Nature.com ကိုလာရောက်လည်ပတ်သည့်အတွက် ကျေးဇူးတင်ပါသည်။သင်သည် အကန့်အသတ်ရှိသော CSS ပံ့ပိုးမှုဖြင့် ဘရောက်ဆာဗားရှင်းကို အသုံးပြုနေပါသည်။အကောင်းဆုံးအတွေ့အကြုံအတွက်၊ အပ်ဒိတ်လုပ်ထားသောဘရောက်ဆာ (သို့မဟုတ် Internet Explorer တွင် လိုက်ဖက်ညီသောမုဒ်ကိုပိတ်ပါ) ကိုအသုံးပြုရန် ကျွန်ုပ်တို့အကြံပြုအပ်ပါသည်။ထို့အပြင်၊ ဆက်လက်ပံ့ပိုးမှုသေချာစေရန်၊ ပုံစံများနှင့် JavaScript မပါဘဲ ဝဘ်ဆိုက်ကို ပြသပါသည်။
ဆလိုက်တစ်ခုလျှင် ဆောင်းပါးသုံးပုဒ်ကို ပြသသည့် ဆလိုက်ဒါများ။ဆလိုက်များတစ်လျှောက် ရွှေ့ရန် နောက်ဘက်နှင့် နောက်ခလုတ်များကို အသုံးပြုပါ သို့မဟုတ် ဆလိုက်တစ်ခုစီကို ရွှေ့ရန် အဆုံးရှိ ဆလိုက်ထိန်းချုပ်မှုခလုတ်များကို အသုံးပြုပါ။
Optical coherence tomographic angiography (OCTA) သည် မြင်လွှာသွေးကြောများကို ထိုးဖောက်မြင်ယောင်ခြင်းမဟုတ်သော နည်းလမ်းသစ်တစ်ခုဖြစ်သည်။OCTA တွင် အလားအလာရှိသော ဆေးဘက်ဆိုင်ရာ အသုံးချပရိုဂရမ်များစွာရှိသော်လည်း ရုပ်ပုံအရည်အသွေးကို ဆုံးဖြတ်ခြင်းသည် စိန်ခေါ်မှုတစ်ခုအဖြစ် ရှိနေသေးသည်။ကျွန်ုပ်တို့သည် လူနာ 134 ဦး၏ စကင်န်ဖတ်မှု 347 ခုမှ အပေါ်ယံသွေးကြောမျှင်အကြောအကြောမျှင်ရုပ်ပုံများကို အမျိုးအစားခွဲခြားရန် ResNet152 အာရုံကြောကွန်ရက်အမျိုးအစားခွဲခြားမှုကို အသုံးပြု၍ နက်ရှိုင်းသောသင်ယူမှုအခြေခံစနစ်ကို တီထွင်ခဲ့သည်။ကြီးကြပ်သင်ကြားမှုပုံစံအတွက် လွတ်လပ်သော အဆင့်သတ်မှတ်ပေးသူနှစ်ဦးမှလည်း ရုပ်ပုံများကို စစ်မှန်သော အမှန်တရားအဖြစ် ကိုယ်တိုင်အကဲဖြတ်ခဲ့ပါသည်။ဓါတ်ပုံအရည်အသွေး လိုအပ်ချက်များသည် ဆေးခန်း သို့မဟုတ် သုတေသနဆက်တင်များပေါ်မူတည်၍ ကွဲပြားနိုင်သောကြောင့် မော်ဒယ်နှစ်ခု၊ အရည်အသွေးမြင့် ရုပ်ပုံမှတ်မိခြင်းအတွက် နှင့် အခြားအရည်အသွေးနိမ့်ရုပ်ပုံအသိအမှတ်ပြုမှုအတွက် လေ့ကျင့်သင်ကြားထားပါသည်။ကျွန်ုပ်တို့၏ အာရုံကြောကွန်ရက်မော်ဒယ်သည် မျဉ်းကွေး (AUC) အောက်တွင် ကောင်းမွန်သော ဧရိယာကို ပြသသည်)၊ 95% CI 0.96-0.99၊ \(\kappa\) = 0.81)၊ ၎င်းသည် စက်မှဖော်ပြသော အချက်ပြအဆင့်ထက် သိသိသာသာ ကောင်းမွန်သည် (AUC = 0.82၊ 95 %CI)။0.77–0.86၊ \(\kappa\) = 0.52 နှင့် AUC = 0.78၊ 95% CI 0.73–0.83၊ \(\kappa\) = 0.27 အသီးသီး)။ကျွန်ုပ်တို့၏လေ့လာမှုသည် OCTA ရုပ်ပုံများအတွက် ပြောင်းလွယ်ပြင်လွယ်နှင့် ကြံ့ခိုင်သော အရည်အသွေးထိန်းချုပ်မှုနည်းလမ်းများကို ဖော်ထုတ်ရန်အတွက် စက်သင်ယူမှုနည်းလမ်းများကို အသုံးပြုနိုင်ကြောင်း သရုပ်ပြပါသည်။
Optical coherence tomographic angiography (OCTA) သည် အမြင်အာရုံဆိုင်ရာ သေးငယ်သော သွေးကြောချဲ့ခြင်းအတွက် အသုံးပြုနိုင်သော optical coherence tomography (OCT) ကို အခြေခံထားသော အတော်လေးသစ်သော နည်းပညာတစ်ခုဖြစ်သည်။OCTA သည် မြင်လွှာ၏တူညီသောဧရိယာရှိ ထပ်ခါတလဲလဲ အလင်းပဲမျိုးစုံမှ ရောင်ပြန်ဟပ်မှုပုံစံများ ကွာခြားချက်ကို တိုင်းတာပြီး ပြန်လည်တည်ဆောက်မှုများကို ဆိုးဆေး သို့မဟုတ် အခြားဆန့်ကျင်ဘက်အသုံးမပြုဘဲ သွေးကြောများကို ဖော်ထုတ်ရန် တွက်ချက်နိုင်သည်။OCTA သည် နက်ရှိုင်းသော ကြည်လင်ပြတ်သားသည့် သွေးကြောပုံရိပ်ဖော်ခြင်းကိုလည်း ပံ့ပိုးပေးသည်၊၊ ဆေးခန်းများသည် အပေါ်ယံနှင့် နက်ရှိုင်းသော သွေးကြောအလွှာများကို သီးခြားစီ စစ်ဆေးနိုင်စေကာ chorioretinal ရောဂါကို ခွဲခြားနိုင်ရန် ကူညီပေးသည်။
ဤနည်းပညာသည် အလားအလာကောင်းနေသော်လည်း၊ ပုံအရည်အသွေးကွဲလွဲမှုသည် ယုံကြည်စိတ်ချရသော ပုံခွဲခြမ်းစိတ်ဖြာမှုအတွက် အဓိကစိန်ခေါ်မှုတစ်ခုအဖြစ် ကျန်ရှိနေဆဲဖြစ်ပြီး၊ ပုံ၏အဓိပ္ပာယ်ဖွင့်ဆိုမှုမှာ ခက်ခဲစေပြီး ကျယ်ပြန့်သော ဆေးခန်းသုံးမွေးစားခြင်းကို တားဆီးထားသည်။OCTA သည် ဆက်တိုက် OCT စကင်န်များစွာကို အသုံးပြုထားသောကြောင့်၊ ၎င်းသည် ပုံမှန် OCT ထက် ရုပ်ပုံပစ္စည်းများအတွက် ပိုမိုထိခိုက်လွယ်ပါသည်။စီးပွားဖြစ် OCTA ပလပ်ဖောင်းအများစုသည် ၎င်းတို့၏ကိုယ်ပိုင်ပုံရိပ်အရည်အသွေး မက်ထရစ်ကို Signal Strength (SS) သို့မဟုတ် တစ်ခါတစ်ရံ Signal Strength Index (SSI) ဟုခေါ်သည်။သို့သော်၊ မြင့်မားသော SS သို့မဟုတ် SSI တန်ဖိုးရှိသော ရုပ်ပုံများသည် နောက်ဆက်တွဲရုပ်ပုံခွဲခြမ်းစိတ်ဖြာမှုကို ထိခိုက်စေနိုင်ပြီး မှားယွင်းသောလက်တွေ့ဆုံးဖြတ်ချက်များဆီသို့ ဦးတည်သွားနိုင်သည့် ရုပ်တုပစ္စည်းများမရှိခြင်းကို အာမမခံနိုင်ပါ။OCTA ပုံရိပ်ဖော်ခြင်းတွင် ဖြစ်ပွားနိုင်သော သာမာန်ရုပ်ပုံရုပ်ပုံများတွင် ရွေ့လျားမှုဆိုင်ရာ အနုပညာပစ္စည်းများ၊ အပိုင်းခွဲခြင်းဆိုင်ရာ အနုပညာပစ္စည်းများ၊ မီဒီယာအလင်းဖောက်ဖျက်မှုများ၊ နှင့် ပရိုဂရမ်အရုပ်များ 1,2,3 တို့ ပါဝင်သည်။
