Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು.ನೀವು ಸೀಮಿತ CSS ಬೆಂಬಲದೊಂದಿಗೆ ಬ್ರೌಸರ್ ಆವೃತ್ತಿಯನ್ನು ಬಳಸುತ್ತಿರುವಿರಿ.ಉತ್ತಮ ಅನುಭವಕ್ಕಾಗಿ, ನೀವು ನವೀಕರಿಸಿದ ಬ್ರೌಸರ್ ಅನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿ).ಹೆಚ್ಚುವರಿಯಾಗಿ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಶೈಲಿಗಳು ಮತ್ತು ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತೇವೆ.
ಪ್ರತಿ ಸ್ಲೈಡ್‌ಗೆ ಮೂರು ಲೇಖನಗಳನ್ನು ತೋರಿಸುವ ಸ್ಲೈಡರ್‌ಗಳು.ಸ್ಲೈಡ್‌ಗಳ ಮೂಲಕ ಚಲಿಸಲು ಹಿಂದಿನ ಮತ್ತು ಮುಂದಿನ ಬಟನ್‌ಗಳನ್ನು ಬಳಸಿ ಅಥವಾ ಪ್ರತಿ ಸ್ಲೈಡ್ ಮೂಲಕ ಚಲಿಸಲು ಕೊನೆಯಲ್ಲಿ ಸ್ಲೈಡ್ ನಿಯಂತ್ರಕ ಬಟನ್‌ಗಳನ್ನು ಬಳಸಿ.
ಆಪ್ಟಿಕಲ್ ಕೊಹೆರೆನ್ಸ್ ಟೊಮೊಗ್ರಾಫಿಕ್ ಆಂಜಿಯೋಗ್ರಫಿ (OCTA) ರೆಟಿನಾದ ನಾಳಗಳ ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ದೃಶ್ಯೀಕರಣಕ್ಕೆ ಒಂದು ಹೊಸ ವಿಧಾನವಾಗಿದೆ.OCTA ಅನೇಕ ಭರವಸೆಯ ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದರೂ, ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುವುದು ಒಂದು ಸವಾಲಾಗಿ ಉಳಿದಿದೆ.134 ರೋಗಿಗಳ 347 ಸ್ಕ್ಯಾನ್‌ಗಳಿಂದ ಬಾಹ್ಯ ಕ್ಯಾಪಿಲ್ಲರಿ ಪ್ಲೆಕ್ಸಸ್ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಇಮೇಜ್‌ನೆಟ್‌ನೊಂದಿಗೆ ಪೂರ್ವ ತರಬೇತಿ ಪಡೆದ ResNet152 ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ವರ್ಗೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಆಳವಾದ ಕಲಿಕೆ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ.ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಮಾದರಿಗಾಗಿ ಇಬ್ಬರು ಸ್ವತಂತ್ರ ರೇಟರ್‌ಗಳಿಂದ ಚಿತ್ರಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ನಿಜವಾದ ಸತ್ಯವೆಂದು ನಿರ್ಣಯಿಸಲಾಗಿದೆ.ಕ್ಲಿನಿಕಲ್ ಅಥವಾ ಸಂಶೋಧನಾ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಅವಲಂಬಿಸಿ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಅವಶ್ಯಕತೆಗಳು ಬದಲಾಗಬಹುದು, ಎರಡು ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ನೀಡಲಾಗಿದೆ, ಒಂದು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಚಿತ್ರ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಇನ್ನೊಂದು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರ ಗುರುತಿಸುವಿಕೆಗಾಗಿ.ನಮ್ಮ ನರಮಂಡಲದ ಮಾದರಿಯು ಕರ್ವ್ (AUC) ಅಡಿಯಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾದ ಪ್ರದೇಶವನ್ನು ತೋರಿಸುತ್ತದೆ, 95% CI 0.96-0.99, \(\kappa\) = 0.81), ಇದು ಯಂತ್ರದಿಂದ ವರದಿ ಮಾಡಲಾದ ಸಿಗ್ನಲ್ ಮಟ್ಟಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮವಾಗಿದೆ (AUC = 0.82, 95 % CI).0.77-0.86, \(\kappa\) = 0.52 ಮತ್ತು AUC = 0.78, 95% CI 0.73-0.83, \(\kappa\) = 0.27, ಕ್ರಮವಾಗಿ).OCTA ಚಿತ್ರಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಮತ್ತು ದೃಢವಾದ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಬಹುದೆಂದು ನಮ್ಮ ಅಧ್ಯಯನವು ತೋರಿಸುತ್ತದೆ.
ಆಪ್ಟಿಕಲ್ ಕೊಹೆರೆನ್ಸ್ ಟೊಮೊಗ್ರಾಫಿಕ್ ಆಂಜಿಯೋಗ್ರಫಿ (OCTA) ಎಂಬುದು ಆಪ್ಟಿಕಲ್ ಕೊಹೆರೆನ್ಸ್ ಟೊಮೊಗ್ರಫಿ (OCT) ಆಧಾರಿತ ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ತಂತ್ರವಾಗಿದ್ದು ಇದನ್ನು ರೆಟಿನಾದ ಮೈಕ್ರೊವಾಸ್ಕುಲೇಚರ್‌ನ ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ ಬಳಸಬಹುದು.OCTA ರೆಟಿನಾದ ಅದೇ ಪ್ರದೇಶದಲ್ಲಿ ಪುನರಾವರ್ತಿತ ಬೆಳಕಿನ ಪಲ್ಸ್‌ಗಳಿಂದ ಪ್ರತಿಫಲನ ಮಾದರಿಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಅಳೆಯುತ್ತದೆ ಮತ್ತು ನಂತರ ಬಣ್ಣಗಳು ಅಥವಾ ಇತರ ಕಾಂಟ್ರಾಸ್ಟ್ ಏಜೆಂಟ್‌ಗಳ ಆಕ್ರಮಣಕಾರಿ ಬಳಕೆಯಿಲ್ಲದೆ ರಕ್ತನಾಳಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ಲೆಕ್ಕಹಾಕಬಹುದು.OCTA ಆಳ-ರೆಸಲ್ಯೂಶನ್ ನಾಳೀಯ ಚಿತ್ರಣವನ್ನು ಸಹ ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ, ವೈದ್ಯರಿಗೆ ಬಾಹ್ಯ ಮತ್ತು ಆಳವಾದ ಹಡಗಿನ ಪದರಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರೀಕ್ಷಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಕೊರಿಯೊರೆಟಿನಲ್ ಕಾಯಿಲೆಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಈ ತಂತ್ರವು ಭರವಸೆಯಿದ್ದರೂ, ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ವ್ಯತ್ಯಾಸವು ವಿಶ್ವಾಸಾರ್ಹ ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಗೆ ಒಂದು ಪ್ರಮುಖ ಸವಾಲಾಗಿ ಉಳಿದಿದೆ, ಚಿತ್ರದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ ಮತ್ತು ವ್ಯಾಪಕವಾದ ಕ್ಲಿನಿಕಲ್ ಅಳವಡಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ.OCTA ಅನೇಕ ಸತತ OCT ಸ್ಕ್ಯಾನ್‌ಗಳನ್ನು ಬಳಸುವುದರಿಂದ, ಇದು ಪ್ರಮಾಣಿತ OCT ಗಿಂತ ಚಿತ್ರದ ಕಲಾಕೃತಿಗಳಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ.ಹೆಚ್ಚಿನ ವಾಣಿಜ್ಯ OCTA ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಸಿಗ್ನಲ್ ಸ್ಟ್ರೆಂತ್ (SS) ಅಥವಾ ಕೆಲವೊಮ್ಮೆ ಸಿಗ್ನಲ್ ಸ್ಟ್ರೆಂತ್ ಇಂಡೆಕ್ಸ್ (SSI) ಎಂಬ ತಮ್ಮದೇ ಆದ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಒದಗಿಸುತ್ತವೆ.ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ SS ಅಥವಾ SSI ಮೌಲ್ಯವನ್ನು ಹೊಂದಿರುವ ಚಿತ್ರಗಳು ಚಿತ್ರದ ಕಲಾಕೃತಿಗಳ ಅನುಪಸ್ಥಿತಿಯನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ, ಇದು ಯಾವುದೇ ನಂತರದ ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು ಮತ್ತು ತಪ್ಪಾದ ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.OCTA ಇಮೇಜಿಂಗ್‌ನಲ್ಲಿ ಸಂಭವಿಸಬಹುದಾದ ಸಾಮಾನ್ಯ ಚಿತ್ರ ಕಲಾಕೃತಿಗಳು ಚಲನೆಯ ಕಲಾಕೃತಿಗಳು, ವಿಭಜನೆ ಕಲಾಕೃತಿಗಳು, ಮಾಧ್ಯಮ ಅಪಾರದರ್ಶಕತೆ ಕಲಾಕೃತಿಗಳು ಮತ್ತು ಪ್ರೊಜೆಕ್ಷನ್ ಕಲಾಕೃತಿಗಳು1,2,3.
