Nature.com 'ਤੇ ਜਾਣ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ।ਤੁਸੀਂ ਸੀਮਤ CSS ਸਮਰਥਨ ਦੇ ਨਾਲ ਇੱਕ ਬ੍ਰਾਊਜ਼ਰ ਸੰਸਕਰਣ ਵਰਤ ਰਹੇ ਹੋ।ਸਭ ਤੋਂ ਵਧੀਆ ਅਨੁਭਵ ਲਈ, ਅਸੀਂ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਇੱਕ ਅੱਪਡੇਟ ਕੀਤੇ ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰੋ (ਜਾਂ ਇੰਟਰਨੈੱਟ ਐਕਸਪਲੋਰਰ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਨੂੰ ਅਯੋਗ ਕਰੋ)।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਿਰੰਤਰ ਸਮਰਥਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਟਾਈਲ ਅਤੇ JavaScript ਤੋਂ ਬਿਨਾਂ ਸਾਈਟ ਦਿਖਾਉਂਦੇ ਹਾਂ।
ਪ੍ਰਤੀ ਸਲਾਈਡ ਤਿੰਨ ਲੇਖ ਦਿਖਾਉਂਦੇ ਹੋਏ ਸਲਾਈਡਰ।ਸਲਾਈਡਾਂ ਵਿੱਚ ਜਾਣ ਲਈ ਪਿੱਛੇ ਅਤੇ ਅਗਲੇ ਬਟਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜਾਂ ਹਰ ਇੱਕ ਸਲਾਈਡ ਵਿੱਚ ਜਾਣ ਲਈ ਅੰਤ ਵਿੱਚ ਸਲਾਈਡ ਕੰਟਰੋਲਰ ਬਟਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਆਪਟੀਕਲ ਕੋਹੇਰੈਂਸ ਟੋਮੋਗ੍ਰਾਫਿਕ ਐਂਜੀਓਗ੍ਰਾਫੀ (OCTA) ਰੈਟਿਨਲ ਵੈਸਲਜ਼ ਦੇ ਗੈਰ-ਹਮਲਾਵਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਲਈ ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਹੈ।ਹਾਲਾਂਕਿ OCTA ਕੋਲ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼ਾਨਦਾਰ ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਹਨ, ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਇੱਕ ਚੁਣੌਤੀ ਬਣਿਆ ਹੋਇਆ ਹੈ।ਅਸੀਂ 134 ਮਰੀਜ਼ਾਂ ਦੇ 347 ਸਕੈਨਾਂ ਤੋਂ ਸਤਹੀ ਕੇਸ਼ਿਕਾ ਪਲੈਕਸਸ ਚਿੱਤਰਾਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਇਮੇਜਨੈੱਟ ਨਾਲ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ResNet152 ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਲਾਸੀਫਾਇਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ ਆਧਾਰਿਤ ਪ੍ਰਣਾਲੀ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ।ਇੱਕ ਨਿਰੀਖਣ ਕੀਤੇ ਸਿੱਖਣ ਮਾਡਲ ਲਈ ਦੋ ਸੁਤੰਤਰ ਰੇਟਰਾਂ ਦੁਆਰਾ ਚਿੱਤਰਾਂ ਦਾ ਅਸਲ ਸੱਚ ਵਜੋਂ ਮੁਲਾਂਕਣ ਵੀ ਕੀਤਾ ਗਿਆ ਸੀ।ਕਿਉਂਕਿ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦੀਆਂ ਲੋੜਾਂ ਕਲੀਨਿਕਲ ਜਾਂ ਖੋਜ ਸੈਟਿੰਗਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਦੋ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਇੱਕ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੀ ਚਿੱਤਰ ਪਛਾਣ ਲਈ ਅਤੇ ਦੂਜਾ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੀ ਚਿੱਤਰ ਪਛਾਣ ਲਈ।ਸਾਡਾ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲ ਕਰਵ (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81) ਦੇ ਹੇਠਾਂ ਇੱਕ ਸ਼ਾਨਦਾਰ ਖੇਤਰ ਦਿਖਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਮਸ਼ੀਨ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਪੱਧਰ (AUC = 0.82, 95) ਨਾਲੋਂ ਕਾਫ਼ੀ ਬਿਹਤਰ ਹੈ। % CI)।0.77–0.86, \(\kappa\) = 0.52 ਅਤੇ AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, ਕ੍ਰਮਵਾਰ)।ਸਾਡਾ ਅਧਿਐਨ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ OCTA ਚਿੱਤਰਾਂ ਲਈ ਲਚਕਦਾਰ ਅਤੇ ਮਜ਼ਬੂਤ ​​ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਵਿਧੀਆਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਆਪਟੀਕਲ ਕੋਹੇਰੈਂਸ ਟੋਮੋਗ੍ਰਾਫਿਕ ਐਂਜੀਓਗ੍ਰਾਫੀ (ਓਸੀਟੀਏ) ਆਪਟੀਕਲ ਕੋਹੇਰੈਂਸ ਟੋਮੋਗ੍ਰਾਫੀ (ਓਸੀਟੀ) 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਮੁਕਾਬਲਤਨ ਨਵੀਂ ਤਕਨੀਕ ਹੈ ਜੋ ਰੈਟਿਨਲ ਮਾਈਕ੍ਰੋਵੈਸਕੁਲੇਚਰ ਦੇ ਗੈਰ-ਹਮਲਾਵਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।ਓਸੀਟੀਏ ਰੈਟੀਨਾ ਦੇ ਇੱਕੋ ਖੇਤਰ ਵਿੱਚ ਦੁਹਰਾਈ ਗਈ ਰੋਸ਼ਨੀ ਦਾਲਾਂ ਤੋਂ ਪ੍ਰਤੀਬਿੰਬ ਪੈਟਰਨਾਂ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਮਾਪਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਰੰਗਾਂ ਜਾਂ ਹੋਰ ਵਿਪਰੀਤ ਏਜੰਟਾਂ ਦੀ ਹਮਲਾਵਰ ਵਰਤੋਂ ਤੋਂ ਬਿਨਾਂ ਖੂਨ ਦੀਆਂ ਨਾੜੀਆਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਪੁਨਰਗਠਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।OCTA ਡੂੰਘਾਈ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵੈਸਕੁਲਰ ਇਮੇਜਿੰਗ ਨੂੰ ਵੀ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਡਾਕਟਰੀ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਸਤਹੀ ਅਤੇ ਡੂੰਘੀਆਂ ਨਾੜੀਆਂ ਦੀਆਂ ਪਰਤਾਂ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ, ਕੋਰੀਓਰੇਟਿਨਲ ਬਿਮਾਰੀ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਜਦੋਂ ਕਿ ਇਹ ਤਕਨੀਕ ਹੋਨਹਾਰ ਹੈ, ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਪਰਿਵਰਤਨ ਭਰੋਸੇਯੋਗ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਬਣਿਆ ਹੋਇਆ ਹੈ, ਚਿੱਤਰ ਦੀ ਵਿਆਖਿਆ ਨੂੰ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਵਿਆਪਕ ਕਲੀਨਿਕਲ ਗੋਦ ਲੈਣ ਨੂੰ ਰੋਕਦਾ ਹੈ।ਕਿਉਂਕਿ OCTA ਕਈ ਲਗਾਤਾਰ OCT ਸਕੈਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਇਹ ਮਿਆਰੀ OCT ਨਾਲੋਂ ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਲਈ ਵਧੇਰੇ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ।ਜ਼ਿਆਦਾਤਰ ਵਪਾਰਕ OCTA ਪਲੇਟਫਾਰਮ ਸਿਗਨਲ ਸਟ੍ਰੈਂਥ (SS) ਜਾਂ ਕਈ ਵਾਰ ਸਿਗਨਲ ਸਟ੍ਰੈਂਥ ਇੰਡੈਕਸ (SSI) ਨਾਮਕ ਆਪਣੀ ਖੁਦ ਦੀ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਮੈਟ੍ਰਿਕ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।ਹਾਲਾਂਕਿ, ਇੱਕ ਉੱਚ SS ਜਾਂ SSI ਮੁੱਲ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਦੀ ਅਣਹੋਂਦ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦੀਆਂ, ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਅਗਲੇ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਗਲਤ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈ ਸਕਦੀਆਂ ਹਨ।ਆਮ ਚਿੱਤਰ ਕਲਾਕ੍ਰਿਤੀਆਂ ਜੋ OCTA ਇਮੇਜਿੰਗ ਵਿੱਚ ਹੋ ਸਕਦੀਆਂ ਹਨ ਵਿੱਚ ਮੋਸ਼ਨ ਆਰਟੀਫੈਕਟਸ, ਸੈਗਮੈਂਟੇਸ਼ਨ ਆਰਟੀਫੈਕਟਸ, ਮੀਡੀਆ ਓਪੈਸਿਟੀ ਆਰਟੀਫੈਕਟਸ, ਅਤੇ ਪ੍ਰੋਜੈਕਸ਼ਨ ਆਰਟੀਫੈਕਟਸ 1,2,3 ਸ਼ਾਮਲ ਹਨ।