ဘာသာပြန်သုတေသန၊ ဆေးခန်းစမ်းသပ်မှုများနှင့် လက်တွေ့အလေ့အကျင့်များတွင် သွေးကြောသိပ်သည်းဆကဲ့သို့သော OCTA မှရရှိသည့်အစီအမံများကို ပိုမိုအသုံးပြုလာသောကြောင့်၊ ရုပ်ပုံပစ္စည်းများကို ဖယ်ရှားပစ်ရန် ခိုင်မာပြီး ယုံကြည်စိတ်ချရသော ရုပ်ပုံအရည်အသွေးထိန်းချုပ်မှုလုပ်ငန်းစဉ်များ ဖွံ့ဖြိုးတိုးတက်ရန် အရေးတကြီးလိုအပ်ပါသည်။ကျန်ရှိသောချိတ်ဆက်မှုများဟုလည်းလူသိများသော Skip connections များသည် အချက်အလက်များကို သိမ်းဆည်းထားစဉ်တွင် အချက်အလက်များကို သိမ်းဆည်းနေစဉ် convolutional အလွှာများကို ကျော်လွှားနိုင်စေမည့် အာရုံကြောကွန်ရက်ဗိသုကာတွင် ပရိုဂရမ်များဖြစ်သည်။ရုပ်ပုံဖန်တီးမှုများသည် အသေးစားနှင့် ယေဘုယျအားဖြင့် ကြီးမားသောပုံရိပ်စွမ်းဆောင်ရည်ကို ထိခိုက်စေနိုင်သောကြောင့်၊ skip-connection အာရုံကြောကွန်ရက်များသည် ဤအရည်အသွေးထိန်းချုပ်မှုလုပ်ငန်းဆောင်တာ ၅ ကို အလိုအလျောက်လုပ်ဆောင်ရန် သင့်လျော်ပါသည်။မကြာသေးမီက ထုတ်ဝေသည့်အလုပ်သည် လူသားခန့်မှန်းသူများထံမှ အရည်အသွေးမြင့်ဒေတာကို အသုံးပြု၍ လေ့ကျင့်သင်ကြားထားသော နက်နဲသော convolutional neural networks များအတွက် ကတိအချို့ကို ပြသထားသည်။
ဤလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် OCTA ရုပ်ပုံများ၏ အရည်အသွေးကို အလိုအလျောက်ဆုံးဖြတ်ရန် ချိတ်ဆက်မှု-ကျော်သွားသော convolutional neural network ကို လေ့ကျင့်ပေးပါသည်။ပုံအရည်အသွေးသတ်မှတ်ချက်များသည် တိကျသောလက်တွေ့ သို့မဟုတ် သုတေသနအခြေအနေများအတွက် ကွဲပြားနိုင်သောကြောင့် အရည်အသွေးမြင့်ပုံများနှင့် အရည်အသွေးနိမ့်ပုံများကို ခွဲခြားသတ်မှတ်ရန်အတွက် သီးခြားမော်ဒယ်များကို ဖန်တီးခြင်းဖြင့် ယခင်လုပ်ငန်းကို တည်ဆောက်ပါသည်။နက်ရှိုင်းသောသင်ယူမှုအတွင်း အသေးစိတ်အဆင့်များစွာရှိ အင်္ဂါရပ်များအပါအဝင် အင်္ဂါရပ်များအပါအဝင်တန်ဖိုးကို အကဲဖြတ်ရန် ဤကွန်ရက်များ၏ရလဒ်များကို မပျက်မကွက်ချိတ်ဆက်မှုမရှိဘဲ convolutional neural networks များနှင့် နှိုင်းယှဉ်ပါသည်။ထို့နောက် ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ရလဒ်များကို ထုတ်လုပ်သူမှပေးဆောင်သော ယေဘုယျလက်ခံထားသော ရုပ်ပုံအရည်အသွေးကို တိုင်းတာသည့်အချက်ပြစွမ်းအားနှင့် နှိုင်းယှဉ်ပါသည်။
ကျွန်ုပ်တို့၏လေ့လာမှုတွင် ယေးလ်မျက်လုံးစင်တာသို့သြဂုတ်လ 11 ရက်၊ 2017 နှင့် 2019 ခုနှစ်၊ ဧပြီလ 11 ရက်ကြားတွင်တက်ရောက်ခဲ့သောဆီးချိုရောဂါဝေဒနာရှင်များပါဝင်သည်။ မည်သည့်ဆီးချိုမဟုတ်သော chorioretinal ရောဂါရှိသောလူနာများကို ဖယ်ထုတ်ထားသည်။အသက်၊ ကျား၊ မ၊ လူမျိုး၊ ရုပ်ပုံအရည်အသွေး သို့မဟုတ် အခြားအချက်များအပေါ် အခြေခံ၍ ပါဝင်ခြင်း သို့မဟုတ် ချန်လှပ်ခြင်း စံနှုန်းများ မရှိပါ။
8\(\times\)8 mm နှင့် 6\(\times\)6 mm ပုံရိပ်ဖော်ပရိုတိုကောများအောက်ရှိ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) တွင် AngioPlex ပလပ်ဖောင်းကို အသုံးပြု၍ OCTA ပုံများကို ရယူခဲ့သည်။လေ့လာမှုတွင် ပါဝင်ရန် အကြောင်းကြားထားသော သဘောတူညီချက်ကို လေ့လာမှုတွင် ပါဝင်သူတိုင်းထံမှ ရရှိပြီး Yale University Institutional Review Board (IRB) သည် အဆိုပါလူနာအားလုံးအတွက် ကမ္ဘာလုံးဆိုင်ရာ ဓာတ်ပုံပညာဖြင့် အသိပေးသော သဘောတူညီချက်ကို အသုံးပြုရန် အတည်ပြုခဲ့သည်။ဟယ်စင်ကီကြေညာစာတမ်း၏ အခြေခံမူများကို လိုက်နာပါ။အဆိုပါလေ့လာမှုကို Yale တက္ကသိုလ် IRB မှအတည်ပြုခဲ့သည်။
မျက်နှာပြင်ပြားပုံများကို ယခင်က ဖော်ပြထားသည့် Motion Artifact Score (MAS)၊ ယခင်က ဖော်ပြထားသော အပိုင်းခွဲခြင်းဆိုင်ရာ Artifact Score (SAS)၊ foveal စင်တာ၊ မီဒီယာ၏ ကြည်လင်ပြတ်သားမှု ရှိနေခြင်းနှင့် ပုံအကဲဖြတ်သူမှ ဆုံးဖြတ်ထားသည့်အတိုင်း သေးငယ်သော သွေးကြောမျှင်များကို ကောင်းစွာမြင်ယောင်ခြင်းတို့ကို အခြေခံ၍ အကဲဖြတ်ထားပါသည်။ပုံများကို အမှီအခိုကင်းသော အကဲဖြတ်သူနှစ်ဦး (RD နှင့် JW) မှ ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ရုပ်ပုံတစ်ပုံတွင် အောက်ပါစံနှုန်းများနှင့်ကိုက်ညီပါက အဆင့်သတ်မှတ်ရမှတ် 2 (သတ်မှတ်ချက်ပြည့်မီသည်) ရှိသည်- ပုံသည် fovea တွင်ဗဟိုပြုထားသည် (ပုံ၏အလယ်ဗဟိုမှ 100 pixels အောက်)၊ MAS သည် 1 သို့မဟုတ် 2၊ SAS သည် 1 ဖြစ်ပြီး၊ မီဒီယာအလင်းပိတ်နိုင်မှုသည် 1 ထက်နည်းသည်။ အရွယ်အစား / 16 ၏ရုပ်ပုံများတွင်တွေ့ရပြီး 15/16 ထက်ကြီးသောပုံများတွင် သွေးကြောမျှင်ငယ်များကိုတွေ့မြင်ရသည်။အောက်ပါစံနှုန်းများနှင့်ကိုက်ညီပါက ပုံတစ်ပုံကို အဆင့်သတ်မှတ်သည် 0 (အဆင့်သတ်မှတ်ခြင်းမရှိပါ)- ပုံသည် ဗဟိုမဟုတ်ပါက၊ MAS သည် 4 ဖြစ်ပါက၊ SAS သည် 2 ဖြစ်ပါက သို့မဟုတ် ပျမ်းမျှအလင်းပိတ်မှုသည် ပုံ၏ 1/4 ထက် ပိုကြီးနေပြီး၊ သေးငယ်သော သွေးကြောမျှင်များကို ခွဲခြားရန် ပုံ ၁ ပုံ / ၄ ထက်ပို၍ ချိန်ညှိမရနိုင်ပါ။အမှတ်ပေးစံနှုန်း 0 သို့မဟုတ် 2 နှင့် မကိုက်ညီသော အခြားပုံအားလုံးကို 1 (ဖြတ်ညှပ်ကပ်) အဖြစ် အမှတ်ပေးပါသည်။