ನಾಳೀಯ ಸಾಂದ್ರತೆಯಂತಹ OCTA- ಪಡೆದ ಕ್ರಮಗಳನ್ನು ಭಾಷಾಂತರ ಸಂಶೋಧನೆ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತಿರುವುದರಿಂದ, ಚಿತ್ರದ ಕಲಾಕೃತಿಗಳನ್ನು ತೊಡೆದುಹಾಕಲು ದೃಢವಾದ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಚಿತ್ರ ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ತುರ್ತು ಅಗತ್ಯವಿದೆ.ಸ್ಕಿಪ್ ಸಂಪರ್ಕಗಳು, ಉಳಿದಿರುವ ಸಂಪರ್ಕಗಳು ಎಂದೂ ಸಹ ಕರೆಯಲ್ಪಡುತ್ತವೆ, ಇದು ವಿವಿಧ ಮಾಪಕಗಳು ಅಥವಾ ರೆಸಲ್ಯೂಶನ್‌ಗಳಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವಾಗ ಕನ್ವಲ್ಯೂಷನಲ್ ಲೇಯರ್‌ಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡಲು ಮಾಹಿತಿಯನ್ನು ಅನುಮತಿಸುವ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನಲ್ಲಿನ ಪ್ರಕ್ಷೇಪಗಳಾಗಿವೆ.ಚಿತ್ರದ ಕಲಾಕೃತಿಗಳು ಸಣ್ಣ-ಪ್ರಮಾಣದ ಮತ್ತು ಸಾಮಾನ್ಯ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಚಿತ್ರದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದರಿಂದ, ಈ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ ಕಾರ್ಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಸ್ಕಿಪ್-ಕನೆಕ್ಷನ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಸೂಕ್ತವಾಗಿವೆ.ಇತ್ತೀಚೆಗೆ ಪ್ರಕಟವಾದ ಕೆಲಸವು ಮಾನವ ಅಂದಾಜುಗಾರರಿಂದ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ತರಬೇತಿ ಪಡೆದ ಆಳವಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲಗಳಿಗೆ ಕೆಲವು ಭರವಸೆಯನ್ನು ತೋರಿಸಿದೆ.
ಈ ಅಧ್ಯಯನದಲ್ಲಿ, OCTA ಚಿತ್ರಗಳ ಗುಣಮಟ್ಟವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ಧರಿಸಲು ನಾವು ಸಂಪರ್ಕ-ಸ್ಕಿಪ್ಪಿಂಗ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತೇವೆ.ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳು ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸಲು ಪ್ರತ್ಯೇಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮೂಲಕ ನಾವು ಹಿಂದಿನ ಕೆಲಸವನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ, ಏಕೆಂದರೆ ನಿರ್ದಿಷ್ಟ ಕ್ಲಿನಿಕಲ್ ಅಥವಾ ಸಂಶೋಧನಾ ಸನ್ನಿವೇಶಗಳಿಗೆ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಅವಶ್ಯಕತೆಗಳು ಭಿನ್ನವಾಗಿರಬಹುದು.ಆಳವಾದ ಕಲಿಕೆಯೊಳಗೆ ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿಯ ಬಹು ಹಂತಗಳಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೇರಿಸುವ ಮೌಲ್ಯವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸಂಪರ್ಕಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳದೆಯೇ ನಾವು ಈ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಕಾನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ.ನಾವು ನಂತರ ನಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೋಲಿಸಿದ್ದೇವೆ, ತಯಾರಕರು ಒದಗಿಸಿದ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಸಾಮಾನ್ಯವಾಗಿ ಸ್ವೀಕರಿಸಿದ ಅಳತೆ.
ನಮ್ಮ ಅಧ್ಯಯನವು ಆಗಸ್ಟ್ 11, 2017 ಮತ್ತು ಏಪ್ರಿಲ್ 11, 2019 ರ ನಡುವೆ ಯೇಲ್ ಐ ಸೆಂಟರ್‌ಗೆ ಹಾಜರಾದ ಮಧುಮೇಹ ಹೊಂದಿರುವ ರೋಗಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಯಾವುದೇ ಮಧುಮೇಹ-ಅಲ್ಲದ ಕೊರಿಯೊರೆಟಿನಲ್ ಕಾಯಿಲೆ ಹೊಂದಿರುವ ರೋಗಿಗಳನ್ನು ಹೊರಗಿಡಲಾಗಿದೆ.ವಯಸ್ಸು, ಲಿಂಗ, ಜನಾಂಗ, ಚಿತ್ರದ ಗುಣಮಟ್ಟ ಅಥವಾ ಯಾವುದೇ ಇತರ ಅಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಯಾವುದೇ ಸೇರ್ಪಡೆ ಅಥವಾ ಹೊರಗಿಡುವ ಮಾನದಂಡಗಳಿಲ್ಲ.
8\(\times\)8 mm ಮತ್ತು 6\(\times\)6 mm ಇಮೇಜಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್‌ಗಳ ಅಡಿಯಲ್ಲಿ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) ನಲ್ಲಿ AngioPlex ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು OCTA ಚಿತ್ರಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಲಾಗಿದೆ.ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಲು ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯನ್ನು ಪ್ರತಿ ಅಧ್ಯಯನದ ಭಾಗವಹಿಸುವವರಿಂದ ಪಡೆಯಲಾಗಿದೆ ಮತ್ತು ಯೇಲ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಾಂಸ್ಥಿಕ ವಿಮರ್ಶೆ ಮಂಡಳಿ (IRB) ಈ ಎಲ್ಲಾ ರೋಗಿಗಳಿಗೆ ಜಾಗತಿಕ ಛಾಯಾಗ್ರಹಣದೊಂದಿಗೆ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಸಮ್ಮತಿಯ ಬಳಕೆಯನ್ನು ಅನುಮೋದಿಸಿದೆ.ಹೆಲ್ಸಿಂಕಿ ಘೋಷಣೆಯ ತತ್ವಗಳನ್ನು ಅನುಸರಿಸಿ.ಈ ಅಧ್ಯಯನವನ್ನು ಯೇಲ್ ವಿಶ್ವವಿದ್ಯಾಲಯ IRB ಅನುಮೋದಿಸಿದೆ.
ಈ ಹಿಂದೆ ವಿವರಿಸಿದ ಮೋಷನ್ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ ಸ್ಕೋರ್ (MAS), ಹಿಂದೆ ವಿವರಿಸಿದ ಸೆಗ್ಮೆಂಟೇಶನ್ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ ಸ್ಕೋರ್ (SAS), ಫೊವೆಲ್ ಸೆಂಟರ್, ಮಾಧ್ಯಮದ ಅಪಾರದರ್ಶಕತೆಯ ಉಪಸ್ಥಿತಿ ಮತ್ತು ಚಿತ್ರ ಮೌಲ್ಯಮಾಪಕರಿಂದ ನಿರ್ಧರಿಸಲ್ಪಟ್ಟಂತೆ ಸಣ್ಣ ಕ್ಯಾಪಿಲ್ಲರಿಗಳ ಉತ್ತಮ ದೃಶ್ಯೀಕರಣದ ಆಧಾರದ ಮೇಲೆ ಮೇಲ್ಮೈ ಫಲಕದ ಚಿತ್ರಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ.ಚಿತ್ರಗಳನ್ನು ಇಬ್ಬರು ಸ್ವತಂತ್ರ ಮೌಲ್ಯಮಾಪಕರು (RD ಮತ್ತು JW) ವಿಶ್ಲೇಷಿಸಿದ್ದಾರೆ.ಕೆಳಗಿನ ಎಲ್ಲಾ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸಿದರೆ ಚಿತ್ರವು 2 ರ ಶ್ರೇಣೀಕೃತ ಸ್ಕೋರ್ ಅನ್ನು ಹೊಂದಿರುತ್ತದೆ (ಅರ್ಹತೆ) ಮಾಧ್ಯಮದ ಅಪಾರದರ್ಶಕತೆ 1 ಕ್ಕಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ಗಾತ್ರ / 16 ರ ಚಿತ್ರಗಳ ಮೇಲೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ ಮತ್ತು 15/16 ಕ್ಕಿಂತ ದೊಡ್ಡದಾದ ಚಿತ್ರಗಳಲ್ಲಿ ಸಣ್ಣ ಕ್ಯಾಪಿಲ್ಲರಿಗಳು ಕಂಡುಬರುತ್ತವೆ.ಕೆಳಗಿನ ಯಾವುದೇ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸಿದರೆ ಚಿತ್ರವನ್ನು 0 ಎಂದು ರೇಟ್ ಮಾಡಲಾಗುತ್ತದೆ (ರೇಟಿಂಗ್ ಇಲ್ಲ): ಚಿತ್ರವು ಆಫ್ ಸೆಂಟರ್ ಆಗಿದ್ದರೆ, MAS 4 ಆಗಿದ್ದರೆ, SAS 2 ಆಗಿದ್ದರೆ ಅಥವಾ ಸರಾಸರಿ ಅಪಾರದರ್ಶಕತೆಯು ಚಿತ್ರದ 1/4 ಕ್ಕಿಂತ ಹೆಚ್ಚಿದ್ದರೆ, ಮತ್ತು ಸಣ್ಣ ಕ್ಯಾಪಿಲ್ಲರಿಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು 1 ಚಿತ್ರ /4 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಹೊಂದಿಸಲಾಗುವುದಿಲ್ಲ.ಸ್ಕೋರಿಂಗ್ ಮಾನದಂಡ 0 ಅಥವಾ 2 ಅನ್ನು ಪೂರೈಸದ ಎಲ್ಲಾ ಇತರ ಚಿತ್ರಗಳನ್ನು 1 (ಕ್ಲಿಪಿಂಗ್) ಎಂದು ಸ್ಕೋರ್ ಮಾಡಲಾಗಿದೆ.