ਜਿਵੇਂ ਕਿ OCTA-ਪ੍ਰਾਪਤ ਉਪਾਅ ਜਿਵੇਂ ਕਿ ਨਾੜੀ ਘਣਤਾ ਅਨੁਵਾਦਕ ਖੋਜ, ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਅਤੇ ਕਲੀਨਿਕਲ ਅਭਿਆਸਾਂ ਵਿੱਚ ਵਧਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ, ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਨੂੰ ਖਤਮ ਕਰਨ ਲਈ ਮਜ਼ਬੂਤ ​​ਅਤੇ ਭਰੋਸੇਮੰਦ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਦੀ ਤੁਰੰਤ ਲੋੜ ਹੈ।ਛੱਡੋ ਕੁਨੈਕਸ਼ਨ, ਜਿਸ ਨੂੰ ਬਕਾਇਆ ਕੁਨੈਕਸ਼ਨ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਅਨੁਮਾਨ ਹਨ ਜੋ ਜਾਣਕਾਰੀ ਨੂੰ ਵੱਖ-ਵੱਖ ਸਕੇਲਾਂ ਜਾਂ ਰੈਜ਼ੋਲਿਊਸ਼ਨਾਂ 'ਤੇ ਸਟੋਰ ਕਰਦੇ ਸਮੇਂ ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।ਕਿਉਂਕਿ ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਛੋਟੇ ਪੈਮਾਨੇ ਅਤੇ ਆਮ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਚਿੱਤਰ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਇਸ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਕਾਰਜ5 ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਨ ਲਈ ਛੱਡਣ-ਕੁਨੈਕਸ਼ਨ ਨਿਊਰਲ ਨੈਟਵਰਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਹਨ।ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਗਏ ਕੰਮ ਨੇ ਮਨੁੱਖੀ ਅੰਦਾਜ਼ੇ 6 ਤੋਂ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੂੰਘੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਈ ਕੁਝ ਵਾਅਦਾ ਦਿਖਾਇਆ ਹੈ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਅਸੀਂ OCTA ਚਿੱਤਰਾਂ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਕੁਨੈਕਸ਼ਨ-ਛੱਡਣ ਵਾਲੇ ਕੰਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ।ਅਸੀਂ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਅਤੇ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਵੱਖਰੇ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਕੇ ਪਿਛਲੇ ਕੰਮ 'ਤੇ ਨਿਰਮਾਣ ਕਰਦੇ ਹਾਂ, ਕਿਉਂਕਿ ਖਾਸ ਕਲੀਨਿਕਲ ਜਾਂ ਖੋਜ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦੀਆਂ ਲੋੜਾਂ ਵੱਖਰੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੇ ਅੰਦਰ ਗ੍ਰੈਨਿਊਲਿਟੀ ਦੇ ਕਈ ਪੱਧਰਾਂ 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਮੁੱਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਅਸੀਂ ਇਹਨਾਂ ਨੈਟਵਰਕਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨਾਲ ਕਰਦੇ ਹਾਂ।ਅਸੀਂ ਫਿਰ ਆਪਣੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਸਿਗਨਲ ਤਾਕਤ ਨਾਲ ਕੀਤੀ, ਜੋ ਨਿਰਮਾਤਾਵਾਂ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦਾ ਇੱਕ ਆਮ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰ ਕੀਤਾ ਗਿਆ ਮਾਪ ਹੈ।
ਸਾਡੇ ਅਧਿਐਨ ਵਿੱਚ ਸ਼ੂਗਰ ਵਾਲੇ ਮਰੀਜ਼ ਸ਼ਾਮਲ ਸਨ ਜੋ 11 ਅਗਸਤ, 2017 ਅਤੇ ਅਪ੍ਰੈਲ 11, 2019 ਦੇ ਵਿਚਕਾਰ ਯੇਲ ਆਈ ਸੈਂਟਰ ਵਿੱਚ ਗਏ ਸਨ। ਕਿਸੇ ਵੀ ਗੈਰ-ਡਾਇਬੀਟਿਕ ਕੋਰੀਓਰੇਟੀਨਲ ਬਿਮਾਰੀ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਬਾਹਰ ਰੱਖਿਆ ਗਿਆ ਸੀ।ਉਮਰ, ਲਿੰਗ, ਨਸਲ, ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ, ਜਾਂ ਕਿਸੇ ਹੋਰ ਕਾਰਕ ਦੇ ਆਧਾਰ 'ਤੇ ਕੋਈ ਸ਼ਾਮਲ ਜਾਂ ਬੇਦਖਲੀ ਮਾਪਦੰਡ ਨਹੀਂ ਸਨ।
OCTA ਚਿੱਤਰ 8\(\times\)8 mm ਅਤੇ 6\(\times\)6 mm ਇਮੇਜਿੰਗ ਪ੍ਰੋਟੋਕੋਲ ਦੇ ਤਹਿਤ ਇੱਕ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) 'ਤੇ AngioPlex ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ।ਅਧਿਐਨ ਵਿੱਚ ਭਾਗ ਲੈਣ ਲਈ ਸੂਚਿਤ ਸਹਿਮਤੀ ਹਰੇਕ ਅਧਿਐਨ ਭਾਗੀਦਾਰ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਯੇਲ ਯੂਨੀਵਰਸਿਟੀ ਸੰਸਥਾਗਤ ਸਮੀਖਿਆ ਬੋਰਡ (IRB) ਨੇ ਇਹਨਾਂ ਸਾਰੇ ਮਰੀਜ਼ਾਂ ਲਈ ਗਲੋਬਲ ਫੋਟੋਗ੍ਰਾਫੀ ਦੇ ਨਾਲ ਸੂਚਿਤ ਸਹਿਮਤੀ ਦੀ ਵਰਤੋਂ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ ਸੀ।ਹੇਲਸਿੰਕੀ ਦੇ ਐਲਾਨਨਾਮੇ ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ.ਅਧਿਐਨ ਨੂੰ ਯੇਲ ਯੂਨੀਵਰਸਿਟੀ ਆਈਆਰਬੀ ਦੁਆਰਾ ਪ੍ਰਵਾਨਗੀ ਦਿੱਤੀ ਗਈ ਸੀ।
ਸਰਫੇਸ ਪਲੇਟ ਚਿੱਤਰਾਂ ਦਾ ਮੁਲਾਂਕਣ ਪਹਿਲਾਂ ਵਰਣਿਤ ਮੋਸ਼ਨ ਆਰਟੀਫੈਕਟ ਸਕੋਰ (MAS), ਪਹਿਲਾਂ ਵਰਣਿਤ ਸੈਗਮੈਂਟੇਸ਼ਨ ਆਰਟੀਫੈਕਟ ਸਕੋਰ (SAS), ਫੋਵੇਲ ਸੈਂਟਰ, ਮੀਡੀਆ ਧੁੰਦਲਾਪਣ ਦੀ ਮੌਜੂਦਗੀ, ਅਤੇ ਚਿੱਤਰ ਮੁਲਾਂਕਣਕਰਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਛੋਟੇ ਕੇਸ਼ੀਲਾਂ ਦੀ ਚੰਗੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦੇ ਅਧਾਰ ਤੇ ਕੀਤਾ ਗਿਆ ਸੀ।ਚਿੱਤਰਾਂ ਦਾ ਦੋ ਸੁਤੰਤਰ ਮੁਲਾਂਕਣਾਂ (RD ਅਤੇ JW) ਦੁਆਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਸੀ।ਜੇਕਰ ਹੇਠਾਂ ਦਿੱਤੇ ਸਾਰੇ ਮਾਪਦੰਡ ਪੂਰੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਤਾਂ ਇੱਕ ਚਿੱਤਰ ਦਾ ਗ੍ਰੇਡਿਡ ਸਕੋਰ 2 (ਯੋਗ) ਹੈ: ਚਿੱਤਰ ਫੋਵੇਆ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ (ਚਿੱਤਰ ਦੇ ਕੇਂਦਰ ਤੋਂ 100 ਪਿਕਸਲ ਤੋਂ ਘੱਟ), MAS 1 ਜਾਂ 2 ਹੈ, SAS 1 ਹੈ, ਅਤੇ ਮੀਡੀਆ ਧੁੰਦਲਾਪਨ 1 ਤੋਂ ਘੱਟ ਹੈ। ਆਕਾਰ / 16 ਦੇ ਚਿੱਤਰਾਂ 'ਤੇ ਮੌਜੂਦ ਹੈ, ਅਤੇ ਛੋਟੀਆਂ ਕੇਸ਼ਿਕਾਵਾਂ 15/16 ਤੋਂ ਵੱਡੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ।ਇੱਕ ਚਿੱਤਰ ਨੂੰ 0 (ਕੋਈ ਰੇਟਿੰਗ ਨਹੀਂ) ਦਰਜਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜੇਕਰ ਹੇਠਾਂ ਦਿੱਤੇ ਮਾਪਦੰਡਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਪੂਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਚਿੱਤਰ ਕੇਂਦਰ ਤੋਂ ਬਾਹਰ ਹੈ, ਜੇਕਰ MAS 4 ਹੈ, ਜੇਕਰ SAS 2 ਹੈ, ਜਾਂ ਔਸਤ ਧੁੰਦਲਾਪਨ ਚਿੱਤਰ ਦੇ 1/4 ਤੋਂ ਵੱਧ ਹੈ, ਅਤੇ ਛੋਟੀਆਂ ਕੇਸ਼ਿਕਾਵਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ 1 ਚਿੱਤਰ/4 ਤੋਂ ਵੱਧ ਐਡਜਸਟ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।ਹੋਰ ਸਾਰੀਆਂ ਤਸਵੀਰਾਂ ਜੋ ਸਕੋਰਿੰਗ ਮਾਪਦੰਡ 0 ਜਾਂ 2 ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕਰਦੀਆਂ ਹਨ ਉਹਨਾਂ ਨੂੰ 1 (ਕਲਿਪਿੰਗ) ਵਜੋਂ ਸਕੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਅੰਜੀਰ 'ਤੇ.1 ਹਰ ਸਕੇਲ ਕੀਤੇ ਅਨੁਮਾਨਾਂ ਅਤੇ ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਲਈ ਨਮੂਨਾ ਚਿੱਤਰ ਦਿਖਾਉਂਦਾ ਹੈ।ਵਿਅਕਤੀਗਤ ਸਕੋਰਾਂ ਦੀ ਅੰਤਰ-ਰੇਟਰ ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੋਹੇਨ ਦੇ ਕਾਪਾ ਵੇਟਿੰਗ8 ਦੁਆਰਾ ਕੀਤਾ ਗਿਆ ਸੀ।ਹਰੇਕ ਚਿੱਤਰ ਲਈ ਕੁੱਲ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਹਰੇਕ ਰੇਟਰ ਦੇ ਵਿਅਕਤੀਗਤ ਸਕੋਰ ਦਾ ਸਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, 0 ਤੋਂ 4 ਤੱਕ। 4 ਦੇ ਕੁੱਲ ਸਕੋਰ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਵਧੀਆ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।0 ਜਾਂ 1 ਦੇ ਕੁੱਲ ਸਕੋਰ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਘੱਟ ਗੁਣਵੱਤਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