သဖန်းသီးပေါ်မှာ။1 သည် စကေးခန့်မှန်းချက်များနှင့် ရုပ်ပုံဖန်တီးမှုတစ်ခုစီအတွက် နမူနာပုံများကို ပြသသည်။Cohen ၏ kappa အလေးချိန် 8 ဖြင့် တစ်ဦးချင်းရမှတ်များ၏ အပြန်အလှန်အကဲဖြတ်မှု ယုံကြည်စိတ်ချရမှုကို အကဲဖြတ်ခဲ့သည်။အဆင့်သတ်မှတ်သူ တစ်ဦးစီ၏ တစ်ဦးချင်းရမှတ်များကို 0 မှ 4 အထိ၊ ပုံတစ်ပုံချင်းစီအတွက် အလုံးစုံရမှတ်ကို ရယူရန် စုစည်းထားသည်။ စုစုပေါင်းရမှတ် 4 ရှိသော ပုံများကို ကောင်းမွန်သည်ဟု ယူဆပါသည်။စုစုပေါင်းရမှတ် 0 သို့မဟုတ် 1 ရှိသော ပုံများကို အရည်အသွေးနိမ့်သည်ဟု ယူဆပါသည်။
ImageNet ဒေတာဘေ့စ်မှပုံများပေါ်တွင်ကြိုတင်လေ့ကျင့်ထားသော ResNet152 ဗိသုကာဆိုင်ရာ convolutional neural network (ပုံ. 3A.i) ကို fast.ai နှင့် PyTorch framework5, 9, 10, 11 ကိုအသုံးပြု၍ ထုတ်လုပ်ခဲ့သည်။ convolutional neural network သည် လေ့လာသင်ယူထားသော ကွန်ရက်တစ်ခုဖြစ်သည်။ ပုံသဏ္ဍာန်အပိုင်းအစများကို စကင်န်ဖတ်ရန်အတွက် စစ်ထုတ်မှုများသည် spatial နှင့် local features များကိုလေ့လာရန်။ကျွန်ုပ်တို့၏လေ့ကျင့်သင်ကြားထားသော ResNet သည် ပုံရိပ်ပြတ်သားမှုများစွာဖြင့် အချက်အလက်များကို တစ်ပြိုင်နက်ပေးပို့သည့် ကွက်လပ်များ သို့မဟုတ် “ကျန်ရှိသောချိတ်ဆက်မှုများ” ဖြင့် လက္ခဏာပြသည့် 152 အလွှာရှိသော အာရုံကြောကွန်ရက်တစ်ခုဖြစ်သည်။ကွန်ရက်ပေါ်ရှိ မတူညီသော ကြည်လင်ပြတ်သားမှုများဖြင့် အချက်အလက်များကို ပြသခြင်းဖြင့်၊ ပလပ်ဖောင်းသည် အသေးစိတ်အဆင့်များစွာတွင် အရည်အသွေးနိမ့်ပုံများ၏ အင်္ဂါရပ်များကို လေ့လာနိုင်သည်။ကျွန်ုပ်တို့၏ ResNet မော်ဒယ်အပြင်၊ ကျွန်ုပ်တို့သည် နှိုင်းယှဉ်မှုအတွက် ချိတ်ဆက်မှုများကို မပျက်မကွက်ဘဲ ကောင်းစွာလေ့လာထားသော အာရုံကြောကွန်ရက်ဗိသုကာဖြစ်သည့် AlexNet ကို လေ့ကျင့်ပေးသည် (ပုံ 3A.ii)12။ချိတ်ဆက်မှုများ ပျောက်ဆုံးနေခြင်းမရှိပါက၊ ဤကွန်ရက်သည် ပိုမိုများပြားသော အသေးစိပ်လုပ်ဆောင်ချက်များကို ဖမ်းယူနိုင်မည်မဟုတ်ပေ။
မူရင်း 8\(\times\)8mm OCTA13 ရုပ်ပုံအစုံကို အလျားလိုက်နှင့် ဒေါင်လိုက် ရောင်ပြန်ဟပ်မှုနည်းပညာများကို အသုံးပြု၍ မြှင့်တင်ထားပါသည်။ထို့နောက် ဒေတာအစုံအလင်ကို ရုပ်ပုံအဆင့်တွင် လေ့ကျင့်ရေး (51.2%)၊ စမ်းသပ်ခြင်း (12.8%)၊ hyperparameter ချိန်ညှိခြင်း (16%) နှင့် scikit-learn toolbox python14 ကို အသုံးပြု၍ အတည်ပြုခြင်း (20%) ဒေတာအတွဲများကို ကျပန်းခွဲထားသည်။ဖြစ်ရပ်နှစ်ခုကို ထည့်သွင်းစဉ်းစားထားပြီး၊ တစ်ခုသည် အရည်အသွေးအမြင့်ဆုံးပုံများ (စုစုပေါင်း ရမှတ် 4) ကိုထောက်လှမ်းခြင်းအပေါ် အခြေခံပြီး နောက်တစ်ခုသည် အရည်အသွေးအနိမ့်ဆုံးပုံများ (စုစုပေါင်း ရမှတ် 0 သို့မဟုတ် 1) ကိုသာ ရှာဖွေတွေ့ရှိခြင်းအပေါ် အခြေခံထားသည်။အရည်အသွေးမြင့်ပြီး အရည်အသွေးနိမ့်အသုံးပြုမှုတစ်ခုစီအတွက်၊ အာရုံကြောကွန်ရက်ကို ကျွန်ုပ်တို့၏ရုပ်ပုံဒေတာတွင် တစ်ကြိမ်ပြန်လည်လေ့ကျင့်သည်။အသုံးပြုမှုအခြေအနေတစ်ခုစီတွင်၊ အာရုံကြောကွန်ရက်ကို 10 ကြိမ်အတွက် လေ့ကျင့်ပေးခဲ့ပြီး အမြင့်ဆုံးအလွှာအလေးချိန်များကို အေးခဲသွားကာ အပိုင်း 40 အတွက် အတွင်းပိုင်းကန့်သတ်ချက်များ၏အလေးချိန်များကို ခွဲခြားဆက်ဆံသည့် သင်ယူမှုနှုန်းနည်းလမ်းဖြင့် cross-entropy loss လုပ်ဆောင်ချက် 15 ကို အသုံးပြုကာ၊ ၁၆။.cross entropy loss လုပ်ဆောင်ချက်သည် ခန့်မှန်းထားသော ကွန်ရက်တံဆိပ်များနှင့် အစစ်အမှန်ဒေတာများကြား ကွာဟချက်၏ လော့ဂရစ်သမ်စကေးကို တိုင်းတာခြင်းဖြစ်သည်။လေ့ကျင့်နေစဉ်အတွင်း ဆုံးရှုံးမှုများကို လျှော့ချရန် အာရုံကြောကွန်ရက်၏ အတွင်းပိုင်းဘောင်များတွင် gradient ဆင်းသက်ခြင်းကို လုပ်ဆောင်သည်။သင်ယူမှုနှုန်း၊ ကျောင်းထွက်နှုန်းနှင့် ကိုယ်အလေးချိန်လျှော့ချသည့် ဟိုက်ပါပါမီတာများကို Bayesian ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းအား ကျပန်းစတင်သည့်အချက် 2 ချက်နှင့် ထပ်ကာထပ်ကာပြုလုပ်ခြင်း 2 ခုဖြင့် ချိန်ညှိထားပြီး ဒေတာအတွဲပေါ်ရှိ AUC အား ပစ်မှတ် 17 အဖြစ် ဟိုက်ပါပါရာမီတာများကို အသုံးပြု၍ ချိန်ညှိထားပါသည်။
အပေါ်ယံသွေးကြောမျှင်အကြောအကြောမျှင်များ၏ 8 × 8 မီလီမီတာ OCTA ရုပ်ပုံများ၏ ကိုယ်စားပြုနမူနာများ 2 (A၊ B)၊ 1 (C၊ D) နှင့် 0 (E၊ F)။ပြထားသည့် ရုပ်ပုံဆိုင်ရာ ပစ္စည်းများတွင် ဖျတ်ခနဲ မျဉ်းကြောင်းများ (မြှားများ)၊ အပိုင်းခွဲခြင်းဆိုင်ရာ ပစ္စည်းများ (ကြယ်ပွင့်များ) နှင့် မီဒီယာ အလင်းပိတ်ခြင်း (မြှားများ) ပါဝင်သည်။ပုံ (E) သည် ဗဟိုမဟုတ်ပေ။