ಅಂಜೂರದ ಮೇಲೆ.1 ಪ್ರತಿ ಅಳತೆಯ ಅಂದಾಜುಗಳು ಮತ್ತು ಚಿತ್ರ ಕಲಾಕೃತಿಗಳಿಗೆ ಮಾದರಿ ಚಿತ್ರಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.ವೈಯಕ್ತಿಕ ಸ್ಕೋರ್‌ಗಳ ಇಂಟರ್-ರೇಟರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಕೋಹೆನ್‌ನ ಕಪ್ಪಾ ವೇಟಿಂಗ್‌ನಿಂದ ನಿರ್ಣಯಿಸಲಾಗಿದೆ.ಪ್ರತಿ ರೇಟರ್‌ನ ವೈಯಕ್ತಿಕ ಸ್ಕೋರ್‌ಗಳನ್ನು ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ ಒಟ್ಟಾರೆ ಸ್ಕೋರ್ ಪಡೆಯಲು ಸಂಕ್ಷೇಪಿಸಲಾಗಿದೆ, 0 ರಿಂದ 4 ರವರೆಗೆ ಇರುತ್ತದೆ. ಒಟ್ಟು 4 ಸ್ಕೋರ್ ಹೊಂದಿರುವ ಚಿತ್ರಗಳನ್ನು ಉತ್ತಮವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.ಒಟ್ಟು 0 ಅಥವಾ 1 ಸ್ಕೋರ್ ಹೊಂದಿರುವ ಚಿತ್ರಗಳನ್ನು ಕಡಿಮೆ ಗುಣಮಟ್ಟವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.
ಇಮೇಜ್‌ನೆಟ್ ಡೇಟಾಬೇಸ್‌ನಿಂದ ಚಿತ್ರಗಳ ಮೇಲೆ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ResNet152 ಆರ್ಕಿಟೆಕ್ಚರ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ (Fig. 3A.i) fast.ai ಮತ್ತು PyTorch ಫ್ರೇಮ್‌ವರ್ಕ್ 5, 9, 10, 11 ಅನ್ನು ಬಳಸಿಕೊಂಡು ರಚಿಸಲಾಗಿದೆ. ಒಂದು ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಕಲಿತದ್ದನ್ನು ಬಳಸುವ ನೆಟ್‌ವರ್ಕ್ ಆಗಿದೆ. ಪ್ರಾದೇಶಿಕ ಮತ್ತು ಸ್ಥಳೀಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಚಿತ್ರದ ತುಣುಕುಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ಫಿಲ್ಟರ್‌ಗಳು.ನಮ್ಮ ತರಬೇತಿ ಪಡೆದ ResNet 152-ಪದರದ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಆಗಿದ್ದು, ಅಂತರಗಳು ಅಥವಾ "ಉಳಿದಿರುವ ಸಂಪರ್ಕಗಳು" ಮೂಲಕ ಏಕಕಾಲದಲ್ಲಿ ಬಹು ನಿರ್ಣಯಗಳೊಂದಿಗೆ ಮಾಹಿತಿಯನ್ನು ರವಾನಿಸುತ್ತದೆ.ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ವಿಭಿನ್ನ ರೆಸಲ್ಯೂಶನ್‌ಗಳಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಪ್ರೊಜೆಕ್ಟ್ ಮಾಡುವ ಮೂಲಕ, ವೇದಿಕೆಯು ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಅನೇಕ ಹಂತಗಳ ವಿವರಗಳಲ್ಲಿ ಕಲಿಯಬಹುದು.ನಮ್ಮ ResNet ಮಾದರಿಯ ಜೊತೆಗೆ, ನಾವು AlexNet, ಚೆನ್ನಾಗಿ ಅಧ್ಯಯನ ಮಾಡಿದ ನರ ನೆಟ್‌ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್, ಹೋಲಿಕೆಗಾಗಿ ಸಂಪರ್ಕಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳದೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ (ಚಿತ್ರ 3A.ii)12.ಸಂಪರ್ಕಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳದೆ, ಹೆಚ್ಚಿನ ಗ್ರ್ಯಾನ್ಯುಲಾರಿಟಿಯಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲು ಈ ನೆಟ್‌ವರ್ಕ್ ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.
ಮೂಲ 8\(\times\)8mm OCTA13 ಇಮೇಜ್ ಸೆಟ್ ಅನ್ನು ಸಮತಲ ಮತ್ತು ಲಂಬ ಪ್ರತಿಫಲನ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಧಿಸಲಾಗಿದೆ.ನಂತರ ಪೂರ್ಣ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಚಿತ್ರದ ಮಟ್ಟದಲ್ಲಿ ತರಬೇತಿ (51.2%), ಪರೀಕ್ಷೆ (12.8%), ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್ ಟ್ಯೂನಿಂಗ್ (16%), ಮತ್ತು ಸ್ಕೈಟ್-ಲರ್ನ್ ಟೂಲ್‌ಬಾಕ್ಸ್ ಪೈಥಾನ್ 14 ಅನ್ನು ಬಳಸಿಕೊಂಡು ಮೌಲ್ಯೀಕರಣ (20%) ಡೇಟಾಸೆಟ್‌ಗಳಾಗಿ ವಿಭಜಿಸಲಾಯಿತು.ಎರಡು ಪ್ರಕರಣಗಳನ್ನು ಪರಿಗಣಿಸಲಾಗಿದೆ, ಒಂದು ಅತ್ಯುನ್ನತ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳನ್ನು (ಒಟ್ಟಾರೆ ಸ್ಕೋರ್ 4) ಪತ್ತೆ ಮಾಡುವುದರ ಆಧಾರದ ಮೇಲೆ ಮತ್ತು ಇನ್ನೊಂದು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳನ್ನು (ಒಟ್ಟಾರೆ ಸ್ಕೋರ್ 0 ಅಥವಾ 1) ಪತ್ತೆಹಚ್ಚುವ ಆಧಾರದ ಮೇಲೆ.ಪ್ರತಿ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಮತ್ತು ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ನಮ್ಮ ಚಿತ್ರದ ಡೇಟಾದಲ್ಲಿ ನರಮಂಡಲವನ್ನು ಒಮ್ಮೆ ಮರುತರಬೇತಿಗೊಳಿಸಲಾಗುತ್ತದೆ.ಪ್ರತಿಯೊಂದು ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ನರಮಂಡಲವನ್ನು 10 ಯುಗಗಳವರೆಗೆ ತರಬೇತಿ ನೀಡಲಾಯಿತು, ಹೆಚ್ಚಿನ ಪದರದ ತೂಕವನ್ನು ಹೊರತುಪಡಿಸಿ ಉಳಿದೆಲ್ಲವೂ ಫ್ರೀಜ್ ಮಾಡಲ್ಪಟ್ಟವು ಮತ್ತು ಎಲ್ಲಾ ಆಂತರಿಕ ನಿಯತಾಂಕಗಳ ತೂಕವನ್ನು 40 ಯುಗಗಳವರೆಗೆ ಕ್ರಾಸ್-ಎಂಟ್ರೊಪಿ ನಷ್ಟ ಕಾರ್ಯದೊಂದಿಗೆ ತಾರತಮ್ಯದ ಕಲಿಕೆಯ ದರ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕಲಿಯಲಾಯಿತು 15, 16..ಅಡ್ಡ ಎಂಟ್ರೊಪಿ ನಷ್ಟದ ಕಾರ್ಯವು ಭವಿಷ್ಯವಾಣಿಯ ನೆಟ್‌ವರ್ಕ್ ಲೇಬಲ್‌ಗಳು ಮತ್ತು ನೈಜ ಡೇಟಾದ ನಡುವಿನ ವ್ಯತ್ಯಾಸದ ಲಾಗರಿಥಮಿಕ್ ಸ್ಕೇಲ್‌ನ ಅಳತೆಯಾಗಿದೆ.ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, ನಷ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನರಮಂಡಲದ ಆಂತರಿಕ ನಿಯತಾಂಕಗಳ ಮೇಲೆ ಗ್ರೇಡಿಯಂಟ್ ಇಳಿಯುವಿಕೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ.ಕಲಿಕೆಯ ದರ, ಡ್ರಾಪ್‌ಔಟ್ ದರ ಮತ್ತು ತೂಕ ಕಡಿತದ ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು 2 ಯಾದೃಚ್ಛಿಕ ಆರಂಭಿಕ ಬಿಂದುಗಳು ಮತ್ತು 10 ಪುನರಾವರ್ತನೆಗಳೊಂದಿಗೆ ಬೇಸಿಯನ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಬಳಸಿ ಟ್ಯೂನ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ AUC ಅನ್ನು 17 ರ ಗುರಿಯಾಗಿ ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಟ್ಯೂನ್ ಮಾಡಲಾಗಿದೆ.
ಬಾಹ್ಯ ಕ್ಯಾಪಿಲ್ಲರಿ ಪ್ಲೆಕ್ಸಸ್‌ಗಳ 8 × 8 mm OCTA ಚಿತ್ರಗಳ ಪ್ರತಿನಿಧಿ ಉದಾಹರಣೆಗಳು 2 (A, B), 1 (C, D), ಮತ್ತು 0 (E, F).ತೋರಿಸಿರುವ ಚಿತ್ರ ಕಲಾಕೃತಿಗಳಲ್ಲಿ ಮಿನುಗುವ ರೇಖೆಗಳು (ಬಾಣಗಳು), ವಿಭಜನಾ ಕಲಾಕೃತಿಗಳು (ನಕ್ಷತ್ರ ಚಿಹ್ನೆಗಳು), ಮತ್ತು ಮಾಧ್ಯಮ ಅಪಾರದರ್ಶಕತೆ (ಬಾಣಗಳು) ಸೇರಿವೆ.ಚಿತ್ರ (ಇ) ಸಹ ಕೇಂದ್ರದಿಂದ ಹೊರಗಿದೆ.
ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಗುಣಲಕ್ಷಣಗಳು (ROC) ಕರ್ವ್‌ಗಳನ್ನು ನಂತರ ಎಲ್ಲಾ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಮಾದರಿಗಳಿಗೆ ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಮತ್ತು ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಎಂಜಿನ್ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದ ವರದಿಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ.ಕರ್ವ್ ಅಡಿಯಲ್ಲಿ (AUC) ಪ್ರದೇಶವನ್ನು pROC R ಪ್ಯಾಕೇಜ್ ಬಳಸಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳು ಮತ್ತು p-ಮೌಲ್ಯಗಳನ್ನು DeLong ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ18,19.ಮಾನವ ರೇಟರ್‌ಗಳ ಸಂಚಿತ ಸ್ಕೋರ್‌ಗಳನ್ನು ಎಲ್ಲಾ ROC ಲೆಕ್ಕಾಚಾರಗಳಿಗೆ ಬೇಸ್‌ಲೈನ್‌ನಂತೆ ಬಳಸಲಾಗುತ್ತದೆ.ಯಂತ್ರವು ವರದಿ ಮಾಡಿದ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ, AUC ಅನ್ನು ಎರಡು ಬಾರಿ ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ: ಒಮ್ಮೆ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಸ್ಕೇಲೆಬಿಲಿಟಿ ಸ್ಕೋರ್ ಕಟ್ಆಫ್ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಸ್ಕೇಲೆಬಿಲಿಟಿ ಸ್ಕೋರ್ ಕಟ್ಆಫ್ಗಾಗಿ ಒಮ್ಮೆ.ನರಗಳ ಜಾಲವನ್ನು AUC ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ, ಅದು ತನ್ನದೇ ಆದ ತರಬೇತಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
ಪ್ರತ್ಯೇಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಮತ್ತಷ್ಟು ಪರೀಕ್ಷಿಸಲು, ಯೇಲ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಿಂದ ಸಂಗ್ರಹಿಸಲಾದ 32 ಪೂರ್ಣ ಮುಖದ 6\(\times\) 6mm ಮೇಲ್ಮೈ ಸ್ಲ್ಯಾಬ್ ಚಿತ್ರಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮಾದರಿಗಳನ್ನು ನೇರವಾಗಿ ಅನ್ವಯಿಸಲಾಗಿದೆ.ಕಣ್ಣಿನ ದ್ರವ್ಯರಾಶಿಯು ಚಿತ್ರ 8 \(\times \) 8 mm ನಂತೆ ಅದೇ ಸಮಯದಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿರುತ್ತದೆ.6\(\×\) 6 mm ಚಿತ್ರಗಳನ್ನು 8\(\×\) 8 mm ಚಿತ್ರಗಳ ರೀತಿಯಲ್ಲಿಯೇ ಅದೇ ರೇಟರ್‌ಗಳಿಂದ (RD ಮತ್ತು JW) ಹಸ್ತಚಾಲಿತವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ, AUC ಅನ್ನು ಲೆಕ್ಕಹಾಕಲಾಯಿತು ಮತ್ತು ನಿಖರತೆ ಮತ್ತು ಕೋಹೆನ್ಸ್ ಕಪ್ಪಾ .ಸಮಾನವಾಗಿ.
ವರ್ಗ ಅಸಮತೋಲನ ಅನುಪಾತವು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮಾದರಿಗೆ 158:189 (\(\rho = 1.19\)) ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮಾದರಿಗೆ 80:267 (\(\rho = 3.3\)).ವರ್ಗ ಅಸಮತೋಲನ ಅನುಪಾತವು 1:4 ಕ್ಕಿಂತ ಕಡಿಮೆಯಿರುವುದರಿಂದ, ವರ್ಗ ಅಸಮತೋಲನವನ್ನು ಸರಿಪಡಿಸಲು ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ವಾಸ್ತುಶಿಲ್ಪದ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲಾಗಿಲ್ಲ20,21.
ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಉತ್ತಮವಾಗಿ ದೃಶ್ಯೀಕರಿಸಲು, ಎಲ್ಲಾ ನಾಲ್ಕು ತರಬೇತಿ ಪಡೆದ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ವರ್ಗ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ: ಉತ್ತಮ ಗುಣಮಟ್ಟದ ResNet152 ಮಾದರಿ, ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ResNet152 ಮಾದರಿ, ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಅಲೆಕ್ಸ್‌ನೆಟ್ ಮಾದರಿ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಅಲೆಕ್ಸ್‌ನೆಟ್ ಮಾದರಿ.ವರ್ಗ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳನ್ನು ಈ ನಾಲ್ಕು ಮಾದರಿಗಳ ಇನ್‌ಪುಟ್ ಕನ್ವಲ್ಯೂಷನಲ್ ಲೇಯರ್‌ಗಳಿಂದ ರಚಿಸಲಾಗಿದೆ ಮತ್ತು 8 × 8 mm ಮತ್ತು 6 × 6 mm ಮೌಲ್ಯೀಕರಣ ಸೆಟ್‌ಗಳಿಂದ ಮೂಲ ಚಿತ್ರಗಳೊಂದಿಗೆ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳನ್ನು ಅತಿಕ್ರಮಿಸುವ ಮೂಲಕ ಶಾಖ ನಕ್ಷೆಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ22, 23.
ಎಲ್ಲಾ ಅಂಕಿಅಂಶಗಳ ಲೆಕ್ಕಾಚಾರಗಳಿಗೆ R ಆವೃತ್ತಿ 4.0.3 ಅನ್ನು ಬಳಸಲಾಗಿದೆ ಮತ್ತು ggplot2 ಗ್ರಾಫಿಕ್ಸ್ ಟೂಲ್ ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ದೃಶ್ಯೀಕರಣಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ.
ನಾವು 134 ಜನರಿಂದ 8 \(\ ಬಾರಿ \)8 ಮಿಮೀ ಅಳತೆಯ ಬಾಹ್ಯ ಕ್ಯಾಪಿಲ್ಲರಿ ಪ್ಲೆಕ್ಸಸ್‌ನ 347 ಮುಂಭಾಗದ ಚಿತ್ರಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದೇವೆ.ಯಂತ್ರವು ಎಲ್ಲಾ ಚಿತ್ರಗಳಿಗೆ 0 ರಿಂದ 10 ರ ಪ್ರಮಾಣದಲ್ಲಿ ಸಿಗ್ನಲ್ ಬಲವನ್ನು ವರದಿ ಮಾಡಿದೆ (ಸರಾಸರಿ = 6.99 ± 2.29).ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡ 347 ಚಿತ್ರಗಳಲ್ಲಿ, ಪರೀಕ್ಷೆಯ ಸರಾಸರಿ ವಯಸ್ಸು 58.7 ± 14.6 ವರ್ಷಗಳು, ಮತ್ತು 39.2% ಪುರುಷ ರೋಗಿಗಳಿಂದ.ಎಲ್ಲಾ ಚಿತ್ರಗಳಲ್ಲಿ, 30.8% ಕಕೇಶಿಯನ್ನರಿಂದ, 32.6% ಕರಿಯರಿಂದ, 30.8% ಹಿಸ್ಪಾನಿಕ್ಸ್‌ನಿಂದ, 4% ಏಷ್ಯನ್ನರಿಂದ ಮತ್ತು 1.7% ಇತರ ಜನಾಂಗಗಳಿಂದ (ಕೋಷ್ಟಕ 1).)OCTA ಹೊಂದಿರುವ ರೋಗಿಗಳ ವಯಸ್ಸಿನ ವಿತರಣೆಯು ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ಅವಲಂಬಿಸಿ ಗಮನಾರ್ಹವಾಗಿ ಭಿನ್ನವಾಗಿದೆ (p <0.001).18-45 ವರ್ಷ ವಯಸ್ಸಿನ ಕಿರಿಯ ರೋಗಿಗಳಲ್ಲಿ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳ ಶೇಕಡಾವಾರು 33.8% ನಷ್ಟು ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳ 12.2% ಗೆ ಹೋಲಿಸಿದರೆ (ಕೋಷ್ಟಕ 1).ಡಯಾಬಿಟಿಕ್ ರೆಟಿನೋಪತಿ ಸ್ಥಿತಿಯ ವಿತರಣೆಯು ಚಿತ್ರದ ಗುಣಮಟ್ಟದಲ್ಲಿ ಗಮನಾರ್ಹವಾಗಿ ಬದಲಾಗಿದೆ (p <0.017).ಎಲ್ಲಾ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳಲ್ಲಿ, ಎಲ್ಲಾ ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳ 38.8% ಗೆ ಹೋಲಿಸಿದರೆ PDR ​​ಹೊಂದಿರುವ ರೋಗಿಗಳ ಶೇಕಡಾವಾರು 18.8% ಆಗಿದೆ (ಕೋಷ್ಟಕ 1).
ಎಲ್ಲಾ ಚಿತ್ರಗಳ ವೈಯಕ್ತಿಕ ರೇಟಿಂಗ್‌ಗಳು ಚಿತ್ರಗಳನ್ನು ಓದುವ ಜನರ ನಡುವೆ ಮಧ್ಯಮ ಮತ್ತು ಬಲವಾದ ಅಂತರ-ರೇಟಿಂಗ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ತೋರಿಸಿದೆ (ಕೊಹೆನ್‌ನ ತೂಕದ ಕಪ್ಪಾ = 0.79, 95% CI: 0.76-0.82), ಮತ್ತು ರೇಟರ್‌ಗಳು 1 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಭಿನ್ನವಾಗಿರುವ ಯಾವುದೇ ಇಮೇಜ್ ಪಾಯಿಂಟ್‌ಗಳಿಲ್ಲ (ಚಿತ್ರ. 2A)..ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯು ಹಸ್ತಚಾಲಿತ ಸ್ಕೋರಿಂಗ್‌ನೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ (ಪಿಯರ್ಸನ್ ಉತ್ಪನ್ನದ ಕ್ಷಣದ ಪರಸ್ಪರ ಸಂಬಂಧ = 0.58, 95% CI 0.51-0.65, p<0.001), ಆದರೆ ಹೆಚ್ಚಿನ ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯನ್ನು ಹೊಂದಿರುವ ಆದರೆ ಕಡಿಮೆ ಹಸ್ತಚಾಲಿತ ಸ್ಕೋರಿಂಗ್ (Fig. .2B) ಎಂದು ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ.