ਇੱਕ ResNet152 ਆਰਕੀਟੈਕਚਰ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (Fig. 3A.i) ImageNet ਡਾਟਾਬੇਸ ਤੋਂ ਚਿੱਤਰਾਂ 'ਤੇ ਪ੍ਰੀ-ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ fast.ai ਅਤੇ PyTorch ਫਰੇਮਵਰਕ 5, 9, 10, 11 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਥਾਨਿਕ ਅਤੇ ਸਥਾਨਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਚਿੱਤਰ ਦੇ ਟੁਕੜਿਆਂ ਨੂੰ ਸਕੈਨ ਕਰਨ ਲਈ ਫਿਲਟਰ।ਸਾਡਾ ਸਿਖਿਅਤ ResNet ਇੱਕ 152-ਲੇਅਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ ਜਿਸ ਵਿੱਚ ਪਾੜੇ ਜਾਂ "ਬਕਾਇਆ ਕੁਨੈਕਸ਼ਨ" ਹਨ ਜੋ ਇੱਕੋ ਸਮੇਂ ਕਈ ਰੈਜ਼ੋਲਿਊਸ਼ਨਾਂ ਨਾਲ ਜਾਣਕਾਰੀ ਪ੍ਰਸਾਰਿਤ ਕਰਦੇ ਹਨ।ਨੈੱਟਵਰਕ 'ਤੇ ਵੱਖ-ਵੱਖ ਰੈਜ਼ੋਲਿਊਸ਼ਨਾਂ 'ਤੇ ਜਾਣਕਾਰੀ ਪੇਸ਼ ਕਰਕੇ, ਪਲੇਟਫਾਰਮ ਵਿਸਤਾਰ ਦੇ ਕਈ ਪੱਧਰਾਂ 'ਤੇ ਘੱਟ-ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਿੱਖ ਸਕਦਾ ਹੈ।ਸਾਡੇ ResNet ਮਾਡਲ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਤੁਲਨਾ ਲਈ ਗੁੰਮ ਕੁਨੈਕਸ਼ਨਾਂ ਤੋਂ ਬਿਨਾਂ, AlexNet, ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਧਿਐਨ ਕੀਤੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਵੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ (ਚਿੱਤਰ 3A.ii)12।ਗੁੰਮ ਹੋਏ ਕਨੈਕਸ਼ਨਾਂ ਤੋਂ ਬਿਨਾਂ, ਇਹ ਨੈੱਟਵਰਕ ਉੱਚ ਗ੍ਰੈਨਿਊਲਿਟੀ 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵੇਗਾ।
ਅਸਲ 8\(\times\)8mm OCTA13 ਚਿੱਤਰ ਸੈੱਟ ਨੂੰ ਹਰੀਜੱਟਲ ਅਤੇ ਵਰਟੀਕਲ ਰਿਫਲੈਕਸ਼ਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਧਾਇਆ ਗਿਆ ਹੈ।ਪੂਰੇ ਡੇਟਾਸੈਟ ਨੂੰ ਫਿਰ ਚਿੱਤਰ ਪੱਧਰ 'ਤੇ ਸਿਖਲਾਈ (51.2%), ਟੈਸਟਿੰਗ (12.8%), ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਟਿਊਨਿੰਗ (16%), ਅਤੇ ਸਕਿਟ-ਲਰਨ ਟੂਲਬਾਕਸ ਪਾਈਥਨ 14 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰਮਾਣਿਕਤਾ (20%) ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਗਿਆ ਸੀ।ਦੋ ਮਾਮਲਿਆਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਇੱਕ ਸਿਰਫ਼ ਉੱਚਤਮ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ (ਸਮੁੱਚਾ ਸਕੋਰ 4) ਦਾ ਪਤਾ ਲਗਾਉਣ 'ਤੇ ਆਧਾਰਿਤ ਅਤੇ ਦੂਜਾ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ (ਸਮੁੱਚਾ ਸਕੋਰ 0 ਜਾਂ 1) ਦਾ ਪਤਾ ਲਗਾਉਣ 'ਤੇ ਆਧਾਰਿਤ।ਹਰੇਕ ਉੱਚ-ਗੁਣਵੱਤਾ ਅਤੇ ਘੱਟ-ਗੁਣਵੱਤਾ ਵਰਤੋਂ ਦੇ ਕੇਸ ਲਈ, ਸਾਡੇ ਚਿੱਤਰ ਡੇਟਾ 'ਤੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਇੱਕ ਵਾਰ ਮੁੜ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।ਹਰੇਕ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ 10 ਯੁੱਗਾਂ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਪਰ ਸਭ ਤੋਂ ਉੱਚੇ ਪਰਤ ਦੇ ਵਜ਼ਨ ਨੂੰ ਫ੍ਰੀਜ਼ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਸਾਰੇ ਅੰਦਰੂਨੀ ਮਾਪਦੰਡਾਂ ਦੇ ਵਜ਼ਨ 40 ਯੁੱਗਾਂ ਲਈ ਇੱਕ ਕ੍ਰਾਸ-ਐਂਟ੍ਰੋਪੀ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ 15 ਦੇ ਨਾਲ ਇੱਕ ਵਿਤਕਰੇ ਵਾਲੀ ਸਿਖਲਾਈ ਦਰ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਿੱਖੇ ਗਏ ਸਨ, 16..ਕਰਾਸ ਐਂਟਰੋਪੀ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਨੈੱਟਵਰਕ ਲੇਬਲਾਂ ਅਤੇ ਅਸਲ ਡੇਟਾ ਵਿਚਕਾਰ ਅੰਤਰ ਦੇ ਲਘੂਗਣਕ ਸਕੇਲ ਦਾ ਇੱਕ ਮਾਪ ਹੈ।ਸਿਖਲਾਈ ਦੇ ਦੌਰਾਨ, ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰੂਨੀ ਮਾਪਦੰਡਾਂ 'ਤੇ ਗਰੇਡੀਐਂਟ ਡਿਸੇਂਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।ਸਿੱਖਣ ਦੀ ਦਰ, ਛੱਡਣ ਦੀ ਦਰ, ਅਤੇ ਭਾਰ ਘਟਾਉਣ ਦੇ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਨੂੰ 2 ਬੇਤਰਤੀਬ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂਆਂ ਅਤੇ 10 ਦੁਹਰਾਓ ਦੇ ਨਾਲ ਬਾਏਸੀਅਨ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਡੇਟਾਸੈਟ 'ਤੇ AUC ਨੂੰ 17 ਦੇ ਟੀਚੇ ਵਜੋਂ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਸੀ।
ਸਤਹੀ ਕੇਸ਼ਿਕਾ ਪਲੈਕਸਸ ਦੇ 8 × 8 ਮਿਲੀਮੀਟਰ OCTA ਚਿੱਤਰਾਂ ਦੇ ਪ੍ਰਤੀਨਿਧ ਉਦਾਹਰਨਾਂ ਨੇ 2 (A, B), 1 (C, D), ਅਤੇ 0 (E, F) ਸਕੋਰ ਕੀਤੇ।ਦਿਖਾਈਆਂ ਗਈਆਂ ਚਿੱਤਰ ਕਲਾਕ੍ਰਿਤੀਆਂ ਵਿੱਚ ਫਲਿੱਕਰਿੰਗ ਲਾਈਨਾਂ (ਤੀਰ), ਵਿਭਾਜਨ ਕਲਾਕ੍ਰਿਤੀਆਂ (ਤਾਰੇ) ਅਤੇ ਮੀਡੀਆ ਧੁੰਦਲਾਪਣ (ਤੀਰ) ਸ਼ਾਮਲ ਹਨ।ਚਿੱਤਰ (ਈ) ਵੀ ਕੇਂਦਰ ਤੋਂ ਬਾਹਰ ਹੈ।
ਰਿਸੀਵਰ ਓਪਰੇਟਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ROC) ਕਰਵ ਫਿਰ ਸਾਰੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਹਰੇਕ ਘੱਟ-ਗੁਣਵੱਤਾ ਅਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਰਤੋਂ ਦੇ ਕੇਸ ਲਈ ਇੰਜਨ ਸਿਗਨਲ ਤਾਕਤ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।ਕਰਵ (AUC) ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੀ ਗਣਨਾ pROC R ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ 95% ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲਾਂ ਅਤੇ p-ਮੁੱਲਾਂ ਦੀ DeLong ਵਿਧੀ 18,19 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ।ਮਨੁੱਖੀ ਰੇਟਰਾਂ ਦੇ ਸੰਚਤ ਸਕੋਰਾਂ ਨੂੰ ਸਾਰੀਆਂ ROC ਗਣਨਾਵਾਂ ਲਈ ਬੇਸਲਾਈਨ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।ਮਸ਼ੀਨ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੀ ਸਿਗਨਲ ਤਾਕਤ ਲਈ, AUC ਦੀ ਦੋ ਵਾਰ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ: ਇੱਕ ਵਾਰ ਉੱਚ ਗੁਣਵੱਤਾ ਸਕੇਲੇਬਿਲਟੀ ਸਕੋਰ ਕੱਟਆਫ ਲਈ ਅਤੇ ਇੱਕ ਵਾਰ ਘੱਟ ਗੁਣਵੱਤਾ ਸਕੇਲੇਬਿਲਟੀ ਸਕੋਰ ਕੱਟਆਫ ਲਈ।ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਤੁਲਨਾ ਏਯੂਸੀ ਸਿਗਨਲ ਤਾਕਤ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਇਸਦੀ ਆਪਣੀ ਸਿਖਲਾਈ ਅਤੇ ਮੁਲਾਂਕਣ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਇੱਕ ਵੱਖਰੇ ਡੇਟਾਸੈੱਟ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੂੰਘੇ ਸਿਖਲਾਈ ਮਾਡਲ ਦੀ ਹੋਰ ਜਾਂਚ ਕਰਨ ਲਈ, ਉੱਚ ਗੁਣਵੱਤਾ ਅਤੇ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਯੇਲ ਯੂਨੀਵਰਸਿਟੀ ਤੋਂ ਇਕੱਤਰ ਕੀਤੇ 32 ਪੂਰੇ ਚਿਹਰੇ 6\(\times\) 6mm ਸਤਹ ਸਲੈਬ ਚਿੱਤਰਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਮੁਲਾਂਕਣ ਲਈ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ।ਆਈ ਮਾਸ ਚਿੱਤਰ 8 \(\times \) 8 ਮਿਲੀਮੀਟਰ ਦੇ ਸਮਾਨ ਸਮੇਂ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ।6\(\×\) 6 ਮਿਲੀਮੀਟਰ ਚਿੱਤਰਾਂ ਦਾ ਮੁਲਾਂਕਣ ਉਸੇ ਹੀ ਰੇਟਰਾਂ (RD ਅਤੇ JW) ਦੁਆਰਾ 8\(\×\) 8 ਮਿਲੀਮੀਟਰ ਚਿੱਤਰਾਂ ਵਾਂਗ ਹੀ ਹੱਥੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, AUC ਦੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਨਾਲ ਹੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੋਹੇਨ ਦੇ ਕਪਾ। .ਬਰਾਬਰ .
ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲ ਲਈ ਕਲਾਸ ਅਸੰਤੁਲਨ ਅਨੁਪਾਤ 158:189 (\(\rho = 1.19\)) ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲ ਲਈ 80:267 (\(\rho = 3.3\)) ਹੈ।ਕਿਉਂਕਿ ਕਲਾਸ ਅਸੰਤੁਲਨ ਅਨੁਪਾਤ 1:4 ਤੋਂ ਘੱਟ ਹੈ, ਕਲਾਸ ਅਸੰਤੁਲਨ 20,21 ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਕੋਈ ਖਾਸ ਆਰਕੀਟੈਕਚਰਲ ਬਦਲਾਅ ਨਹੀਂ ਕੀਤੇ ਗਏ ਹਨ।
ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਦੇਖਣ ਲਈ, ਸਾਰੇ ਚਾਰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੂੰਘੇ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਲਈ ਕਲਾਸ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ੇ ਤਿਆਰ ਕੀਤੇ ਗਏ ਸਨ: ਉੱਚ ਗੁਣਵੱਤਾ ResNet152 ਮਾਡਲ, ਘੱਟ ਗੁਣਵੱਤਾ ResNet152 ਮਾਡਲ, ਉੱਚ ਗੁਣਵੱਤਾ AlexNet ਮਾਡਲ, ਅਤੇ ਘੱਟ ਕੁਆਲਿਟੀ AlexNet ਮਾਡਲ।ਕਲਾਸ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ੇ ਇਹਨਾਂ ਚਾਰ ਮਾਡਲਾਂ ਦੀਆਂ ਇਨਪੁਟ ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ ਤੋਂ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਗਰਮੀ ਦੇ ਨਕਸ਼ੇ 8 × 8 mm ਅਤੇ 6 × 6 mm ਪ੍ਰਮਾਣਿਕਤਾ ਸੈੱਟ 22, 23 ਤੋਂ ਸਰੋਤ ਚਿੱਤਰਾਂ ਦੇ ਨਾਲ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ਿਆਂ ਨੂੰ ਓਵਰਲੇਅ ਕਰਕੇ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
R ਸੰਸਕਰਣ 4.0.3 ਨੂੰ ਸਾਰੇ ਅੰਕੜਾ ਗਣਨਾਵਾਂ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ggplot2 ਗ੍ਰਾਫਿਕਸ ਟੂਲ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਸਨ।
ਅਸੀਂ 134 ਲੋਕਾਂ ਤੋਂ 8 \(\times \)8 ਮਿਲੀਮੀਟਰ ਮਾਪਣ ਵਾਲੇ ਸਤਹੀ ਕੇਸ਼ਿਕਾ ਪਲੇਕਸਸ ਦੇ 347 ਫਰੰਟਲ ਚਿੱਤਰ ਇਕੱਠੇ ਕੀਤੇ।ਮਸ਼ੀਨ ਨੇ ਸਾਰੀਆਂ ਤਸਵੀਰਾਂ ਲਈ 0 ਤੋਂ 10 ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਸਿਗਨਲ ਤਾਕਤ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ (ਮਤਲਬ = 6.99 ± 2.29)।ਹਾਸਲ ਕੀਤੀਆਂ ਗਈਆਂ 347 ਤਸਵੀਰਾਂ ਵਿੱਚੋਂ, ਇਮਤਿਹਾਨ ਵਿੱਚ ਔਸਤ ਉਮਰ 58.7 ± 14.6 ਸਾਲ ਸੀ, ਅਤੇ 39.2% ਮਰਦ ਮਰੀਜ਼ਾਂ ਵਿੱਚੋਂ ਸਨ।ਸਾਰੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚੋਂ, 30.8% ਕਾਕੇਸ਼ੀਅਨ, 32.6% ਕਾਲੇ, 30.8% ਹਿਸਪੈਨਿਕ, 4% ਏਸ਼ੀਅਨ, ਅਤੇ 1.7% ਹੋਰ ਨਸਲਾਂ ਤੋਂ ਸਨ (ਸਾਰਣੀ 1)।).OCTA ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਉਮਰ ਦੀ ਵੰਡ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ (ਪੀ <0.001) ਦੇ ਅਧਾਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ।18-45 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਛੋਟੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤ ਘੱਟ-ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ (ਟੇਬਲ 1) ਦੇ 12.2% ਦੇ ਮੁਕਾਬਲੇ 33.8% ਸੀ।ਡਾਇਬੀਟਿਕ ਰੈਟੀਨੋਪੈਥੀ ਸਥਿਤੀ ਦੀ ਵੰਡ ਵੀ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ (ਪੀ <0.017) ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੈ।ਸਾਰੀਆਂ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚ, ਪੀਡੀਆਰ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ (ਟੇਬਲ 1) ਦੇ 38.8% ਦੇ ਮੁਕਾਬਲੇ 18.8% ਸੀ।
ਸਾਰੇ ਚਿੱਤਰਾਂ ਦੀਆਂ ਵਿਅਕਤੀਗਤ ਰੇਟਿੰਗਾਂ ਨੇ ਚਿੱਤਰਾਂ ਨੂੰ ਪੜ੍ਹ ਰਹੇ ਲੋਕਾਂ ਵਿਚਕਾਰ ਮੱਧਮ ਤੋਂ ਮਜ਼ਬੂਤ ​​ਅੰਤਰ-ਰੇਟਿੰਗ ਭਰੋਸੇਯੋਗਤਾ ਦਿਖਾਈ (ਕੋਹੇਨ ਦੇ ਭਾਰ ਵਾਲੇ ਕਪਾ = 0.79, 95% CI: 0.76-0.82), ਅਤੇ ਕੋਈ ਚਿੱਤਰ ਪੁਆਇੰਟ ਨਹੀਂ ਸਨ ਜਿੱਥੇ ਰੇਟਰ 1 (ਚਿੱਤਰ 4) ਤੋਂ ਵੱਧ ਵੱਖਰੇ ਸਨ। 2A).ਸਿਗਨਲ ਦੀ ਤੀਬਰਤਾ ਮੈਨੂਅਲ ਸਕੋਰਿੰਗ (ਪੀਅਰਸਨ ਉਤਪਾਦ ਪਲ ਸਹਿ-ਸਬੰਧ = 0.58, 95% CI 0.51–0.65, p<0.001) ਦੇ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਸਬੰਧਿਤ ਹੈ, ਪਰ ਬਹੁਤ ਸਾਰੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਪਛਾਣ ਉੱਚ ਸਿਗਨਲ ਤੀਬਰਤਾ ਪਰ ਘੱਟ ਮੈਨੂਅਲ ਸਕੋਰਿੰਗ (ਚਿੱਤਰ .2B) ਵਜੋਂ ਕੀਤੀ ਗਈ ਸੀ।
ResNet152 ਅਤੇ AlexNet ਆਰਕੀਟੈਕਚਰ ਦੀ ਸਿਖਲਾਈ ਦੇ ਦੌਰਾਨ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸਿਖਲਾਈ 'ਤੇ ਕਰਾਸ-ਐਂਟ੍ਰੋਪੀ ਨੁਕਸਾਨ 50 ਯੁੱਗਾਂ (ਚਿੱਤਰ 3B, C) ਤੋਂ ਵੱਧ ਹੁੰਦਾ ਹੈ।ਅੰਤਮ ਸਿਖਲਾਈ ਯੁੱਗ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕਤਾ ਸ਼ੁੱਧਤਾ ਉੱਚ ਗੁਣਵੱਤਾ ਅਤੇ ਘੱਟ ਕੁਆਲਿਟੀ ਦੀ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ 90% ਤੋਂ ਵੱਧ ਹੈ।
ਰਿਸੀਵਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਵ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ResNet152 ਮਾਡਲ ਘੱਟ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਦੀ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ (ਪੀ <0.001) ਦੋਵਾਂ ਵਿੱਚ ਮਸ਼ੀਨ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੀ ਸਿਗਨਲ ਪਾਵਰ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪਛਾੜਦਾ ਹੈ।ResNet152 ਮਾਡਲ AlexNet ਆਰਕੀਟੈਕਚਰ (ਕ੍ਰਮਵਾਰ ਘੱਟ ਕੁਆਲਿਟੀ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਕੇਸਾਂ ਲਈ p = 0.005 ਅਤੇ p = 0.014) ਨੂੰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪਛਾੜਦਾ ਹੈ।ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਕਾਰਜ ਲਈ ਨਤੀਜੇ ਵਾਲੇ ਮਾਡਲ ਕ੍ਰਮਵਾਰ 0.99 ਅਤੇ 0.97 ਦੇ AUC ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਯੋਗ ਸਨ, ਜੋ ਕਿ ਮਸ਼ੀਨ ਸਿਗਨਲ ਤਾਕਤ ਸੂਚਕਾਂਕ ਲਈ 0.82 ਅਤੇ 0.78 ਦੇ ਅਨੁਸਾਰੀ AUC ਮੁੱਲਾਂ ਜਾਂ ਅਲੈਕਸਨੇਟ ਲਈ 0.97 ਅਤੇ 0.94 ਨਾਲੋਂ ਕਾਫ਼ੀ ਬਿਹਤਰ ਹੈ। ..(ਚਿੱਤਰ 3)।ਸਿਗਨਲ ਤਾਕਤ ਵਿੱਚ ResNet ਅਤੇ AUC ਵਿਚਕਾਰ ਅੰਤਰ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵੇਲੇ ਵਧੇਰੇ ਹੁੰਦਾ ਹੈ, ਜੋ ਇਸ ਕੰਮ ਲਈ ResNet ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਵਾਧੂ ਲਾਭਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਗ੍ਰਾਫ਼ ਹਰੇਕ ਸੁਤੰਤਰ ਰੇਟਰ ਦੀ ਸਕੋਰ ਕਰਨ ਅਤੇ ਮਸ਼ੀਨ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਦੀ ਤਾਕਤ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।(ਏ) ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਬਿੰਦੂਆਂ ਦੇ ਜੋੜ ਦੀ ਵਰਤੋਂ ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਅੰਕਾਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।4 ਦੇ ਸਮੁੱਚੇ ਸਕੇਲੇਬਿਲਟੀ ਸਕੋਰ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਉੱਚ ਗੁਣਵੱਤਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ 1 ਜਾਂ ਇਸ ਤੋਂ ਘੱਟ ਦੇ ਸਮੁੱਚੇ ਸਕੇਲੇਬਿਲਟੀ ਸਕੋਰ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਘੱਟ ਕੁਆਲਿਟੀ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।(ਬੀ) ਸਿਗਨਲ ਦੀ ਤੀਬਰਤਾ ਦਸਤੀ ਅਨੁਮਾਨਾਂ ਨਾਲ ਸਬੰਧਿਤ ਹੈ, ਪਰ ਉੱਚ ਸਿਗਨਲ ਤੀਬਰਤਾ ਵਾਲੇ ਚਿੱਤਰ ਮਾੜੀ ਗੁਣਵੱਤਾ ਦੇ ਹੋ ਸਕਦੇ ਹਨ।ਲਾਲ ਬਿੰਦੀ ਵਾਲੀ ਲਾਈਨ ਸਿਗਨਲ ਤਾਕਤ (ਸਿਗਨਲ ਤਾਕਤ \(\ge\)6) ਦੇ ਆਧਾਰ 'ਤੇ ਨਿਰਮਾਤਾ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਗੁਣਵੱਤਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ResNet ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਮਸ਼ੀਨ-ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਪੱਧਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਗੁਣਵੱਤਾ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਪਛਾਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।(ਏ) ਪੂਰਵ-ਸਿਖਿਅਤ (i) ResNet152 ਅਤੇ (ii) AlexNet ਆਰਕੀਟੈਕਚਰ ਦੇ ਸਰਲੀਕ੍ਰਿਤ ਆਰਕੀਟੈਕਚਰ ਚਿੱਤਰ।(ਬੀ) ਮਸ਼ੀਨ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਸਿਗਨਲ ਤਾਕਤ ਅਤੇ ਅਲੈਕਸਨੈੱਟ ਘੱਟ ਕੁਆਲਿਟੀ ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਮੁਕਾਬਲੇ ResNet152 ਲਈ ਸਿਖਲਾਈ ਇਤਿਹਾਸ ਅਤੇ ਰਿਸੀਵਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਵ।(C) ਮਸ਼ੀਨ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਸਿਗਨਲ ਤਾਕਤ ਅਤੇ ਅਲੈਕਸਨੈੱਟ ਉੱਚ ਗੁਣਵੱਤਾ ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਮੁਕਾਬਲੇ ResNet152 ਰਿਸੀਵਰ ਸਿਖਲਾਈ ਇਤਿਹਾਸ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਕਰਵ।
ਫੈਸਲੇ ਦੀ ਸੀਮਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਐਡਜਸਟ ਕਰਨ ਤੋਂ ਬਾਅਦ, ResNet152 ਮਾਡਲ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਕੇਸ ਲਈ 95.3% ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਕੇਸ ਲਈ 93.5% ਹੈ (ਸਾਰਣੀ 2)।ਅਲੈਕਸਨੇਟ ਮਾਡਲ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ ਘੱਟ ਕੁਆਲਿਟੀ ਕੇਸ ਲਈ 91.0% ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਕੇਸ (ਟੇਬਲ 2) ਲਈ 90.1% ਹੈ।ਘੱਟ ਕੁਆਲਿਟੀ ਵਰਤੋਂ ਕੇਸ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਸਿਗਨਲ ਤਾਕਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ 76.1% ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਰਤੋਂ ਕੇਸ ਲਈ 77.8% ਹੈ।ਕੋਹੇਨ ਦੇ ਕਪਾ (\(\kappa\)) ਦੇ ਅਨੁਸਾਰ, ResNet152 ਮਾਡਲ ਅਤੇ ਅਨੁਮਾਨਕਾਰਾਂ ਵਿਚਕਾਰ ਸਮਝੌਤਾ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਕੇਸ ਲਈ 0.90 ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਕੇਸ ਲਈ 0.81 ਹੈ।ਕੋਹੇਨ ਦਾ ਅਲੈਕਸਨੇਟ ਕਪਾ ਕ੍ਰਮਵਾਰ ਘੱਟ ਗੁਣਵੱਤਾ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ 0.82 ਅਤੇ 0.71 ਹੈ।ਕੋਹੇਨ ਦੀ ਸਿਗਨਲ ਤਾਕਤ ਕਪਾ ਕ੍ਰਮਵਾਰ ਘੱਟ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ 0.52 ਅਤੇ 0.27 ਹੈ।
6mm ਫਲੈਟ ਪਲੇਟ ਦੇ 6\(\x\) ਚਿੱਤਰਾਂ 'ਤੇ ਉੱਚ ਅਤੇ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਨਤਾ ਮਾਡਲਾਂ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਵੱਖ-ਵੱਖ ਇਮੇਜਿੰਗ ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਦੀ ਯੋਗਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।ਇਮੇਜਿੰਗ ਕੁਆਲਿਟੀ ਲਈ 6\(\x\) 6 mm ਖੋਖਲੇ ਸਲੈਬਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ, ਘੱਟ ਕੁਆਲਿਟੀ ਮਾਡਲ ਦਾ 0.83 (95% CI: 0.69–0.98) AUC ਸੀ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲ ਦਾ AUC 0.85 ਸੀ।(95% CI: 0.55–1.00) (ਸਾਰਣੀ 2)।
ਇਨਪੁਟ ਲੇਅਰ ਕਲਾਸ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ਿਆਂ ਦੇ ਵਿਜ਼ੂਅਲ ਨਿਰੀਖਣ ਨੇ ਦਿਖਾਇਆ ਕਿ ਸਾਰੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਨਿਊਰਲ ਨੈਟਵਰਕ ਚਿੱਤਰ ਵਰਗੀਕਰਨ (ਚਿੱਤਰ 4A, B) ਦੌਰਾਨ ਚਿੱਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।8 \(\times \) 8 mm ਅਤੇ 6 \(\times \) 6 mm ਚਿੱਤਰਾਂ ਲਈ, ResNet ਐਕਟੀਵੇਸ਼ਨ ਚਿੱਤਰ ਰੈਟਿਨਲ ਵੈਸਕੁਲੇਚਰ ਦੀ ਨੇੜਿਓਂ ਪਾਲਣਾ ਕਰਦੇ ਹਨ।ਅਲੈਕਸਨੈਟ ਐਕਟੀਵੇਸ਼ਨ ਮੈਪ ਰੈਟਿਨਲ ਵੈਸਲਾਂ ਦੀ ਵੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ, ਪਰ ਮੋਟੇ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੇ ਨਾਲ।