ထို့နောက် အာရုံကြောကွန်ရက် မော်ဒယ်များအားလုံးအတွက် လက်ခံသူ၏ လည်ပတ်မှုလက္ခဏာများ (ROC) မျဉ်းကွေးများကို ထုတ်ပေးပြီး အရည်အသွေးနိမ့်နှင့် အရည်အသွေးမြင့် အသုံးပြုမှုကိစ္စတစ်ခုစီအတွက် အင်ဂျင်အချက်ပြအား အစီရင်ခံစာများကို ထုတ်ပေးပါသည်။မျဉ်းကွေးအောက်ရှိ ဧရိယာ (AUC) သည် pROC R ပက်ကေ့ဂျ်ကို အသုံးပြု၍ တွက်ချက်ခဲ့ပြီး 95% ယုံကြည်မှုကြားကာလများနှင့် p-တန်ဖိုးများကို DeLong method18,19 ဖြင့် တွက်ချက်ခဲ့သည်။လူသားအဆင့်သတ်မှတ်သူများ၏ စုစည်းရမှတ်များကို ROC တွက်ချက်မှုအားလုံးအတွက် အခြေခံအဖြစ်အသုံးပြုသည်။စက်မှအစီရင်ခံသည့်အချက်ပြစွမ်းအားအတွက် AUC ကို နှစ်ကြိမ်- အရည်အသွေးမြင့် Scalability Score ဖြတ်တောက်မှုအတွက် တစ်ကြိမ်နှင့် အရည်အသွေးနိမ့် Scalability Score ဖြတ်တောက်မှုအတွက် တစ်ကြိမ်။အာရုံကြောကွန်ရက်သည် ၎င်း၏ကိုယ်ပိုင်လေ့ကျင့်မှုနှင့် အကဲဖြတ်မှုအခြေအနေများကို ထင်ဟပ်သည့် AUC အချက်ပြခွန်အားနှင့် နှိုင်းယှဉ်ထားသည်။
သီးခြားဒေတာအတွဲတစ်ခုပေါ်တွင် လေ့ကျင့်သင်ကြားထားသော နက်ရှိုင်းသောသင်ယူမှုပုံစံကို ထပ်မံစမ်းသပ်ရန်အတွက် Yale တက္ကသိုလ်မှ စုဆောင်းထားသော 6mm မျက်နှာပြင်အပြည့် 6\(\times\) 6mm မျက်နှာပြင်ပုံများ 32 ပုံများ၏ စွမ်းဆောင်ရည်အကဲဖြတ်မှုတွင် အရည်အသွေးမြင့်နှင့် အရည်အသွေးနိမ့်မော်ဒယ်များကို တိုက်ရိုက်အသုံးချခဲ့သည်။မျက်လုံးထုထည်သည် 8 \(\times \) 8 မီလီမီတာ ပုံကဲ့သို့ တချိန်တည်း ဗဟိုပြုပါသည်။6\(\×\) 6 mm ရုပ်ပုံများကို 8\(\×\) 8 mm ရုပ်ပုံများကဲ့သို့ တူညီသော အဆင့်သတ်မှတ်သူများ (RD နှင့် JW) တို့မှ ကိုယ်တိုင်အကဲဖြတ်ပြီး AUC နှင့် တိကျမှုနှင့် Cohen's kappa တို့ကို တွက်ချက်ထားပါသည်။ .အညီအမျှ
အရည်အသွေးနိမ့်မော်ဒယ်အတွက် အတန်းအစားမညီမျှမှုအချိုးသည် 158:189 (\(\rho = 1.19\)) နှင့် အရည်အသွေးမြင့်မော်ဒယ်အတွက် 80:267 (\(\rho = 3.3\))။အတန်းအစားမညီမျှမှုအချိုးသည် 1:4 ထက်နည်းသောကြောင့်၊ class imbalance20,21 ကိုပြင်ရန် တိကျသောဗိသုကာဆိုင်ရာပြောင်းလဲမှုများပြုလုပ်ထားခြင်းမရှိပါ။
သင်ယူမှုလုပ်ငန်းစဉ်ကို ပိုမိုကောင်းမွန်စွာမြင်ယောင်နိုင်ရန်၊ လေ့ကျင့်သင်ကြားထားသော နက်နဲသောသင်ယူမှုမော်ဒယ်လေးခုစလုံးအတွက် အတန်းဖွင့်ခြင်းမြေပုံများကို ထုတ်လုပ်ခဲ့သည်- အရည်အသွေးမြင့် ResNet152 မော်ဒယ်၊ အရည်အသွေးနိမ့် ResNet152 မော်ဒယ်၊ အရည်အသွေးမြင့် AlexNet မော်ဒယ်နှင့် အရည်အသွေးနိမ့် AlexNet မော်ဒယ်။အတန်းအစား လှုပ်ရှားခြင်းမြေပုံများကို ဤမော်ဒယ်လေးခု၏ ထည့်သွင်း convolutional အလွှာများမှ ထုတ်ပေးပြီး 8 × 8 mm နှင့် 6 × 6 mm validation sets22, 23 မှ အရင်းအမြစ်ပုံများနှင့်အတူ 8 × 8 mm နှင့် 6 × 6 mm validation sets22, 23 မှ အရင်းအမြစ်ပုံများပါရှိသော activation မြေပုံများကို ထပ်ဆင့်ခြင်းဖြင့် ထုတ်ပေးပါသည်။
R ဗားရှင်း 4.0.3 ကို ကိန်းဂဏန်းတွက်ချက်မှုများအားလုံးအတွက် အသုံးပြုထားပြီး ggplot2 ဂရပ်ဖစ်တူးလ်ဒစ်ဂျစ်တိုက်ကို အသုံးပြု၍ ပုံရိပ်ယောင်များကို ဖန်တီးထားသည်။
လူ 134 ဦးထံမှ 8 \(\times \)8 mm တိုင်းတာသည့် အပေါ်ယံသွေးကြောမျှင်အလွှာ၏ ရှေ့မျက်နှာစာပုံ ၃၄၇ ခုကို စုဆောင်းခဲ့သည်။စက်သည် ရုပ်ပုံအားလုံးအတွက် 0 မှ 10 အထိ အချက်ပြစွမ်းအားကို အစီရင်ခံသည် (ပျမ်းမျှ = 6.99 ± 2.29)။ရရှိခဲ့သော 347 ပုံများ၏ ပျမ်းမျှအသက်မှာ 58.7 ± 14.6 နှစ်ဖြစ်ပြီး 39.2% သည် အမျိုးသားလူနာများဖြစ်သည်။ရုပ်ပုံအားလုံး၏ 30.8% သည် Caucasians မှ၊ လူမည်း 32.6%၊ Hispanics မှ 30.8%၊ အာရှမှ 4% နှင့် အခြားမျိုးနွယ်များမှ 1.7% တို့ဖြစ်သည် (ဇယား 1)။)OCTA ရှိသော လူနာများ၏ အသက် ဖြန့်ဖြူးမှုသည် ပုံ၏ အရည်အသွေးပေါ် မူတည်၍ သိသိသာသာ ကွဲပြားသည် (p < 0.001)။အသက် 18-45 နှစ်ရှိ ငယ်ရွယ်သောလူနာများတွင် အရည်အသွေးမြင့်ပုံများ၏ ရာခိုင်နှုန်းသည် အရည်အသွေးနိမ့်သောပုံများ၏ 12.2% နှင့် နှိုင်းယှဉ်ပါက 33.8% ရှိပါသည်။ဆီးချိုမျက်မြင်လွှာရောဂါအခြေအနေ ဖြန့်ဖြူးမှုသည် ရုပ်ပုံအရည်အသွေး (p < 0.017) တွင်လည်း သိသိသာသာကွဲပြားပါသည်။အရည်အသွေးမြင့် ရုပ်ပုံများကြားတွင်၊ PDR ရှိသော လူနာများ၏ ရာခိုင်နှုန်းသည် အရည်အသွေးနိမ့်သော ပုံအားလုံး၏ ၃၈.၈% နှင့် နှိုင်းယှဉ်ပါက 18.8% ဖြစ်သည်။
ရုပ်ပုံများအားလုံး၏ တစ်ဦးချင်းအဆင့်သတ်မှတ်ချက်များသည် ပုံများကိုဖတ်ရှုနေသူများကြားတွင် အလယ်အလတ်မှ ပြင်းထန်သော အဆင့်သတ်မှတ်မှုကြား ယုံကြည်စိတ်ချရမှုကို ပြသခဲ့သည် (Cohen ၏အလေးချိန် kappa = 0.79၊ 95% CI: 0.76-0.82) နှင့် အဆင့်သတ်မှတ်သူများသည် 1 ထက်ပို၍ကွာခြားသည့် ပုံအမှတ်များမရှိပါ (ပုံ။ 2A)။.Signal intensity သည် manual အမှတ်ပေးခြင်းဖြင့် သိသာစွာဆက်စပ်နေသည် (Pearson ထုတ်ကုန်အခိုက်အတန့်ဆက်စပ်မှု = 0.58၊ 95% CI 0.51–0.65၊ p<0.001)၊ သို့သော် ရုပ်ပုံများစွာသည် မြင့်မားသော signal intensity ရှိသော်လည်း manual အမှတ်ပေးမှုနည်းသည် (ပုံ။ 2B)။
ResNet152 နှင့် AlexNet ဗိသုကာများ လေ့ကျင့်မှုအတွင်း၊ တရားဝင်မှုနှင့် လေ့ကျင့်မှုအပေါ် ဖြတ်ကျော်ဝင်ရောက်မှု ဆုံးရှုံးမှုသည် အပိုင်း 50 ကျော် (ပုံ 3B,C) ထက် ကျဆင်းသွားပါသည်။နောက်ဆုံးလေ့ကျင့်ရေးကာလတွင် မှန်ကန်ကြောင်းအတည်ပြုခြင်းသည် အရည်အသွေးမြင့်ခြင်းနှင့် အရည်အသွေးနိမ့်အသုံးပြုမှုကိစ္စများတွင် 90% ကျော်ပါသည်။