ResNet152 ಮತ್ತು AlexNet ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ತರಬೇತಿಯ ಮೇಲಿನ ಅಡ್ಡ-ಎಂಟ್ರೊಪಿ ನಷ್ಟವು 50 ಯುಗಗಳ ಮೇಲೆ ಬೀಳುತ್ತದೆ (ಚಿತ್ರ 3B,C).ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅಂತಿಮ ತರಬೇತಿ ಯುಗದಲ್ಲಿ ಮೌಲ್ಯೀಕರಣದ ನಿಖರತೆಯು 90% ಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ.
ಕಡಿಮೆ ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ (p <0.001) ಯಂತ್ರದಿಂದ ವರದಿ ಮಾಡಲಾದ ಸಿಗ್ನಲ್ ಶಕ್ತಿಯನ್ನು ResNet152 ಮಾದರಿಯು ಗಮನಾರ್ಹವಾಗಿ ಮೀರಿಸುತ್ತದೆ ಎಂದು ರಿಸೀವರ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಕ್ರಾಕೃತಿಗಳು ತೋರಿಸುತ್ತವೆ.ResNet152 ಮಾದರಿಯು ಅಲೆಕ್ಸ್‌ನೆಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಮೀರಿಸುತ್ತದೆ (ಅನುಕ್ರಮವಾಗಿ ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಗಳಿಗೆ p = 0.005 ಮತ್ತು p = 0.014).ಈ ಪ್ರತಿಯೊಂದು ಕಾರ್ಯಗಳ ಫಲಿತಾಂಶದ ಮಾದರಿಗಳು ಕ್ರಮವಾಗಿ 0.99 ಮತ್ತು 0.97 ರ AUC ಮೌಲ್ಯಗಳನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಯಿತು, ಇದು ಯಂತ್ರ ಸಿಗ್ನಲ್ ಶಕ್ತಿ ಸೂಚ್ಯಂಕಕ್ಕೆ ಅನುಗುಣವಾದ AUC ಮೌಲ್ಯಗಳಾದ 0.82 ಮತ್ತು 0.78 ಅಥವಾ ಅಲೆಕ್ಸ್‌ನೆಟ್‌ಗೆ 0.97 ಮತ್ತು 0.94 ಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮವಾಗಿದೆ. ..(ಚಿತ್ರ 3).ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸುವಾಗ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ResNet ಮತ್ತು AUC ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಹೆಚ್ಚಾಗಿರುತ್ತದೆ, ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ResNet ಅನ್ನು ಬಳಸುವ ಹೆಚ್ಚುವರಿ ಪ್ರಯೋಜನಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಗ್ರಾಫ್‌ಗಳು ಪ್ರತಿ ಸ್ವತಂತ್ರ ರೇಟರ್‌ನ ಸ್ಕೋರ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಯಂತ್ರವು ವರದಿ ಮಾಡಿದ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ.(A) ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕಾದ ಅಂಕಗಳ ಮೊತ್ತವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕಾದ ಒಟ್ಟು ಅಂಕಗಳನ್ನು ರಚಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.ಒಟ್ಟಾರೆ ಸ್ಕೇಲೆಬಿಲಿಟಿ ಸ್ಕೋರ್ 4 ಅನ್ನು ಹೊಂದಿರುವ ಚಿತ್ರಗಳನ್ನು ಉತ್ತಮ ಗುಣಮಟ್ಟವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ, ಆದರೆ ಒಟ್ಟಾರೆ ಸ್ಕೇಲೆಬಿಲಿಟಿ ಸ್ಕೋರ್ 1 ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಇರುವ ಚಿತ್ರಗಳಿಗೆ ಕಡಿಮೆ ಗುಣಮಟ್ಟವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ.(B) ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯು ಹಸ್ತಚಾಲಿತ ಅಂದಾಜುಗಳೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ, ಆದರೆ ಹೆಚ್ಚಿನ ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯನ್ನು ಹೊಂದಿರುವ ಚಿತ್ರಗಳು ಕಳಪೆ ಗುಣಮಟ್ಟದ್ದಾಗಿರಬಹುದು.ಕೆಂಪು ಚುಕ್ಕೆಗಳ ರೇಖೆಯು ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದ ಆಧಾರದ ಮೇಲೆ ತಯಾರಕರು ಶಿಫಾರಸು ಮಾಡಿದ ಗುಣಮಟ್ಟದ ಮಿತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯ \(\ge\)6).
ResNet ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಯಂತ್ರ-ವರದಿ ಮಾಡಿದ ಸಿಗ್ನಲ್ ಮಟ್ಟಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಪ್ರಕರಣಗಳಿಗೆ ಚಿತ್ರದ ಗುಣಮಟ್ಟ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ಸುಧಾರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.(A) ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ (i) ResNet152 ಮತ್ತು (ii) AlexNet ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ಸರಳೀಕೃತ ಆರ್ಕಿಟೆಕ್ಚರ್ ರೇಖಾಚಿತ್ರಗಳು.(B) ResNet152 ಗಾಗಿ ತರಬೇತಿ ಇತಿಹಾಸ ಮತ್ತು ರಿಸೀವರ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಕ್ರಾಕೃತಿಗಳು ಯಂತ್ರದ ವರದಿ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯ ಮತ್ತು AlexNet ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮಾನದಂಡಗಳಿಗೆ ಹೋಲಿಸಿದರೆ.(C) ResNet152 ರಿಸೀವರ್ ತರಬೇತಿ ಇತಿಹಾಸ ಮತ್ತು ಮೆಷಿನ್ ರಿಪೋರ್ಟ್ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯ ಮತ್ತು AlexNet ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮಾನದಂಡಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಕ್ರಾಕೃತಿಗಳು.
ನಿರ್ಧಾರದ ಗಡಿ ಮಿತಿಯನ್ನು ಸರಿಹೊಂದಿಸಿದ ನಂತರ, ResNet152 ಮಾದರಿಯ ಗರಿಷ್ಠ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಕ್ಕೆ 95.3% ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಕ್ಕೆ 93.5% ಆಗಿದೆ (ಕೋಷ್ಟಕ 2).AlexNet ಮಾದರಿಯ ಗರಿಷ್ಠ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಕ್ಕೆ 91.0% ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಕ್ಕೆ 90.1% ಆಗಿದೆ (ಕೋಷ್ಟಕ 2).ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಗರಿಷ್ಠ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯು 76.1% ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ 77.8% ಆಗಿದೆ.ಕೊಹೆನ್ಸ್ ಕಪ್ಪಾ (\(\kappa\)) ಪ್ರಕಾರ, ResNet152 ಮಾದರಿ ಮತ್ತು ಅಂದಾಜುಗಾರರ ನಡುವಿನ ಒಪ್ಪಂದವು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಕ್ಕೆ 0.90 ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರಕರಣಕ್ಕೆ 0.81 ಆಗಿದೆ.ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಕ್ರಮವಾಗಿ ಕೋಹೆನ್‌ನ ಅಲೆಕ್ಸ್‌ನೆಟ್ ಕಪ್ಪಾ 0.82 ಮತ್ತು 0.71 ಆಗಿದೆ.ಕಡಿಮೆ ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಕ್ರಮವಾಗಿ ಕೊಹೆನ್‌ನ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದ ಕಪ್ಪಾ 0.52 ಮತ್ತು 0.27 ಆಗಿದೆ.
6 ಎಂಎಂ ಫ್ಲಾಟ್ ಪ್ಲೇಟ್‌ನ 6\(\x\) ಚಿತ್ರಗಳ ಮೇಲಿನ ಉನ್ನತ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಗಳ ಮೌಲ್ಯೀಕರಣವು ವಿವಿಧ ಇಮೇಜಿಂಗ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳಲ್ಲಿ ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸಲು ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ.ಇಮೇಜಿಂಗ್ ಗುಣಮಟ್ಟಕ್ಕಾಗಿ 6\(\x\) 6 mm ಆಳವಿಲ್ಲದ ಚಪ್ಪಡಿಗಳನ್ನು ಬಳಸುವಾಗ, ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮಾದರಿಯು 0.83 (95% CI: 0.69–0.98) AUC ಅನ್ನು ಹೊಂದಿತ್ತು ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮಾದರಿಯು 0.85 AUC ಅನ್ನು ಹೊಂದಿತ್ತು.(95% CI: 0.55–1.00) (ಕೋಷ್ಟಕ 2).
ಇನ್‌ಪುಟ್ ಲೇಯರ್ ಕ್ಲಾಸ್ ಆಕ್ಟಿವೇಶನ್ ಮ್ಯಾಪ್‌ಗಳ ದೃಶ್ಯ ಪರಿಶೀಲನೆಯು ಎಲ್ಲಾ ತರಬೇತಿ ಪಡೆದ ನರಗಳ ಜಾಲಗಳು ಇಮೇಜ್ ವರ್ಗೀಕರಣದ ಸಮಯದಲ್ಲಿ ಚಿತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸುತ್ತವೆ ಎಂದು ತೋರಿಸಿದೆ (Fig. 4A, B).8 \(\times \) 8 mm ಮತ್ತು 6 \(\times \) 6 mm ಚಿತ್ರಗಳಿಗೆ, ResNet ಸಕ್ರಿಯಗೊಳಿಸುವ ಚಿತ್ರಗಳು ರೆಟಿನಾದ ನಾಳಗಳನ್ನು ನಿಕಟವಾಗಿ ಅನುಸರಿಸುತ್ತವೆ.ಅಲೆಕ್ಸ್‌ನೆಟ್ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳು ರೆಟಿನಾದ ನಾಳಗಳನ್ನು ಅನುಸರಿಸುತ್ತವೆ, ಆದರೆ ಒರಟಾದ ರೆಸಲ್ಯೂಶನ್‌ನೊಂದಿಗೆ.