ResNet152 ਅਤੇ AlexNet ਮਾਡਲਾਂ ਲਈ ਕਲਾਸ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ੇ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨਾਲ ਸੰਬੰਧਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ।(A) ਕਲਾਸ ਐਕਟੀਵੇਸ਼ਨ ਮੈਪ 8 \(\times \) 8 mm ਪ੍ਰਮਾਣਿਕਤਾ ਚਿੱਤਰਾਂ ਅਤੇ (B) ਛੋਟੇ 6 \(\times \) 6 mm ਪ੍ਰਮਾਣਿਕਤਾ ਚਿੱਤਰਾਂ 'ਤੇ ਸਤਹੀ ਰੈਟਿਨਲ ਵੈਸਕੁਲੇਚਰ ਤੋਂ ਬਾਅਦ ਇਕਸਾਰ ਕਿਰਿਆਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।LQ ਮਾਡਲ ਨੂੰ ਘੱਟ ਕੁਆਲਿਟੀ ਦੇ ਮਾਪਦੰਡ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ, HQ ਮਾਡਲ ਉੱਚ ਗੁਣਵੱਤਾ ਦੇ ਮਾਪਦੰਡ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ।
ਇਹ ਪਹਿਲਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ OCTA ਚਿੱਤਰਾਂ ਦੀ ਕਿਸੇ ਵੀ ਮਾਤਰਾ ਨੂੰ ਬਹੁਤ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਰੈਟੀਨੋਪੈਥੀ ਦੀ ਮੌਜੂਦਗੀ ਚਿੱਤਰ ਕਲਾ 7,26 ਦੀਆਂ ਘਟਨਾਵਾਂ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ.ਵਾਸਤਵ ਵਿੱਚ, ਸਾਡੇ ਡੇਟਾ ਵਿੱਚ, ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੇ ਨਾਲ ਇਕਸਾਰ, ਸਾਨੂੰ ਵਧਦੀ ਉਮਰ ਅਤੇ ਰੈਟਿਨਲ ਬਿਮਾਰੀ ਦੀ ਗੰਭੀਰਤਾ ਅਤੇ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਗਿਰਾਵਟ (ਪੀ <0.001, ਪੀ = 0.017 ਉਮਰ ਅਤੇ ਡੀਆਰ ਸਥਿਤੀ ਲਈ, ਕ੍ਰਮਵਾਰ; ਸਾਰਣੀ 1) 27 ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਬੰਧ ਮਿਲਿਆ ਹੈ। ਇਸ ਲਈ, OCTA ਚਿੱਤਰਾਂ ਦਾ ਕੋਈ ਵੀ ਮਾਤਰਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।OCTA ਚਿੱਤਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੇ ਜ਼ਿਆਦਾਤਰ ਅਧਿਐਨ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਰੱਦ ਕਰਨ ਲਈ ਮਸ਼ੀਨ-ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਤੀਬਰਤਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।ਹਾਲਾਂਕਿ ਸਿਗਨਲ ਦੀ ਤੀਬਰਤਾ OCTA ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਲਈ ਦਿਖਾਈ ਗਈ ਹੈ, ਸਿਰਫ ਉੱਚ ਸਿਗਨਲ ਤੀਬਰਤਾ ਹੀ ਚਿੱਤਰ ਕਲਾਕ੍ਰਿਤੀਆਂ 2,3,28,29 ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਰੱਦ ਕਰਨ ਲਈ ਕਾਫੀ ਨਹੀਂ ਹੋ ਸਕਦੀ।ਇਸ ਲਈ, ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਦਾ ਇੱਕ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਵਿਕਸਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ.ਇਸ ਲਈ, ਅਸੀਂ ਮਸ਼ੀਨ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਤਾਕਤ ਦੇ ਵਿਰੁੱਧ ਨਿਰੀਖਣ ਕੀਤੇ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ।
ਅਸੀਂ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕਈ ਮਾਡਲ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ ਕਿਉਂਕਿ ਵੱਖ-ਵੱਖ OCTA ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦੀਆਂ ਲੋੜਾਂ ਵੱਖਰੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।ਉਦਾਹਰਨ ਲਈ, ਚਿੱਤਰ ਉੱਚ ਗੁਣਵੱਤਾ ਦੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਆਜ ਦੇ ਖਾਸ ਮਾਤਰਾਤਮਕ ਮਾਪਦੰਡ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹਨ।ਉਦਾਹਰਨ ਲਈ, ਫੋਵੇਲ ਅਵੈਸਕੁਲਰ ਜ਼ੋਨ ਦਾ ਖੇਤਰ ਗੈਰ-ਕੇਂਦਰੀ ਮਾਧਿਅਮ ਦੀ ਗੰਦਗੀ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਪਰ ਨਾੜੀਆਂ ਦੀ ਘਣਤਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ।ਹਾਲਾਂਕਿ ਸਾਡੀ ਖੋਜ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਲਈ ਇੱਕ ਆਮ ਪਹੁੰਚ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦੀ ਹੈ, ਕਿਸੇ ਖਾਸ ਟੈਸਟ ਦੀਆਂ ਲੋੜਾਂ ਨਾਲ ਨਹੀਂ ਜੁੜੀ, ਪਰ ਮਸ਼ੀਨ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਦੀ ਤਾਕਤ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਬਦਲਣ ਦਾ ਇਰਾਦਾ ਹੈ, ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਨਿਯੰਤਰਣ ਦੇਣ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਉਹ ਉਪਭੋਗਤਾ ਲਈ ਵਿਆਜ ਦੇ ਖਾਸ ਮੈਟ੍ਰਿਕ ਦੀ ਚੋਣ ਕਰ ਸਕਦਾ ਹੈ.ਇੱਕ ਮਾਡਲ ਚੁਣੋ ਜੋ ਸਵੀਕਾਰਯੋਗ ਮੰਨੇ ਜਾਣ ਵਾਲੇ ਚਿੱਤਰ ਕਲਾਕ੍ਰਿਤੀਆਂ ਦੀ ਅਧਿਕਤਮ ਡਿਗਰੀ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੋਵੇ।
ਘੱਟ-ਗੁਣਵੱਤਾ ਅਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਦ੍ਰਿਸ਼ਾਂ ਲਈ, ਅਸੀਂ ਕ੍ਰਮਵਾਰ 0.97 ਅਤੇ 0.99 ਅਤੇ ਘੱਟ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲਾਂ ਦੇ AUCs ਦੇ ਨਾਲ, ਕੁਨੈਕਸ਼ਨ-ਗੁੰਮ ਡੂੰਘੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਸ਼ਾਨਦਾਰ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿਖਾਉਂਦੇ ਹਾਂ।ਅਸੀਂ ਸਿਰਫ਼ ਮਸ਼ੀਨਾਂ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਸਿਗਨਲ ਪੱਧਰਾਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਆਪਣੀ ਡੂੰਘੀ ਸਿੱਖਣ ਦੀ ਪਹੁੰਚ ਦੀ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਵੀ ਕਰਦੇ ਹਾਂ।ਕੁਨੈਕਸ਼ਨ ਛੱਡੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਵੇਰਵੇ ਦੇ ਕਈ ਪੱਧਰਾਂ 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ, ਚਿੱਤਰਾਂ ਦੇ ਵਧੀਆ ਪਹਿਲੂਆਂ (ਜਿਵੇਂ ਕਿ ਵਿਪਰੀਤ) ਦੇ ਨਾਲ-ਨਾਲ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਕੇਂਦਰੀਕਰਨ 30,31) ਨੂੰ ਕੈਪਚਰ ਕਰਨਾ।ਕਿਉਂਕਿ ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਜੋ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀਆਂ ਹਨ ਸੰਭਵ ਤੌਰ 'ਤੇ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪਛਾਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਗੁੰਮ ਕੁਨੈਕਸ਼ਨਾਂ ਵਾਲੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨਿਰਧਾਰਨ ਕਾਰਜਾਂ ਤੋਂ ਬਿਨਾਂ ਉਹਨਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ।