ResNet152 မော်ဒယ်သည် အရည်အသွေးနိမ့်နှင့် အရည်အသွေးမြင့် အသုံးပြုမှုကိစ္စများတွင် စက်ကတင်ပြထားသော အချက်ပြပါဝါကို သိသိသာသာ ကျော်လွန်လုပ်ဆောင်ကြောင်း လက်ခံသူ၏ စွမ်းဆောင်ရည် မျဉ်းကွေးများက ပြသသည် (p < 0.001)။ResNet152 မော်ဒယ်သည် AlexNet ဗိသုကာလက်ရာ (p = 0.005 နှင့် p = 0.014 အရည်အသွေးနိမ့်နှင့် အရည်အသွေးမြင့် ကိစ္စများတွင် အသီးသီး) ကို သိသိသာသာ စွမ်းဆောင်ပါသည်။ဤအလုပ်တစ်ခုစီအတွက် ရလဒ်ထွက်မော်ဒယ်များသည် AUC တန်ဖိုးများ 0.99 နှင့် 0.97 အသီးသီး ရရှိနိုင်ခဲ့ပြီး AlexNet အတွက် သက်ဆိုင်ရာ AUC တန်ဖိုးများ 0.82 နှင့် 0.78 ထက် သိသိသာသာ ကောင်းမွန်သော AUC တန်ဖိုးများ သို့မဟုတ် 0.97 နှင့် 0.94 ..(ပုံ။ 3)။ResNet နှင့် AUC အကြား ကွာဟချက်သည် ဤလုပ်ငန်းအတွက် ResNet ကို အသုံးပြုခြင်း၏ နောက်ထပ်အကျိုးကျေးဇူးများကို ညွှန်ပြသော အရည်အသွေးမြင့် ပုံများကို အသိအမှတ်ပြုသည့်အခါ ပိုမိုမြင့်မားပါသည်။
ဂရပ်များသည် အမှီအခိုကင်းသော အဆင့်သတ်မှတ်သူ တစ်ဦးစီ၏ အမှတ်ပေးနိုင်စွမ်းနှင့် စက်မှတင်ပြသော အချက်ပြစွမ်းအားနှင့် နှိုင်းယှဉ်ပြသည်။(က) အကဲဖြတ်ရမည့် အမှတ်ပေါင်းစုအား အကဲဖြတ်ရမည့် အမှတ်စုစုပေါင်းကို ဖန်တီးရန် အသုံးပြုသည်။အလုံးစုံ ချဲ့ထွင်နိုင်မှုရမှတ် 4 ရှိသော ပုံများကို အရည်အသွေးမြင့် သတ်မှတ်ပေးထားပြီး 1 သို့မဟုတ် ထိုထက်နည်းသော အလုံးစုံ ချဲ့ထွင်နိုင်မှုရမှတ် ရှိသော ပုံများကို အရည်အသွေးနိမ့်ဟု သတ်မှတ်ပေးထားသည်။(ခ) Signal intensity သည် manual ခန့်မှန်းချက်များနှင့် ဆက်စပ်နေသော်လည်း signal intensity မြင့်မားသောပုံများသည် အရည်အသွေးညံ့ဖျင်းနိုင်ပါသည်။အနီရောင် အစက်ချမျဉ်းသည် အချက်ပြစွမ်းအား (signal strength \(\ge\)6) ကို အခြေခံ၍ ထုတ်လုပ်သူ၏ အကြံပြုထားသော အရည်အသွေးသတ်မှတ်ချက်ကို ညွှန်ပြသည်။
ResNet လွှဲပြောင်းသင်ယူမှုသည် စက်ဖြင့်အစီရင်ခံထားသော အချက်ပြအဆင့်များနှင့် နှိုင်းယှဉ်ပါက အရည်အသွေးနိမ့်မှုနှင့် အရည်အသွေးမြင့်အသုံးပြုမှုကိစ္စများတွင် ရုပ်ပုံအရည်အသွေးသတ်မှတ်ခြင်းတွင် သိသာထင်ရှားသောတိုးတက်မှုကို ပေးပါသည်။(က) ကြိုတင်လေ့ကျင့်ထားသော (i) ResNet152 နှင့် (ii) AlexNet ဗိသုကာများ၏ ရိုးရှင်းသော ဗိသုကာပုံများ။(ခ) ResNet152 အတွက် လေ့ကျင့်ရေးမှတ်တမ်းနှင့် လက်ခံသူစွမ်းဆောင်ရည်မျဉ်းကွေးများကို စက်အစီရင်ခံထားသော အချက်ပြစွမ်းအားနှင့် AlexNet အရည်အသွေးနိမ့်သော စံနှုန်းများနှင့် နှိုင်းယှဉ်ပါ။(ဂ) ResNet152 လက်ခံသူ လေ့ကျင့်ရေးမှတ်တမ်းနှင့် စွမ်းဆောင်ရည် မျဉ်းကွေးများကို စက်အစီရင်ခံထားသော အချက်ပြစွမ်းအားနှင့် AlexNet အရည်အသွေးမြင့် စံနှုန်းများနှင့် နှိုင်းယှဉ်ပါ။
ဆုံးဖြတ်ချက်ဘောင်ကို ချိန်ညှိပြီးနောက်၊ ResNet152 မော်ဒယ်၏ အမြင့်ဆုံး ခန့်မှန်းတိကျမှုသည် အရည်အသွေးနိမ့် case အတွက် 95.3% နှင့် အရည်အသွေးမြင့် case အတွက် 93.5% (ဇယား 2)။AlexNet မော်ဒယ်၏ အမြင့်ဆုံး ခန့်မှန်းတိကျမှုသည် အရည်အသွေးနိမ့် case အတွက် 91.0% နှင့် အရည်အသွေးမြင့် case အတွက် 90.1% (ဇယား 2)။အမြင့်ဆုံးအချက်ပြခွန်အားခန့်မှန်းတိကျမှုသည် အရည်အသွေးနိမ့်အသုံးပြုမှုကိစ္စအတွက် 76.1% နှင့် အရည်အသွေးမြင့်အသုံးပြုမှုကိစ္စအတွက် 77.8% ဖြစ်သည်။Cohen ၏ kappa (\(\kappa\)) အရ ResNet152 မော်ဒယ်နှင့် ခန့်မှန်းတွက်ချက်သူများအကြား သဘောတူညီချက်သည် အရည်အသွေးနိမ့် case အတွက် 0.90 နှင့် အရည်အသွေးမြင့် case အတွက် 0.81 ဖြစ်သည်။Cohen ၏ AlexNet kappa သည် 0.82 နှင့် 0.71 အရည်အသွေးနိမ့်ပြီး အရည်အသွေးမြင့် အသုံးပြုမှုကိစ္စများတွင် အသီးသီးရှိသည်။Cohen ၏ signal strength kappa သည် 0.52 နှင့် 0.27 ဖြစ်ပြီး အရည်အသွေးနိမ့်နှင့် အရည်အသွေးမြင့် အသုံးပြုမှုကိစ္စများတွင် အသီးသီးရှိသည်။
6\(\x\) ပြားချပ်ချပ်ပြား၏ 6\(\x\) ရုပ်ပုံများတွင် အရည်အသွေးမြင့် အသိအမှတ်ပြုမော်ဒယ်များကို အတည်ပြုခြင်းသည် လေ့ကျင့်ထားသော မော်ဒယ်၏ စွမ်းရည်ကို ပြသသည်ပုံရိပ်အရည်အသွေးအတွက် 6\(\x\) 6 မီလီမီတာ တိမ်လွှာများကို အသုံးပြုသည့်အခါ အရည်အသွေးနိမ့်မော်ဒယ်တွင် AUC 0.83 (95% CI: 0.69–0.98) ရှိပြီး အရည်အသွေးမြင့်မော်ဒယ်တွင် AUC သည် 0.85 ရှိသည်။(95% CI: 0.55–1.00) (ဇယား 2)။
အဝင်အလွှာအတန်းအစား အသုံးပြုမှုမြေပုံများ၏ အမြင်အာရုံကို စစ်ဆေးခြင်းတွင် လေ့ကျင့်သင်ကြားထားသော အာရုံကြောကွန်ရက်များအားလုံးသည် ရုပ်ပုံအမျိုးအစားခွဲရာတွင် ပုံအင်္ဂါရပ်များကို အသုံးပြုခဲ့သည် (ပုံ 4A၊ B) ကို ပြသခဲ့သည်။8 \(\times \) 8 mm နှင့် 6 \(\times \) 6 mm ရုပ်ပုံများအတွက်၊ ResNet activation ပုံများသည် မြင်လွှာသွေးကြောပေါက်ခြင်းကို နီးကပ်စွာ လိုက်နာပါသည်။AlexNet activation မြေပုံများသည် မျက်ကြည်လွှာ သင်္ဘောများကို လိုက်လျှောက်သော်လည်း ပိုကြမ်းသော ကြည်လင်ပြတ်သားမှုရှိသည်။