ResNet152 ಮತ್ತು AlexNet ಮಾದರಿಗಳಿಗೆ ವರ್ಗ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳು ಚಿತ್ರದ ಗುಣಮಟ್ಟಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತವೆ.(A) 8 \(\ ಬಾರಿ \) 8 mm ಮೌಲ್ಯೀಕರಣ ಚಿತ್ರಗಳ ಮೇಲೆ ಮತ್ತು (B) ಚಿಕ್ಕದಾದ 6 \(\times \) 6 mm ಮೌಲ್ಯೀಕರಣ ಚಿತ್ರಗಳ ಮೇಲೆ ಬಾಹ್ಯ ರೆಟಿನಾದ ನಾಳಗಳ ನಂತರ ಸುಸಂಬದ್ಧ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆಯನ್ನು ತೋರಿಸುವ ವರ್ಗ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ ನಕ್ಷೆ.LQ ಮಾದರಿಯು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮಾನದಂಡಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿದೆ, HQ ಮಾದರಿಯು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮಾನದಂಡಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿದೆ.
ಚಿತ್ರದ ಗುಣಮಟ್ಟವು OCTA ಚಿತ್ರಗಳ ಯಾವುದೇ ಪ್ರಮಾಣೀಕರಣದ ಮೇಲೆ ಹೆಚ್ಚು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂದು ಹಿಂದೆ ತೋರಿಸಲಾಗಿದೆ.ಇದರ ಜೊತೆಗೆ, ರೆಟಿನೋಪತಿಯ ಉಪಸ್ಥಿತಿಯು ಚಿತ್ರ ಕಲಾಕೃತಿಗಳ ಸಂಭವವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ 7,26.ವಾಸ್ತವವಾಗಿ, ನಮ್ಮ ಡೇಟಾದಲ್ಲಿ, ಹಿಂದಿನ ಅಧ್ಯಯನಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, ವಯಸ್ಸು ಮತ್ತು ರೆಟಿನಾದ ಕಾಯಿಲೆಯ ತೀವ್ರತೆ ಮತ್ತು ಚಿತ್ರದ ಗುಣಮಟ್ಟದಲ್ಲಿನ ಕ್ಷೀಣತೆಯ ನಡುವಿನ ಗಮನಾರ್ಹ ಸಂಬಂಧವನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಅನುಕ್ರಮವಾಗಿ ವಯಸ್ಸು ಮತ್ತು DR ಸ್ಥಿತಿಗೆ p <0.001, p = 0.017; ಕೋಷ್ಟಕ 1) 27 ಆದ್ದರಿಂದ, OCTA ಚಿತ್ರಗಳ ಯಾವುದೇ ಪರಿಮಾಣಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡುವ ಮೊದಲು ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸುವುದು ಬಹಳ ಮುಖ್ಯ.OCTA ಚಿತ್ರಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಗಳು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳನ್ನು ತಳ್ಳಿಹಾಕಲು ಯಂತ್ರ-ವರದಿ ಮಾಡಿದ ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯ ಮಿತಿಗಳನ್ನು ಬಳಸುತ್ತವೆ.ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯು OCTA ನಿಯತಾಂಕಗಳ ಪ್ರಮಾಣೀಕರಣದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆಯಾದರೂ, ಚಿತ್ರ ಕಲಾಕೃತಿಗಳೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ತಳ್ಳಿಹಾಕಲು ಹೆಚ್ಚಿನ ಸಿಗ್ನಲ್ ತೀವ್ರತೆಯು ಸಾಕಾಗುವುದಿಲ್ಲ.ಆದ್ದರಿಂದ, ಚಿತ್ರದ ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣದ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಅವಶ್ಯಕ.ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ಯಂತ್ರವು ವರದಿ ಮಾಡಿದ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯದ ವಿರುದ್ಧ ಮೇಲ್ವಿಚಾರಣೆಯ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಾವು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ.
ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ನಾವು ಹಲವಾರು ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಏಕೆಂದರೆ ವಿಭಿನ್ನ OCTA ಬಳಕೆಯ ಪ್ರಕರಣಗಳು ವಿಭಿನ್ನ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಹೊಂದಿರಬಹುದು.ಉದಾಹರಣೆಗೆ, ಚಿತ್ರಗಳು ಉತ್ತಮ ಗುಣಮಟ್ಟದ್ದಾಗಿರಬೇಕು.ಹೆಚ್ಚುವರಿಯಾಗಿ, ಆಸಕ್ತಿಯ ನಿರ್ದಿಷ್ಟ ಪರಿಮಾಣಾತ್ಮಕ ನಿಯತಾಂಕಗಳು ಸಹ ಮುಖ್ಯವಾಗಿದೆ.ಉದಾಹರಣೆಗೆ, ಫೋವಲ್ ಅವಾಸ್ಕುಲರ್ ವಲಯದ ಪ್ರದೇಶವು ಕೇಂದ್ರೇತರ ಮಾಧ್ಯಮದ ಪ್ರಕ್ಷುಬ್ಧತೆಯನ್ನು ಅವಲಂಬಿಸಿರುವುದಿಲ್ಲ, ಆದರೆ ನಾಳಗಳ ಸಾಂದ್ರತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.ನಮ್ಮ ಸಂಶೋಧನೆಯು ಚಿತ್ರದ ಗುಣಮಟ್ಟಕ್ಕೆ ಸಾಮಾನ್ಯ ವಿಧಾನದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದನ್ನು ಮುಂದುವರೆಸಿದೆ, ಆದರೆ ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಪರೀಕ್ಷೆಯ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿಲ್ಲ, ಆದರೆ ಯಂತ್ರವು ವರದಿ ಮಾಡುವ ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯವನ್ನು ನೇರವಾಗಿ ಬದಲಿಸುವ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿದೆ, ಬಳಕೆದಾರರಿಗೆ ಹೆಚ್ಚಿನ ಮಟ್ಟದ ನಿಯಂತ್ರಣವನ್ನು ನೀಡಲು ನಾವು ಭಾವಿಸುತ್ತೇವೆ. ಬಳಕೆದಾರರಿಗೆ ಆಸಕ್ತಿಯ ನಿರ್ದಿಷ್ಟ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಬಹುದು.ಸ್ವೀಕಾರಾರ್ಹವೆಂದು ಪರಿಗಣಿಸಲಾದ ಚಿತ್ರ ಕಲಾಕೃತಿಗಳ ಗರಿಷ್ಠ ಮಟ್ಟಕ್ಕೆ ಅನುಗುಣವಾದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಮತ್ತು ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ದೃಶ್ಯಗಳಿಗಾಗಿ, ನಾವು ಅನುಕ್ರಮವಾಗಿ 0.97 ಮತ್ತು 0.99 ಮತ್ತು ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ಮಾದರಿಗಳ AUC ಗಳೊಂದಿಗೆ ಸಂಪರ್ಕ-ಕಾಣೆಯಾದ ಆಳವಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತೇವೆ.ಯಂತ್ರಗಳು ಮಾತ್ರ ವರದಿ ಮಾಡುವ ಸಿಗ್ನಲ್ ಮಟ್ಟಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ನಮ್ಮ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನದ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.ಸ್ಕಿಪ್ ಸಂಪರ್ಕಗಳು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಹಲವಾರು ಹಂತದ ವಿವರಗಳಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಲಿಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತದೆ, ಚಿತ್ರಗಳ ಸೂಕ್ಷ್ಮ ಅಂಶಗಳನ್ನು (ಉದಾ ಕಾಂಟ್ರಾಸ್ಟ್) ಮತ್ತು ಸಾಮಾನ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ (ಉದಾ ಇಮೇಜ್ ಸೆಂಟ್ರಿಂಗ್30,31).ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಚಿತ್ರ ಕಲಾಕೃತಿಗಳು ಬಹುಶಃ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಗುರುತಿಸಲ್ಪಟ್ಟಿರುವುದರಿಂದ, ಕಾಣೆಯಾದ ಸಂಪರ್ಕಗಳೊಂದಿಗೆ ನರಮಂಡಲದ ನೆಟ್‌ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುವ ಕಾರ್ಯಗಳಿಲ್ಲದೆ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಬಹುದು.
6\(\×6mm) OCTA ಚಿತ್ರಗಳಲ್ಲಿ ನಮ್ಮ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವಾಗ, ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯ ಗಾತ್ರಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಮಾದರಿಗಳಿಗೆ (Fig. 2) ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಇಳಿಕೆಯನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ.ResNet ಮಾದರಿಗೆ ಹೋಲಿಸಿದರೆ, AlexNet ಮಾದರಿಯು ದೊಡ್ಡ ಕುಸಿತವನ್ನು ಹೊಂದಿದೆ.ResNet ನ ತುಲನಾತ್ಮಕವಾಗಿ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯು ಬಹು ಮಾಪಕಗಳಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ರವಾನಿಸಲು ಉಳಿದಿರುವ ಸಂಪರ್ಕಗಳ ಸಾಮರ್ಥ್ಯದ ಕಾರಣದಿಂದಾಗಿರಬಹುದು, ಇದು ವಿಭಿನ್ನ ಮಾಪಕಗಳು ಮತ್ತು/ಅಥವಾ ವರ್ಧನೆಗಳಲ್ಲಿ ಸೆರೆಹಿಡಿಯಲಾದ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ದೃಢವಾಗಿ ಮಾಡುತ್ತದೆ.