6\(\×6mm) OCTA ਚਿੱਤਰਾਂ 'ਤੇ ਸਾਡੇ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ, ਅਸੀਂ ਵਰਗੀਕਰਨ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਦੇ ਆਕਾਰ ਦੇ ਉਲਟ, ਉੱਚ ਗੁਣਵੱਤਾ ਅਤੇ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਮਾਡਲਾਂ (ਚਿੱਤਰ 2) ਲਈ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਕਮੀ ਦੇਖੀ।ResNet ਮਾਡਲ ਦੀ ਤੁਲਨਾ ਵਿੱਚ, AlexNet ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਫਾਲਆਫ ਹੈ।ResNet ਦੀ ਮੁਕਾਬਲਤਨ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਕਈ ਪੈਮਾਨਿਆਂ 'ਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰਸਾਰਿਤ ਕਰਨ ਲਈ ਬਚੇ ਹੋਏ ਕਨੈਕਸ਼ਨਾਂ ਦੀ ਯੋਗਤਾ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦੀ ਹੈ, ਜੋ ਵੱਖ-ਵੱਖ ਪੈਮਾਨਿਆਂ ਅਤੇ/ਜਾਂ ਵਿਸਤਾਰਾਂ 'ਤੇ ਕੈਪਚਰ ਕੀਤੇ ਚਿੱਤਰਾਂ ਨੂੰ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ​​ਬਣਾਉਂਦਾ ਹੈ।
8 \(\×\) 8 ਮਿਲੀਮੀਟਰ ਚਿੱਤਰਾਂ ਅਤੇ 6 \(\×\) 6 ਮਿਲੀਮੀਟਰ ਚਿੱਤਰਾਂ ਵਿਚਕਾਰ ਕੁਝ ਅੰਤਰ ਮਾੜੇ ਵਰਗੀਕਰਨ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਫੋਵਲ ਅਵੈਸਕੁਲਰ ਖੇਤਰਾਂ ਵਾਲੇ ਚਿੱਤਰਾਂ ਦਾ ਮੁਕਾਬਲਤਨ ਉੱਚ ਅਨੁਪਾਤ, ਦਿੱਖ ਵਿੱਚ ਬਦਲਾਅ, ਨਾੜੀ ਆਰਕੇਡਸ, ਅਤੇ ਚਿੱਤਰ 6×6 ਮਿਲੀਮੀਟਰ 'ਤੇ ਕੋਈ ਆਪਟਿਕ ਨਰਵ ਨਹੀਂ ਹੈ।ਇਸ ਦੇ ਬਾਵਜੂਦ, ਸਾਡਾ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲਾ ResNet ਮਾਡਲ 6 \(\x\) 6 mm ਚਿੱਤਰਾਂ ਲਈ 85% ਦਾ AUC ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਯੋਗ ਸੀ, ਇੱਕ ਸੰਰਚਨਾ ਜਿਸ ਲਈ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਸੀ, ਇਹ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦੀ ਜਾਣਕਾਰੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਏਨਕੋਡ ਕੀਤੀ ਗਈ ਹੈ। ਢੁਕਵਾਂ ਹੈ।ਇੱਕ ਚਿੱਤਰ ਆਕਾਰ ਜਾਂ ਇਸਦੀ ਸਿਖਲਾਈ ਤੋਂ ਬਾਹਰ ਮਸ਼ੀਨ ਸੰਰਚਨਾ ਲਈ (ਸਾਰਣੀ 2)।ਯਕੀਨਨ, ResNet- ਅਤੇ AlexNet-ਵਰਗੇ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ੇ 8 \(\times \) 8 mm ਅਤੇ 6 \(\times \) 6 mm ਚਿੱਤਰਾਂ ਦੋਵਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ ਰੈਟਿਨਲ ਨਾੜੀਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਦੇ ਯੋਗ ਸਨ, ਇਹ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਮਾਡਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਹੈ।OCTA ਚਿੱਤਰਾਂ (ਚਿੱਤਰ 4) ਦੀਆਂ ਦੋਵਾਂ ਕਿਸਮਾਂ ਦੇ ਵਰਗੀਕਰਨ ਲਈ ਲਾਗੂ ਹੁੰਦੇ ਹਨ।
Lauerman et al.OCTA ਚਿੱਤਰਾਂ 'ਤੇ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਇਸੇ ਤਰ੍ਹਾਂ ਇਨਸੈਪਸ਼ਨ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਕ ਹੋਰ ਸਕਿੱਪ-ਕਨੈਕਸ਼ਨ ਕੰਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ 6,32 ਡੂੰਘੀ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ।ਉਹਨਾਂ ਨੇ ਅਧਿਐਨ ਨੂੰ ਸਤਹੀ ਕੇਸ਼ਿਕਾ ਪਲੇਕਸਸ ਦੀਆਂ ਤਸਵੀਰਾਂ ਤੱਕ ਸੀਮਿਤ ਕੀਤਾ, ਪਰ ਸਿਰਫ ਓਪਟੋਵੂ ਐਂਜੀਓਵਿਊ ਤੋਂ ਛੋਟੇ 3 × 3 ਮਿਲੀਮੀਟਰ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਹਾਲਾਂਕਿ ਵੱਖ-ਵੱਖ ਕੋਰਿਓਰੇਟਿਨਲ ਬਿਮਾਰੀਆਂ ਵਾਲੇ ਮਰੀਜ਼ ਵੀ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਸਨ।ਸਾਡਾ ਕੰਮ ਉਹਨਾਂ ਦੀਆਂ ਬੁਨਿਆਦਾਂ 'ਤੇ ਨਿਰਮਾਣ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨ ਅਤੇ ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਲਈ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਕਈ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ।ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਦੇ AUC ਮੈਟ੍ਰਿਕ ਦੀ ਵੀ ਰਿਪੋਰਟ ਕਰਦੇ ਹਾਂ ਅਤੇ ਘੱਟ ਕੁਆਲਿਟੀ (96%) ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ (95.7%) ਮਾਡਲ6 ਦੋਵਾਂ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸ਼ੁੱਧਤਾ (90%)6 ਵਧਾਉਂਦੇ ਹਾਂ।
ਇਸ ਸਿਖਲਾਈ ਦੀਆਂ ਕਈ ਸੀਮਾਵਾਂ ਹਨ।ਪਹਿਲਾਂ, ਚਿੱਤਰਾਂ ਨੂੰ ਸਿਰਫ ਇੱਕ OCTA ਮਸ਼ੀਨ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿਸ ਵਿੱਚ ਸਿਰਫ 8\(\times\)8 ਮਿਲੀਮੀਟਰ ਅਤੇ 6\(\times\)6 ਮਿਲੀਮੀਟਰ 'ਤੇ ਸਤਹੀ ਕੇਸ਼ਿਕਾ ਪਲੇਕਸਸ ਦੀਆਂ ਤਸਵੀਰਾਂ ਸ਼ਾਮਲ ਹਨ।ਡੂੰਘੀਆਂ ਪਰਤਾਂ ਤੋਂ ਚਿੱਤਰਾਂ ਨੂੰ ਬਾਹਰ ਕੱਢਣ ਦਾ ਕਾਰਨ ਇਹ ਹੈ ਕਿ ਪ੍ਰੋਜੈਕਸ਼ਨ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਚਿੱਤਰਾਂ ਦੇ ਦਸਤੀ ਮੁਲਾਂਕਣ ਨੂੰ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਅਤੇ ਸੰਭਵ ਤੌਰ 'ਤੇ ਘੱਟ ਇਕਸਾਰ ਬਣਾ ਸਕਦੀਆਂ ਹਨ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਚਿੱਤਰ ਸਿਰਫ ਸ਼ੂਗਰ ਦੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਹਨ, ਜਿਨ੍ਹਾਂ ਲਈ OCTA ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਡਾਇਗਨੌਸਟਿਕ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਸੰਬੰਧੀ ਟੂਲ 33,34 ਵਜੋਂ ਉੱਭਰ ਰਿਹਾ ਹੈ।ਹਾਲਾਂਕਿ ਅਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਦੇ ਚਿੱਤਰਾਂ 'ਤੇ ਆਪਣੇ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰਨ ਦੇ ਯੋਗ ਸੀ ਕਿ ਨਤੀਜੇ ਮਜ਼ਬੂਤ ​​ਸਨ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਕੇਂਦਰਾਂ ਤੋਂ ਢੁਕਵੇਂ ਡੇਟਾਸੈਟਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥ ਰਹੇ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਦੀ ਸਾਧਾਰਨਤਾ ਦੇ ਸਾਡੇ ਮੁਲਾਂਕਣ ਨੂੰ ਸੀਮਤ ਕੀਤਾ ਗਿਆ।ਹਾਲਾਂਕਿ ਚਿੱਤਰ ਸਿਰਫ ਇੱਕ ਕੇਂਦਰ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ, ਉਹ ਵੱਖ-ਵੱਖ ਨਸਲੀ ਅਤੇ ਨਸਲੀ ਪਿਛੋਕੜ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ, ਜੋ ਕਿ ਸਾਡੇ ਅਧਿਐਨ ਦੀ ਇੱਕ ਵਿਲੱਖਣ ਤਾਕਤ ਹੈ।ਸਾਡੀ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵਿਭਿੰਨਤਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੁਆਰਾ, ਅਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਨਤੀਜਿਆਂ ਨੂੰ ਵਿਆਪਕ ਅਰਥਾਂ ਵਿੱਚ ਸਾਧਾਰਨ ਬਣਾਇਆ ਜਾਵੇਗਾ, ਅਤੇ ਅਸੀਂ ਉਹਨਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ਨਸਲੀ ਪੱਖਪਾਤ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਤੋਂ ਬਚਾਂਗੇ ਜੋ ਅਸੀਂ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ।