ResNet152 နှင့် AlexNet မော်ဒယ်များအတွက် အတန်းဖွင့်ခြင်းမြေပုံများသည် ရုပ်ပုံအရည်အသွေးနှင့်သက်ဆိုင်သည့် အင်္ဂါရပ်များကို မီးမောင်းထိုးပြသည်။(က) 8 \(\times \) 8 mm validation ပုံများ နှင့် 6 mm သေးငယ်သော 6 \(\times \) 6 mm validation images ပြီးနောက် ပေါင်းစပ်အသက်သွင်းခြင်းကို ပြသသည့် အတန်းဖွင့်မြေပုံ။အရည်အသွေးနိမ့်စံများတွင် လေ့ကျင့်သင်ကြားထားသည့် LQ မော်ဒယ်၊ HQ မော်ဒယ်သည် အရည်အသွေးမြင့် စံနှုန်းများဖြင့် လေ့ကျင့်ထားသည်။
ရုပ်ပုံအရည်အသွေးသည် OCTA ပုံများ၏ အရေအတွက်မည်သည့်အတိုင်းအတာကိုမဆို သက်ရောက်မှုရှိနိုင်ကြောင်း ယခင်ကပြသခဲ့ပြီးဖြစ်သည်။ထို့အပြင်၊ မျက်ကြည်လွှာရောဂါရှိနေခြင်းသည် ရုပ်ပုံဆိုင်ရာပစ္စည်း ၇၊၂၆ ဖြစ်ပွားမှုကို တိုးစေသည်။တကယ်တော့၊ ကျွန်ုပ်တို့၏ဒေတာတွင်၊ ယခင်လေ့လာမှုများနှင့်အညီ၊ အသက်အရွယ်နှင့် အမြင်လွှာရောဂါ၏ ပြင်းထန်မှုနှင့် ရုပ်ပုံအရည်အသွေး ယိုယွင်းမှုကြား သိသာထင်ရှားသော ဆက်စပ်မှုကို တွေ့ရှိခဲ့သည် (အသက်အရွယ်နှင့် DR အဆင့်အတန်းအတွက် p < 0.001၊ p = 0.017၊ ဇယား 1) 27 ထို့ကြောင့်၊ OCTA ရုပ်ပုံများကို အရေအတွက်ခွဲခြမ်းစိတ်ဖြာမှု မလုပ်ဆောင်မီ ပုံအရည်အသွေးကို အကဲဖြတ်ရန် အရေးကြီးပါသည်။OCTA ရုပ်ပုံများကို ပိုင်းခြားစိတ်ဖြာသော လေ့လာမှုအများစုသည် အရည်အသွေးနိမ့်ပုံများကို ဖယ်ရှားရန် စက်ဖြင့်အစီရင်ခံသော အချက်ပြမှုပြင်းထန်မှု ကန့်သတ်ချက်များကို အသုံးပြုသည်။အချက်ပြပြင်းထန်မှုသည် OCTA ကန့်သတ်ဘောင်များ၏ အရေအတွက်ကို သက်ရောက်မှုရှိကြောင်း ပြသထားသော်လည်း၊ မြင့်မားသောအချက်ပြမှုပြင်းထန်မှုတစ်ခုတည်းဖြင့် ရုပ်ပုံများကို ဖယ်ရှားရန် မလုံလောက်နိုင်ပါ။ထို့ကြောင့် ရုပ်ပုံအရည်အသွေး ထိန်းချုပ်မှု ပိုမိုစိတ်ချရသော နည်းလမ်းကို တီထွင်ရန် လိုအပ်ပါသည်။ဤအချက်အတွက်၊ ကျွန်ုပ်တို့သည် စက်မှတင်ပြသော အချက်ပြစွမ်းအားနှင့် ကြီးကြပ်ထားသော နက်နဲသောသင်ယူမှုနည်းလမ်းများ၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ပါသည်။
မတူညီသော OCTA အသုံးပြုမှုကိစ္စများတွင် ပုံအရည်အသွေးလိုအပ်ချက်များ မတူညီနိုင်သောကြောင့် ရုပ်ပုံအရည်အသွေးကို အကဲဖြတ်ရန်အတွက် မော်ဒယ်များစွာကို တီထွင်ထားပါသည်။ဥပမာ၊ ပုံများသည် အရည်အသွေးပိုမြင့်သင့်သည်။ထို့အပြင်၊ အကျိုးစီးပွားအတွက် တိကျသော အရေအတွက် ကန့်သတ်ချက်များသည်လည်း အရေးကြီးပါသည်။ဥပမာအားဖြင့်၊ foveal avascular zone ၏ဧရိယာသည် ဗဟိုမဟုတ်သောအလယ်အလတ်၏ turbidity ပေါ်တွင်မူတည်ခြင်းမရှိသော်လည်း သင်္ဘောများ၏သိပ်သည်းဆကို သက်ရောက်မှုရှိသည်။ကျွန်ုပ်တို့၏သုတေသနပြုချက်သည် ပုံအရည်အသွေးဆိုင်ရာ ယေဘုယျချဉ်းကပ်နည်းကို ဆက်လက်အာရုံစိုက်နေသော်လည်း မည်သည့်စမ်းသပ်မှု၏လိုအပ်ချက်များနှင့်မျှမသက်ဆိုင်ဘဲ စက်မှတင်ပြထားသော signal strength ကိုတိုက်ရိုက်အစားထိုးရန်ရည်ရွယ်သော်လည်း၊ သုံးစွဲသူများအား ၎င်းတို့အား ထိန်းချုပ်နိုင်စေရန်အတွက် ကျွန်ုပ်တို့မျှော်လင့်ပါသည်။ သုံးစွဲသူအတွက် တိကျသော မက်ထရစ်ကို ရွေးချယ်နိုင်သည်။လက်ခံနိုင်သည်ဟု ယူဆသော ရုပ်ပုံပစ္စည်းများ၏ အမြင့်ဆုံးဒီဂရီနှင့် ကိုက်ညီသော မော်ဒယ်ကို ရွေးချယ်ပါ။
အရည်အသွေးနိမ့်ပြီး အရည်အသွေးမြင့် မြင်ကွင်းများအတွက်၊ AUCs 0.97 နှင့် 0.99 နှင့် အရည်အသွေးနိမ့်မော်ဒယ်များ အသီးသီးရှိသော ချိတ်ဆက်မှု-ပျောက်ဆုံးနေသော နက်နဲသော အာရုံကြောကွန်ရက်များ၏ အကောင်းဆုံးစွမ်းဆောင်ရည်ကို ပြသပါသည်။စက်များမှဖော်ပြသော အချက်ပြအဆင့်များနှင့် နှိုင်းယှဉ်ပါက ကျွန်ုပ်တို့၏ နက်နဲသောသင်ယူမှုချဉ်းကပ်မှု၏ သာလွန်ကောင်းမွန်သောစွမ်းဆောင်ရည်ကို ပြသပါသည်။Skip ချိတ်ဆက်မှုများသည် အာရုံကြောကွန်ရက်များကို အသေးစိတ်အဆင့်များစွာတွင် အင်္ဂါရပ်များကို လေ့လာနိုင်ပြီး၊ ရုပ်ပုံများ၏ ပိုနုသောသွင်ပြင်လက္ခဏာများ (ဥပမာ ခြားနားမှု) နှင့် ယေဘူယျအင်္ဂါရပ်များ (ဥပမာ- ရုပ်ပုံဗဟိုပြုခြင်း 30၊31) တို့ကို လေ့လာနိုင်စေပါသည်။ရုပ်ပုံအရည်အသွေးကို ထိခိုက်စေသော ရုပ်ပုံအရည်အသွေးကို ကျယ်ပြန့်စွာ ဖော်ထုတ်နိုင်သောကြောင့် အကောင်းဆုံးဖြစ်နိုင်သောကြောင့် ချိတ်ဆက်မှုပျောက်ဆုံးနေသော အာရုံကြောကွန်ရက်ဗိသုကာများသည် ရုပ်ပုံအရည်အသွေးသတ်မှတ်ခြင်းဆိုင်ရာ လုပ်ဆောင်စရာများမရှိသည့်အရာများထက် ပိုမိုကောင်းမွန်သောစွမ်းဆောင်ရည်ကို ပြသနိုင်မည်ဖြစ်သည်။
ကျွန်ုပ်တို့၏မော်ဒယ်ကို 6\(\×6mm) OCTA ရုပ်ပုံများတွင် စမ်းသပ်သောအခါ၊ အရည်အသွေးမြင့်နှင့် အရည်အသွေးနိမ့်မော်ဒယ်များ (ပုံ 2) စလုံးအတွက် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည် ကျဆင်းသွားသည်ကို သတိပြုမိပါသည်။ResNet မော်ဒယ်နှင့် နှိုင်းယှဉ်ပါက၊ AlexNet မော်ဒယ်သည် ပိုမိုကြီးမားသော ပြိုလဲမှုရှိသည်။ResNet ၏အတော်လေးသာလွန်သောစွမ်းဆောင်ရည်သည် အမျိုးမျိုးသောစကေးနှင့်/သို့မဟုတ် အချဲ့အထစ်များတွင် ရိုက်ကူးထားသောပုံများကို အမျိုးအစားခွဲခြင်းအတွက် စံနမူနာကိုပိုမိုခိုင်ခံ့စေသည်။