8 \(\×\) 8 mm ಚಿತ್ರಗಳು ಮತ್ತು 6 \(\×\) 6 mm ಚಿತ್ರಗಳ ನಡುವಿನ ಕೆಲವು ವ್ಯತ್ಯಾಸಗಳು ಕಳಪೆ ವರ್ಗೀಕರಣಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು, ಫೋವಲ್ ಅವಾಸ್ಕುಲರ್ ಪ್ರದೇಶಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ತುಲನಾತ್ಮಕವಾಗಿ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಚಿತ್ರಗಳು, ಗೋಚರತೆಯ ಬದಲಾವಣೆಗಳು, ನಾಳೀಯ ಆರ್ಕೇಡ್‌ಗಳು ಮತ್ತು 6×6 ಮಿಮೀ ಚಿತ್ರದ ಮೇಲೆ ಆಪ್ಟಿಕ್ ನರವಿಲ್ಲ.ಇದರ ಹೊರತಾಗಿಯೂ, ನಮ್ಮ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ResNet ಮಾದರಿಯು 6 \(\x\) 6 mm ಚಿತ್ರಗಳಿಗೆ 85% ನಷ್ಟು AUC ಅನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಯಿತು, ಇದು ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡದ ಸಂರಚನೆಯಾಗಿದೆ, ಇದು ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮಾಹಿತಿಯನ್ನು ನರ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ಎನ್‌ಕೋಡ್ ಮಾಡಲಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಸೂಕ್ತವಾಗಿದೆ.ಅದರ ತರಬೇತಿಯ ಹೊರಗೆ ಒಂದು ಚಿತ್ರದ ಗಾತ್ರ ಅಥವಾ ಯಂತ್ರ ಸಂರಚನೆಗಾಗಿ (ಕೋಷ್ಟಕ 2).ಸಮಾಧಾನಕರವಾಗಿ, 8 \(\times \) 8 mm ಮತ್ತು 6 \(\times \) 6 mm ಚಿತ್ರಗಳ ResNet- ಮತ್ತು AlexNet-ರೀತಿಯ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳು ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ ರೆಟಿನಾದ ನಾಳಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಲು ಸಮರ್ಥವಾಗಿವೆ, ಮಾದರಿಯು ಪ್ರಮುಖ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ಎರಡೂ ರೀತಿಯ OCTA ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಅನ್ವಯಿಸುತ್ತದೆ (ಚಿತ್ರ 4).
ಲೌರ್ಮನ್ ಮತ್ತು ಇತರರು.OCTA ಚಿತ್ರಗಳ ಮೇಲಿನ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಇನ್ಸೆಪ್ಶನ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ನಡೆಸಲಾಯಿತು, ಮತ್ತೊಂದು ಸ್ಕಿಪ್-ಕನೆಕ್ಷನ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್6,32 ಆಳವಾದ ಕಲಿಕೆಯ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ.ಅವರು ಅಧ್ಯಯನವನ್ನು ಬಾಹ್ಯ ಕ್ಯಾಪಿಲ್ಲರಿ ಪ್ಲೆಕ್ಸಸ್‌ನ ಚಿತ್ರಗಳಿಗೆ ಸೀಮಿತಗೊಳಿಸಿದರು, ಆದರೆ Optovue AngioVue ನಿಂದ ಸಣ್ಣ 3×3 mm ಚಿತ್ರಗಳನ್ನು ಮಾತ್ರ ಬಳಸುತ್ತಾರೆ, ಆದಾಗ್ಯೂ ವಿವಿಧ ಕೊರಿಯೊರೆಟಿನಲ್ ಕಾಯಿಲೆಗಳನ್ನು ಹೊಂದಿರುವ ರೋಗಿಗಳನ್ನು ಸಹ ಸೇರಿಸಲಾಯಿತು.ವಿವಿಧ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮಿತಿಗಳನ್ನು ಪರಿಹರಿಸಲು ಮತ್ತು ವಿಭಿನ್ನ ಗಾತ್ರದ ಚಿತ್ರಗಳಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ಬಹು ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ನಮ್ಮ ಕೆಲಸವು ಅವುಗಳ ಅಡಿಪಾಯದ ಮೇಲೆ ನಿರ್ಮಿಸುತ್ತದೆ.ನಾವು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳ AUC ಮೆಟ್ರಿಕ್ ಅನ್ನು ಸಹ ವರದಿ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ (96%) ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ (95.7%) ಮಾದರಿಗಳಿಗಾಗಿ ಅವುಗಳ ಈಗಾಗಲೇ ಪ್ರಭಾವಶಾಲಿ ನಿಖರತೆಯನ್ನು (90%)6 ಹೆಚ್ಚಿಸುತ್ತೇವೆ.
ಈ ತರಬೇತಿಯು ಹಲವಾರು ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ.ಮೊದಲನೆಯದಾಗಿ, ಚಿತ್ರಗಳನ್ನು ಕೇವಲ ಒಂದು OCTA ಯಂತ್ರದೊಂದಿಗೆ ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳಲಾಗಿದೆ, 8\(\times\)8 mm ಮತ್ತು 6\(\times\)6 mm ನಲ್ಲಿನ ಬಾಹ್ಯ ಕ್ಯಾಪಿಲ್ಲರಿ ಪ್ಲೆಕ್ಸಸ್‌ನ ಚಿತ್ರಗಳು ಮಾತ್ರ ಸೇರಿವೆ.ಆಳವಾದ ಪದರಗಳಿಂದ ಚಿತ್ರಗಳನ್ನು ಹೊರಗಿಡಲು ಕಾರಣವೆಂದರೆ ಪ್ರೊಜೆಕ್ಷನ್ ಕಲಾಕೃತಿಗಳು ಚಿತ್ರಗಳ ಹಸ್ತಚಾಲಿತ ಮೌಲ್ಯಮಾಪನವನ್ನು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿಸಬಹುದು ಮತ್ತು ಪ್ರಾಯಶಃ ಕಡಿಮೆ ಸ್ಥಿರವಾಗಿರಬಹುದು.ಇದಲ್ಲದೆ, ಮಧುಮೇಹ ರೋಗಿಗಳಲ್ಲಿ ಮಾತ್ರ ಚಿತ್ರಗಳನ್ನು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳಲಾಗಿದೆ, ಅವರಿಗೆ OCTA ಪ್ರಮುಖ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಪೂರ್ವಸೂಚಕ ಸಾಧನವಾಗಿ ಹೊರಹೊಮ್ಮುತ್ತಿದೆ33,34.ಫಲಿತಾಂಶಗಳು ದೃಢವಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ವಿಭಿನ್ನ ಗಾತ್ರದ ಚಿತ್ರಗಳ ಮೇಲೆ ನಮ್ಮ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಗಿದ್ದರೂ, ವಿಭಿನ್ನ ಕೇಂದ್ರಗಳಿಂದ ಸೂಕ್ತವಾದ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಗುರುತಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಗಲಿಲ್ಲ, ಇದು ಮಾದರಿಯ ಸಾಮಾನ್ಯೀಕರಣದ ನಮ್ಮ ಮೌಲ್ಯಮಾಪನವನ್ನು ಸೀಮಿತಗೊಳಿಸಿತು.ಚಿತ್ರಗಳನ್ನು ಕೇವಲ ಒಂದು ಕೇಂದ್ರದಿಂದ ಪಡೆಯಲಾಗಿದ್ದರೂ, ಅವುಗಳನ್ನು ವಿವಿಧ ಜನಾಂಗೀಯ ಮತ್ತು ಜನಾಂಗೀಯ ಹಿನ್ನೆಲೆಯ ರೋಗಿಗಳಿಂದ ಪಡೆಯಲಾಗಿದೆ, ಇದು ನಮ್ಮ ಅಧ್ಯಯನದ ವಿಶಿಷ್ಟ ಶಕ್ತಿಯಾಗಿದೆ.ನಮ್ಮ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ವೈವಿಧ್ಯತೆಯನ್ನು ಸೇರಿಸುವ ಮೂಲಕ, ನಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ವಿಶಾಲ ಅರ್ಥದಲ್ಲಿ ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗುವುದು ಮತ್ತು ನಾವು ತರಬೇತಿ ನೀಡುವ ಮಾದರಿಗಳಲ್ಲಿ ಜನಾಂಗೀಯ ಪಕ್ಷಪಾತವನ್ನು ಎನ್ಕೋಡಿಂಗ್ ಮಾಡುವುದನ್ನು ತಪ್ಪಿಸುತ್ತೇವೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ.
OCTA ಚಿತ್ರದ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಲು ಕನೆಕ್ಷನ್-ಸ್ಕಿಪ್ಪಿಂಗ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಬಹುದು ಎಂದು ನಮ್ಮ ಅಧ್ಯಯನವು ತೋರಿಸುತ್ತದೆ.ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಗಾಗಿ ನಾವು ಈ ಮಾದರಿಗಳನ್ನು ಸಾಧನಗಳಾಗಿ ಒದಗಿಸುತ್ತೇವೆ.ವಿಭಿನ್ನ ಮೆಟ್ರಿಕ್‌ಗಳು ವಿಭಿನ್ನ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ಇಲ್ಲಿ ಸ್ಥಾಪಿಸಲಾದ ರಚನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರತಿ ಮೆಟ್ರಿಕ್‌ಗೆ ಪ್ರತ್ಯೇಕ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು.
ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಯು OCTA ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಮತ್ತು ಇಮೇಜಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್‌ಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದಾದ ಆಳವಾದ ಕಲಿಕೆಯ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪಡೆಯಲು ವಿಭಿನ್ನ ಆಳಗಳು ಮತ್ತು ವಿಭಿನ್ನ OCTA ಯಂತ್ರಗಳಿಂದ ವಿಭಿನ್ನ ಗಾತ್ರದ ಚಿತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿರಬೇಕು.ಪ್ರಸ್ತುತ ಸಂಶೋಧನೆಯು ಮಾನವನ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಇಮೇಜ್ ಮೌಲ್ಯಮಾಪನದ ಅಗತ್ಯವಿರುವ ಮೇಲ್ವಿಚಾರಣೆಯ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಆಧರಿಸಿದೆ, ಇದು ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳಿಗೆ ಶ್ರಮದಾಯಕ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳು ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳ ನಡುವೆ ಸಮರ್ಪಕವಾಗಿ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸಬಹುದೇ ಎಂದು ನೋಡಬೇಕಾಗಿದೆ.
OCTA ತಂತ್ರಜ್ಞಾನವು ವಿಕಸನಗೊಳ್ಳುತ್ತಲೇ ಇರುವುದರಿಂದ ಮತ್ತು ಸ್ಕ್ಯಾನಿಂಗ್ ವೇಗವು ಹೆಚ್ಚಾದಂತೆ, ಚಿತ್ರದ ಕಲಾಕೃತಿಗಳು ಮತ್ತು ಕಳಪೆ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳ ಸಂಭವವು ಕಡಿಮೆಯಾಗಬಹುದು.ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿನ ಸುಧಾರಣೆಗಳು, ಉದಾಹರಣೆಗೆ ಇತ್ತೀಚೆಗೆ ಪರಿಚಯಿಸಲಾದ ಪ್ರೊಜೆಕ್ಷನ್ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ ತೆಗೆಯುವ ವೈಶಿಷ್ಟ್ಯವು ಈ ಮಿತಿಗಳನ್ನು ಸಹ ನಿವಾರಿಸುತ್ತದೆ.ಆದಾಗ್ಯೂ, ಕಳಪೆ ಸ್ಥಿರೀಕರಣ ಅಥವಾ ಗಮನಾರ್ಹ ಮಾಧ್ಯಮ ಪ್ರಕ್ಷುಬ್ಧತೆ ಹೊಂದಿರುವ ರೋಗಿಗಳ ಚಿತ್ರಣವಾಗಿ ಅನೇಕ ಸಮಸ್ಯೆಗಳು ಉಳಿದುಕೊಂಡಿವೆ.ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ OCTA ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲ್ಪಟ್ಟಂತೆ, ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸ್ವೀಕಾರಾರ್ಹ ಚಿತ್ರ ಕಲಾಕೃತಿಯ ಮಟ್ಟಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಎಚ್ಚರಿಕೆಯಿಂದ ಪರಿಗಣಿಸುವ ಅಗತ್ಯವಿದೆ.OCTA ಚಿತ್ರಗಳಿಗೆ ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಅನ್ವಯವು ಉತ್ತಮ ಭರವಸೆಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಚಿತ್ರದ ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣಕ್ಕೆ ದೃಢವಾದ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಈ ಪ್ರದೇಶದಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಯ ಅಗತ್ಯವಿದೆ.
ಪ್ರಸ್ತುತ ಸಂಶೋಧನೆಯಲ್ಲಿ ಬಳಸಲಾದ ಕೋಡ್ octa-qc ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಲಭ್ಯವಿದೆ, https://github.com/rahuldhodapkar/octa-qc.ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ ಸಮಯದಲ್ಲಿ ರಚಿಸಲಾದ ಮತ್ತು/ಅಥವಾ ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾಸೆಟ್‌ಗಳು ಸಮಂಜಸವಾದ ವಿನಂತಿಯ ಮೇರೆಗೆ ಆಯಾ ಲೇಖಕರಿಂದ ಲಭ್ಯವಿದೆ.
ಸ್ಪೈಡ್, RF, ಫುಜಿಮೊಟೊ, JG & ವಹೀದ್, NK ಚಿತ್ರ ಕಲಾಕೃತಿಗಳು ಆಪ್ಟಿಕಲ್ ಕೋಹೆರೆನ್ಸ್ ಆಂಜಿಯೋಗ್ರಫಿ.ರೆಟಿನಾ 35, 2163–2180 (2015).
ಫೆನ್ನರ್, ಬಿಜೆ ಮತ್ತು ಇತರರು.OCT ಆಂಜಿಯೋಗ್ರಫಿಯಲ್ಲಿ ರೆಟಿನಾದ ಕ್ಯಾಪಿಲ್ಲರಿ ಪ್ಲೆಕ್ಸಸ್ ಸಾಂದ್ರತೆಯ ಮಾಪನಗಳ ಗುಣಮಟ್ಟ ಮತ್ತು ಪುನರುತ್ಪಾದನೆಯನ್ನು ನಿರ್ಧರಿಸುವ ಇಮೇಜಿಂಗ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಗುರುತಿಸುವಿಕೆ.ಬಿಆರ್.ಜೆ. ನೇತ್ರಮಾಲ್.102, 509–514 (2018).
ಲೌರ್ಮನ್, JL ಮತ್ತು ಇತರರು.ವಯಸ್ಸಿಗೆ ಸಂಬಂಧಿಸಿದ ಮ್ಯಾಕ್ಯುಲರ್ ಡಿಜೆನರೇಶನ್‌ನಲ್ಲಿ OCT ಆಂಜಿಯೋಗ್ರಫಿಯ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮೇಲೆ ಐ-ಟ್ರ್ಯಾಕಿಂಗ್ ತಂತ್ರಜ್ಞಾನದ ಪ್ರಭಾವ.ಸಮಾಧಿ ಕಮಾನು.ಕ್ಲಿನಿಕಲ್.ಅವಧಿನೇತ್ರವಿಜ್ಞಾನ.255, 1535–1542 (2017).
ಬೇಬಿಯುಚ್ ಎಎಸ್ ಮತ್ತು ಇತರರು.OCTA ಕ್ಯಾಪಿಲ್ಲರಿ ಪರ್ಫ್ಯೂಷನ್ ಸಾಂದ್ರತೆಯ ಮಾಪನಗಳನ್ನು ಮ್ಯಾಕ್ಯುಲರ್ ಇಷ್ಕೆಮಿಯಾವನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತದೆ.ನೇತ್ರ ಶಸ್ತ್ರಚಿಕಿತ್ಸೆ.ರೆಟಿನಲ್ ಲೇಸರ್ ಇಮೇಜಿಂಗ್ 51, S30-S36 (2020).
ಹೆ, ಕೆ., ಝಾಂಗ್, ಎಕ್ಸ್., ರೆನ್, ಎಸ್., ಮತ್ತು ಸನ್, ಜೆ. ಡೀಪ್ ರೆಸಿಡ್ಯುಯಲ್ ಲರ್ನಿಂಗ್ ಫಾರ್ ಇಮೇಜ್ ರೆಕಗ್ನಿಷನ್.2016 ರಲ್ಲಿ IEEE ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಮತ್ತು ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ (2016).
ಲೌರ್ಮನ್, JL ಮತ್ತು ಇತರರು.ಆಳವಾದ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ವಯಂಚಾಲಿತ OCT ಆಂಜಿಯೋಗ್ರಾಫಿಕ್ ಚಿತ್ರದ ಗುಣಮಟ್ಟದ ಮೌಲ್ಯಮಾಪನ.ಸಮಾಧಿ ಕಮಾನು.ಕ್ಲಿನಿಕಲ್.ಅವಧಿನೇತ್ರವಿಜ್ಞಾನ.257, 1641–1648 (2019).
ಲೌರ್ಮನ್, ಜೆ. ಮತ್ತು ಇತರರು.OCT ಆಂಜಿಯೋಗ್ರಫಿಯಲ್ಲಿ ವಿಭಜನೆ ದೋಷಗಳು ಮತ್ತು ಚಲನೆಯ ಕಲಾಕೃತಿಗಳ ಹರಡುವಿಕೆಯು ರೆಟಿನಾದ ರೋಗವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.ಸಮಾಧಿ ಕಮಾನು.ಕ್ಲಿನಿಕಲ್.ಅವಧಿನೇತ್ರವಿಜ್ಞಾನ.256, 1807–1816 (2018).
ಪಾಸ್ಕ್, ಆಡಮ್ ಮತ್ತು ಇತರರು.ಪೈಟೋರ್ಚ್: ಒಂದು ಕಡ್ಡಾಯ, ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಲೈಬ್ರರಿ.ನರಗಳ ಮಾಹಿತಿಯ ಸುಧಾರಿತ ಪ್ರಕ್ರಿಯೆ.ವ್ಯವಸ್ಥೆ.32, 8026–8037 (2019).
ಡೆಂಗ್, ಜೆ. ಮತ್ತು ಇತರರು.ಇಮೇಜ್ ನೆಟ್: ಒಂದು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಶ್ರೇಣಿಕೃತ ಚಿತ್ರ ಡೇಟಾಬೇಸ್.2009 ಐಇಇಇ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಮತ್ತು ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್.248–255.(2009)
ಕ್ರಿಝೆವ್ಸ್ಕಿ A., ಸುಟ್ಜ್‌ಕೆವರ್ I. ಮತ್ತು ಹಿಂಟನ್ GE ಇಮೇಜ್‌ನೆಟ್ ವರ್ಗೀಕರಣವನ್ನು ಆಳವಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನರ ಜಾಲಗಳನ್ನು ಬಳಸಿ.ನರಗಳ ಮಾಹಿತಿಯ ಸುಧಾರಿತ ಪ್ರಕ್ರಿಯೆ.ವ್ಯವಸ್ಥೆ.25, 1 (2012).