្លីនិក។Exp.រោគភ្នែក។២៥៧, ១៦៤១–១៦៤៨ (ឆ្នាំ ២០១៩)។
Lauermann, J. et al ។ប្រេវ៉ាឡង់នៃកំហុសនៃការបែងចែក និងវត្ថុបុរាណនៃចលនានៅក្នុង OCT ​​angiography អាស្រ័យលើជំងឺនៃរីទីណា។ផ្នូរ។គ្លីនិក។Exp.រោគភ្នែក។256, 1807–1816 (2018)។
Pask, Adam et al ។Pytorg៖ បណ្ណាល័យសិក្សាជ្រៅដែលមានប្រសិទ្ធភាពខ្ពស់ និងចាំបាច់។ដំណើរការកម្រិតខ្ពស់នៃព័ត៌មានសរសៃប្រសាទ។ប្រព័ន្ធ។32, 8026–8037 (ឆ្នាំ 2019)។
Deng, J. et al ។ImageNet៖ មូលដ្ឋានទិន្នន័យរូបភាពឋានានុក្រមខ្នាតធំ។សន្និសីទ IEEE ឆ្នាំ 2009 ស្តីពីចក្ខុវិស័យកុំព្យូទ័រ និងការទទួលស្គាល់លំនាំ។២៤៨–២៥៥។(២០០៩)។
ការចាត់ថ្នាក់ Krizhevsky A., Sutzkever I. និង Hinton GE Imagenet ដោយប្រើបណ្តាញសរសៃប្រសាទស៊ីជម្រៅ។ដំណើរការកម្រិតខ្ពស់នៃព័ត៌មានសរសៃប្រសាទ។ប្រព័ន្ធ។25, 1 (2012) ។