8 \(\×\) 8 မီလီမီတာ ရုပ်ပုံများနှင့် 6 \(\×\) 6 မီလီမီတာ ရုပ်ပုံများအကြား အချို့သော ကွဲပြားချက်များသည် သေးငယ်သော သွေးကြောများ ပါဝင်သော ပုံများ၏ အချိုးအစား မြင့်မားခြင်း၊ မြင်နိုင်စွမ်း ပြောင်းလဲမှု၊ သွေးကြောပိတ်များ နှင့် ပုံတွင် 6×6 mm အာရုံကြောမရှိပါ။ဤအရာဖြစ်လင့်ကစား ကျွန်ုပ်တို့၏ အရည်အသွေးမြင့် ResNet မော်ဒယ်သည် 6 \(\x\) 6 mm ရုပ်ပုံများအတွက် 85% AUC ကို ရရှိနိုင်သည်၊ မော်ဒယ်ကို မလေ့ကျင့်ထားဘဲ အာရုံကြောကွန်ရက်တွင် ကုဒ်လုပ်ထားသော ပုံအရည်အသွေး အချက်အလက်ကို အကြံပြုပေးသည့် ဖွဲ့စည်းမှုပုံစံ၊ သင့်လျော်သည်။၎င်း၏လေ့ကျင့်ရေးပြင်ပတွင် ပုံအရွယ်အစား သို့မဟုတ် စက်ဖွဲ့စည်းပုံတစ်ခုအတွက် (ဇယား 2)။စိတ်ချသေချာစွာဖြင့်၊ 8 \(\times \) 8 mm နှင့် 6 \(\times \) 6 mm ပုံများ၏ ResNet- နှင့် AlexNet ကဲ့သို့သော အသက်သွင်းမြေပုံများသည် မော်ဒယ်တွင် အရေးကြီးသောအချက်အလက်များပါရှိကြောင်း အဆိုပြုသည့်ကိစ္စရပ်နှစ်ခုလုံးတွင် အမြင်အာရုံဆိုင်ရာရေယာဉ်များကို မီးမောင်းထိုးပြနိုင်ခဲ့သည်။OCTA ရုပ်ပုံများ အမျိုးအစား နှစ်မျိုးလုံးကို အမျိုးအစားခွဲရန်အတွက် အသုံးပြုနိုင်ပါသည် (ပုံ။ 4)။
Lauerman et al ။OCTA ရုပ်ပုံများပေါ်ရှိ ရုပ်ပုံအရည်အသွေး အကဲဖြတ်ခြင်းကို Inception ဗိသုကာပညာကို အသုံးပြု၍ အလားတူလုပ်ဆောင်ခဲ့သည်၊ အခြားသော skip-connection convolutional neural network6,32 သည် နက်နဲသောသင်ယူမှုနည်းပညာများကို အသုံးပြုထားသည်။အမျိုးမျိုးသော chorioretinal ရောဂါဝေဒနာရှင်များလည်း ပါဝင်သော်လည်း Optovue AngioVue မှ သေးငယ်သော 3 × 3 မီလီမီတာ ရုပ်ပုံများကိုသာ အသုံးပြု၍ လေ့လာမှုအား ၎င်းတို့သည် အပေါ်ယံ သွေးကြောမျှင်များ၏ ရုပ်ပုံများကိုသာ ကန့်သတ်ထားသည်။ကျွန်ုပ်တို့၏လုပ်ငန်းသည် အမျိုးမျိုးသော ပုံအရည်အသွေးသတ်မှတ်ချက်များကို ကိုင်တွယ်ဖြေရှင်းရန်နှင့် အရွယ်အစားအမျိုးမျိုးရှိသော ရုပ်ပုံများအတွက် ရလဒ်များကို အတည်ပြုရန် မော်ဒယ်များစွာအပါအဝင် ၎င်းတို့၏အခြေခံများကို တည်ဆောက်ပါသည်။စက်သင်ယူမှုမော်ဒယ်များ၏ AUC မက်ထရစ်ကိုလည်း အစီရင်ခံပြီး အရည်အသွေးနိမ့် (96%) နှင့် အရည်အသွေးမြင့်မော်ဒယ်များ (95.7%) နှစ်မျိုးလုံးအတွက် ၎င်းတို့၏ အထင်ကြီးလောက်သောတိကျမှု (90%)6 ကို တိုးမြှင့်ထားသည်။
ဤသင်တန်းတွင် ကန့်သတ်ချက်များစွာရှိသည်။ပထမဦးစွာ၊ ပုံများကို 8\(\times\)8 mm နှင့် 6\(\times\)6 mm ရှိသော အပေါ်ယံသွေးကြောမျှင်ပုံများ အပါအဝင် OCTA စက်တစ်ခုတည်းဖြင့် ရယူခဲ့သည်။ပိုမိုနက်ရှိုင်းသော အလွှာများမှ ပုံများကို ဖယ်ထုတ်ရခြင်း၏ အကြောင်းရင်းမှာ ပရိုဂျက်တာ လက်ရာများသည် ရုပ်ပုံများကို ကိုယ်တိုင်အကဲဖြတ်ရာတွင် ပိုမိုခက်ခဲစေပြီး တသမတ်တည်းဖြစ်နိုင်ချေနည်းပါးသောကြောင့်ဖြစ်သည်။ထို့အပြင်၊ OCTA သည် အရေးကြီးသော ရောဂါရှာဖွေရေးနှင့် ရောဂါရှာဖွေရေးကိရိယာတစ်ခုအဖြစ် ပေါ်ပေါက်လာသော ဆီးချိုဝေဒနာရှင်များတွင်သာ ရုပ်ပုံများကို ရရှိခဲ့သည်။ရလဒ်များခိုင်မာကြောင်းသေချာစေရန် အရွယ်အစားအမျိုးမျိုးရှိ ရုပ်ပုံများတွင် ကျွန်ုပ်တို့၏မော်ဒယ်ကို စမ်းသပ်နိုင်သော်လည်း၊ မတူညီသောစင်တာများမှ သင့်လျော်သောဒေတာအတွဲများကို ခွဲခြားသတ်မှတ်နိုင်ခြင်း မရှိသောကြောင့် မော်ဒယ်၏ယေဘူယျဖြစ်နိုင်စွမ်းကို ကျွန်ုပ်တို့၏အကဲဖြတ်မှုကို ကန့်သတ်ထားသည်။ရုပ်ပုံများကို စင်တာတစ်ခုတည်းမှ ရယူခဲ့သော်လည်း၊ ကျွန်ုပ်တို့၏လေ့လာမှု၏ ထူးခြားသော ခွန်အားတစ်ခုဖြစ်သည့် မတူညီသောလူမျိုးစုနှင့် လူမျိုးရေးနောက်ခံရှိ လူနာများထံမှ ရရှိခဲ့ခြင်းဖြစ်သည်။ကျွန်ုပ်တို့၏လေ့ကျင့်ရေးလုပ်ငန်းစဉ်တွင် ကွဲပြားမှုများပါဝင်ခြင်းဖြင့်၊ ကျွန်ုပ်တို့၏ရလဒ်များကို ပိုမိုကျယ်ပြန့်သောသဘောဖြင့် ယေဘူယျဖော်ပြနိုင်စေရန်နှင့် ကျွန်ုပ်တို့လေ့ကျင့်သင်ကြားသည့်ပုံစံများတွင် လူမျိုးရေးဘက်လိုက်မှုကို ကုဒ်ဝှက်ခြင်းကို ရှောင်ရှားနိုင်မည်ဟု ကျွန်ုပ်တို့မျှော်လင့်ပါသည်။
ကျွန်ုပ်တို့၏လေ့လာမှုအရ OCTA ရုပ်ပုံအရည်အသွေးကို ဆုံးဖြတ်ရာတွင် မြင့်မားသောစွမ်းဆောင်ရည်ရရှိရန် ချိတ်ဆက်မှု-ကျော်သွားသော အာရုံကြောကွန်ရက်များကို လေ့ကျင့်ပေးနိုင်ကြောင်း ကျွန်ုပ်တို့၏လေ့လာမှုက ဖော်ပြသည်။ကျွန်ုပ်တို့သည် ဤပုံစံများကို နောက်ထပ်သုတေသနပြုရန်အတွက် ကိရိယာများအဖြစ် ပံ့ပိုးပေးပါသည်။မတူညီသော မက်ထရစ်များသည် ကွဲပြားခြားနားသော ပုံအရည်အသွေး လိုအပ်ချက်များ ရှိနိုင်သောကြောင့် ဤနေရာတွင် တည်ဆောက်ထားသည့် ဖွဲ့စည်းပုံကို အသုံးပြု၍ မက်ထရစ်တစ်ခုစီအတွက် တစ်ဦးချင်း အရည်အသွေးထိန်းချုပ်မှုပုံစံကို ဖန်တီးနိုင်သည်။
အနာဂတ် သုတေသနတွင် နက်နဲသော သင်ယူမှု ရုပ်ပုံအရည်အသွေး အကဲဖြတ်ခြင်း လုပ်ငန်းစဉ်ကို OCTA ပလပ်ဖောင်းများနှင့် ပုံရိပ်ဖော်ပရိုတိုကောများတွင် ယေဘူယျပြုနိုင်သည့် နက်နဲသော သင်ယူမှုပုံရိပ်အရည်အသွေး အကဲဖြတ်မှု လုပ်ငန်းစဉ်ကို ရရှိရန်အတွက် မတူညီသော အရွယ်အစားအမျိုးမျိုးမှ ကွဲပြားသော အတိမ်အနက်မှ ပုံများနှင့် မတူညီသော OCTA စက်များ ပါဝင်သင့်သည်။လက်ရှိသုတေသနသည် လူသားအကဲဖြတ်မှုနှင့် ရုပ်ပုံအကဲဖြတ်မှု လိုအပ်သည့် ကြီးကြပ်မှုနက်ရှိုင်းသော သင်ယူမှုချဉ်းကပ်မှုအပေါ် အခြေခံထားပြီး၊ ၎င်းသည် ကြီးမားသောဒေတာအတွဲများအတွက် လုပ်သားအင်အားနှင့် အချိန်ကုန်စေနိုင်သည်။ကြီးကြပ်မှုမရှိသော နက်နဲသောသင်ယူမှုနည်းလမ်းများသည် အရည်အသွေးနိမ့်သောပုံများနှင့် အရည်အသွေးမြင့်ပုံများကြားတွင် လုံလောက်စွာ ပိုင်းခြားနိုင်မှုရှိမရှိ စောင့်ကြည့်ရမည်ဖြစ်ပါသည်။
OCTA နည်းပညာသည် ဆက်လက်တိုးတက်ပြောင်းလဲနေပြီး စကင်န်ဖတ်ခြင်းအမြန်နှုန်းများ တိုးလာသည်နှင့်အမျှ ရုပ်ပုံဖန်တီးမှုများနှင့် အရည်အသွေးညံ့သောပုံများ ဖြစ်ပွားမှု လျော့နည်းသွားနိုင်သည်။ဆော့ဖ်ဝဲလ်တွင် တိုးတက်မှုများ၊ မကြာသေးမီက မိတ်ဆက်ထားသော projection artifact removal feature ကဲ့သို့သော ဆော့ဖ်ဝဲများတွင် တိုးတက်မှုများသည် အဆိုပါကန့်သတ်ချက်များကို သက်သာစေနိုင်သည်။သို့သော်လည်း၊ ပြုပြင်မွမ်းမံမှုအားနည်းသောလူနာများ၏ပုံရိပ် သို့မဟုတ် သိသာထင်ရှားသောမီဒီယာများ ရှုပ်ထွေးမှုများသည် ရုပ်ပုံဆိုင်ရာပစ္စည်းများကို အမြဲမပြတ်ဖြစ်ပေါ်စေသောကြောင့် ပြဿနာများစွာရှိနေပါသည်။OCTA ကို လက်တွေ့စမ်းသပ်မှုများတွင် ပိုမိုတွင်ကျယ်စွာအသုံးပြုလာသည်နှင့်အမျှ၊ ပုံခွဲခြမ်းစိတ်ဖြာမှုအတွက် လက်ခံနိုင်သော ရုပ်ပုံလက်ရာအဆင့်များအတွက် ရှင်းလင်းသောလမ်းညွှန်ချက်များကို ချမှတ်ရန် ဂရုတစိုက်ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပါသည်။OCTA ရုပ်ပုံများအတွက် နက်နဲသောသင်ယူမှုနည်းလမ်းများကို အသုံးချခြင်းသည် ကြီးမားသောကတိကိုရရှိထားပြီး ရုပ်ပုံအရည်အသွေးထိန်းချုပ်မှုအား ခိုင်မာသောချဉ်းကပ်မှုတစ်ခုပြုလုပ်ရန် ဤနယ်ပယ်တွင် နောက်ထပ်သုတေသနပြုရန်လိုအပ်ပါသည်။
လက်ရှိသုတေသနတွင်အသုံးပြုသည့်ကုဒ်ကို octa-qc repository၊ https://github.com/rahuldhodapkar/octa-qc တွင် ရနိုင်ပါသည်။လက်ရှိလေ့လာနေစဉ်အတွင်း ထုတ်လုပ်ပြီး/သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာထားသော ဒေတာအတွဲများကို သက်ဆိုင်ရာစာရေးဆရာများမှ ကျိုးကြောင်းဆီလျော်စွာ တောင်းဆိုမှုဖြင့် ရရှိနိုင်ပါသည်။
Spaide၊ RF၊ Fujimoto၊ JG & Waheed၊ NK Image artifacts များသည် optical coherence angiography ။Retina 35၊ 2163–2180 (2015)။
Fenner, BJ et al.OCT angiography တွင် မြင်လွှာဆံချည်မျှင် သွေးကြောမျှင်များ သိပ်သည်းဆ တိုင်းတာခြင်းများ၏ အရည်အသွေးနှင့် မျိုးပွားနိုင်မှုကို ဆုံးဖြတ်သည့် ပုံရိပ်ဖော်ခြင်းအင်္ဂါရပ်များကို ဖော်ထုတ်ခြင်း။BRJ. Ophthalmol။102၊ 509–514 (2018)။
Lauerman, JL et al.အသက်အရွယ်နှင့်ဆက်စပ်သော macular degeneration တွင် OCT angiography ၏ ရုပ်ပုံအရည်အသွေးအပေါ် မျက်လုံးခြေရာခံနည်းပညာ၏ လွှမ်းမိုးမှု။သင်္ချိုင်းဂူ။ဆေးခန်း။Expမျက်စိပညာ။255၊ 1535–1542 (2017)။
Babyuch AS et al ။OCTA capillary perfusion density တိုင်းတာခြင်းကို macular ischemia ကိုရှာဖွေပြီးအကဲဖြတ်ရန်အသုံးပြုသည်။မျက်စိခွဲစိတ်မှု။Retinal Laser Imaging 51၊ S30–S36 (2020)။
သူ၊ K.၊ Zhang၊ X.၊ Ren၊ S. နှင့် Sun၊ J. Deep Residual Learning for Image Ren.2016 တွင် IEEE Conference on Computer Vision and Pattern Recognition (2016) တွင်။
Lauerman, JL et al.နက်နဲသောသင်ယူမှု algorithms ကို အသုံးပြု၍ အလိုအလျောက် OCT angiographic ရုပ်ပုံအရည်အသွေး အကဲဖြတ်ခြင်း။သင်္ချိုင်းဂူ။ဆေးခန်း။Expမျက်စိပညာ။257၊ 1641–1648 (2019)။
Lauermann, J. et al.OCT angiography တွင် အပိုင်းခွဲအမှားများနှင့် ရွေ့လျားမှုဆိုင်ရာ ပစ္စည်းများ၏အဖြစ်များမှုသည် မြင်လွှာ၏ရောဂါအပေါ် မူတည်သည်။သင်္ချိုင်းဂူ။ဆေးခန်း။Expမျက်စိပညာ။256၊ 1807–1816 (2018)။
Pask, Adam et al.Pytarch- မရှိမဖြစ်၊ စွမ်းဆောင်ရည်မြင့် နက်နဲသော သင်ယူမှုစာကြည့်တိုက်။အာရုံကြောဆိုင်ရာ အချက်အလက်များကို အဆင့်မြင့်လုပ်ဆောင်ခြင်း။စနစ်။32၊ 8026–8037 (2019)။
ထန်, ဂျေ et al.ImageNet- အကြီးစား အထက်တန်းပုံ ဒေတာဘေ့စ်။2009 IEEE Conference on Computer Vision and Pattern Recognition၂၄၈–၂၅၅။(၂၀၀၉)။
Krizhevsky A.၊ Sutzkever I. နှင့် Hinton GE Imagenet သည် နက်နဲသော convolutional neural ကွန်ရက်များကို အသုံးပြု၍ အမျိုးအစားခွဲခြားခြင်းအာရုံကြောဆိုင်ရာ အချက်အလက်များကို အဆင့်မြင့်လုပ်ဆောင်ခြင်း။စနစ်။25, 1 (2012)။