ਸਾਡਾ ਅਧਿਐਨ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਨੈਕਸ਼ਨ-ਛੱਡਣ ਵਾਲੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ OCTA ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ।ਅਸੀਂ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਹੋਰ ਖੋਜ ਲਈ ਟੂਲ ਵਜੋਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ।ਕਿਉਂਕਿ ਵੱਖ-ਵੱਖ ਮੈਟ੍ਰਿਕਸ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦੀਆਂ ਲੋੜਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਇੱਥੇ ਸਥਾਪਿਤ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਲਈ ਇੱਕ ਵਿਅਕਤੀਗਤ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਮਾਡਲ ਵਿਕਸਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਭਵਿੱਖੀ ਖੋਜ ਵਿੱਚ ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਮੁਲਾਂਕਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਡੂੰਘਾਈ ਅਤੇ ਵੱਖ-ਵੱਖ OCTA ਮਸ਼ੀਨਾਂ ਤੋਂ ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਸ਼ਾਮਲ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਜੋ OCTA ਪਲੇਟਫਾਰਮਾਂ ਅਤੇ ਇਮੇਜਿੰਗ ਪ੍ਰੋਟੋਕੋਲਾਂ ਲਈ ਸਧਾਰਣ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।ਮੌਜੂਦਾ ਖੋਜ ਵੀ ਨਿਰੀਖਣ ਕੀਤੇ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ 'ਤੇ ਅਧਾਰਤ ਹੈ ਜਿਸ ਲਈ ਮਨੁੱਖੀ ਮੁਲਾਂਕਣ ਅਤੇ ਚਿੱਤਰ ਮੁਲਾਂਕਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ਲਈ ਮਿਹਨਤ ਅਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ।ਇਹ ਦੇਖਣਾ ਬਾਕੀ ਹੈ ਕਿ ਕੀ ਨਿਰੀਖਣ ਕੀਤੇ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਤਰੀਕੇ ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਅਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਵਿਚਕਾਰ ਢੁਕਵੇਂ ਰੂਪ ਵਿੱਚ ਫਰਕ ਕਰ ਸਕਦੇ ਹਨ।
ਜਿਵੇਂ ਕਿ OCTA ਤਕਨਾਲੋਜੀ ਦਾ ਵਿਕਾਸ ਜਾਰੀ ਹੈ ਅਤੇ ਸਕੈਨਿੰਗ ਦੀ ਗਤੀ ਵਧਦੀ ਹੈ, ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਅਤੇ ਮਾੜੀ ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਘਟਨਾ ਘੱਟ ਸਕਦੀ ਹੈ।ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਸੁਧਾਰ, ਜਿਵੇਂ ਕਿ ਹਾਲ ਹੀ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਪ੍ਰੋਜੇਕਸ਼ਨ ਆਰਟੀਫੈਕਟ ਹਟਾਉਣ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ, ਇਹਨਾਂ ਸੀਮਾਵਾਂ ਨੂੰ ਵੀ ਦੂਰ ਕਰ ਸਕਦੀ ਹੈ।ਹਾਲਾਂਕਿ, ਬਹੁਤ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਕਮਜ਼ੋਰ ਫਿਕਸੇਸ਼ਨ ਜਾਂ ਮਹੱਤਵਪੂਰਨ ਮੀਡੀਆ ਗੰਧਲੇਤਾ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਇਮੇਜਿੰਗ ਦੇ ਰੂਪ ਵਿੱਚ ਰਹਿੰਦੀਆਂ ਹਨ, ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਚਿੱਤਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਹੁੰਦੀਆਂ ਹਨ।ਜਿਵੇਂ ਕਿ OCTA ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਵਿੱਚ ਵਧੇਰੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਵੀਕਾਰਯੋਗ ਚਿੱਤਰ ਕਲਾਤਮਕ ਪੱਧਰਾਂ ਲਈ ਸਪੱਸ਼ਟ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਸਥਾਪਤ ਕਰਨ ਲਈ ਧਿਆਨ ਨਾਲ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।OCTA ਚਿੱਤਰਾਂ ਲਈ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਬਹੁਤ ਵਧੀਆ ਵਾਅਦਾ ਕਰਦੀ ਹੈ ਅਤੇ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਪਹੁੰਚ ਵਿਕਸਿਤ ਕਰਨ ਲਈ ਇਸ ਖੇਤਰ ਵਿੱਚ ਹੋਰ ਖੋਜ ਦੀ ਲੋੜ ਹੈ।
ਮੌਜੂਦਾ ਖੋਜ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਕੋਡ octa-qc ਰਿਪੋਜ਼ਟਰੀ, https://github.com/rahuldhodapkar/octa-qc ਵਿੱਚ ਉਪਲਬਧ ਹੈ।ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੌਰਾਨ ਤਿਆਰ ਕੀਤੇ ਗਏ ਅਤੇ/ਜਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਗਏ ਡੇਟਾਸੇਟਸ ਵਾਜਬ ਬੇਨਤੀ 'ਤੇ ਸੰਬੰਧਿਤ ਲੇਖਕਾਂ ਤੋਂ ਉਪਲਬਧ ਹਨ।
ਸਪਾਈਡ, ਆਰਐਫ, ਫੁਜੀਮੋਟੋ, ਜੇਜੀ ਅਤੇ ਵਹੀਦ, ਐਨਕੇ ਚਿੱਤਰ ਕਲਾਕ੍ਰਿਤੀਆਂ ਆਪਟੀਕਲ ਕੋਹੇਰੈਂਸ ਐਂਜੀਓਗ੍ਰਾਫੀ ਵਿੱਚ।ਰੈਟੀਨਾ 35, 2163–2180 (2015)।
ਫੈਨਰ, ਬੀਜੇ ਐਟ ਅਲ.ਇਮੇਜਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਜੋ OCT ਐਂਜੀਓਗ੍ਰਾਫੀ ਵਿੱਚ ਰੈਟਿਨਲ ਕੇਸ਼ਿਕਾ ਪਲੇਕਸਸ ਘਣਤਾ ਮਾਪ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਪ੍ਰਜਨਨਯੋਗਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।ਬੀ.ਆਰ.ਜੇ. ਓਫਥਲਮੋਲ102, 509–514 (2018)।
ਲੌਅਰਮੈਨ, ਜੇਐਲ ਐਟ ਅਲ.ਉਮਰ-ਸਬੰਧਤ ਮੈਕੁਲਰ ਡੀਜਨਰੇਸ਼ਨ ਵਿੱਚ OCT ਐਂਜੀਓਗ੍ਰਾਫੀ ਦੀ ਚਿੱਤਰ ਗੁਣਵੱਤਾ 'ਤੇ ਅੱਖ-ਟਰੈਕਿੰਗ ਤਕਨਾਲੋਜੀ ਦਾ ਪ੍ਰਭਾਵ।ਕਬਰ ਦੀ ਕਬਰ.ਕਲੀਨਿਕਲ.ਐਕਸਪ.ਨੇਤਰ ਵਿਗਿਆਨ255, 1535–1542 (2017)।
Babyuch AS et al.OCTA ਕੇਸ਼ਿਕਾ ਪਰਫਿਊਜ਼ਨ ਘਣਤਾ ਮਾਪਾਂ ਦੀ ਵਰਤੋਂ ਮੈਕੁਲਰ ਈਸੈਕਮੀਆ ਦਾ ਪਤਾ ਲਗਾਉਣ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।ਨੇਤਰ ਦੀ ਸਰਜਰੀ.ਰੈਟਿਨਲ ਲੇਜ਼ਰ ਇਮੇਜਿੰਗ 51, S30–S36 (2020)।
ਉਹ, ਕੇ., ਝਾਂਗ, ਐਕਸ., ਰੇਨ, ਐਸ., ਅਤੇ ਸਨ, ਜੇ. ਚਿੱਤਰ ਪਛਾਣ ਲਈ ਡੂੰਘੀ ਬਚੀ ਸਿਖਲਾਈ।ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਪੈਟਰਨ ਮਾਨਤਾ (2016) 'ਤੇ ਆਈਈਈਈ ਕਾਨਫਰੰਸ ਵਿੱਚ 2016 ਵਿੱਚ।
ਲੌਅਰਮੈਨ, ਜੇਐਲ ਐਟ ਅਲ.ਡੂੰਘੀ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਵੈਚਲਿਤ OCT ਐਂਜੀਓਗ੍ਰਾਫਿਕ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਮੁਲਾਂਕਣ।ਕਬਰ ਦੀ ਕਬਰ.ਕਲੀਨਿਕਲ.ਐਕਸਪ.ਨੇਤਰ ਵਿਗਿਆਨ257, 1641–1648 (2019)।
ਲੌਰਮੈਨ, ਜੇ. ਐਟ ਅਲ.ਓਸੀਟੀ ਐਂਜੀਓਗ੍ਰਾਫੀ ਵਿੱਚ ਵਿਭਾਜਨ ਦੀਆਂ ਗਲਤੀਆਂ ਅਤੇ ਮੋਸ਼ਨ ਆਰਟੀਫੈਕਟਸ ਦਾ ਪ੍ਰਚਲਨ ਰੈਟੀਨਾ ਦੀ ਬਿਮਾਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।ਕਬਰ ਦੀ ਕਬਰ.ਕਲੀਨਿਕਲ.ਐਕਸਪ.ਨੇਤਰ ਵਿਗਿਆਨ256, 1807–1816 (2018)।
ਪਾਸਕ, ਐਡਮ ਐਟ ਅਲ.ਪਾਈਟੋਰਚ: ਇੱਕ ਜ਼ਰੂਰੀ, ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀ ਡੀਪ ਲਰਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀ।ਤੰਤੂ ਜਾਣਕਾਰੀ ਦੀ ਉੱਨਤ ਪ੍ਰਕਿਰਿਆ।ਸਿਸਟਮ.32, 8026–8037 (2019)।
ਡੇਂਗ, ਜੇ. ਐਟ ਅਲ.ਇਮੇਜਨੈੱਟ: ਇੱਕ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਲੜੀਵਾਰ ਚਿੱਤਰ ਡੇਟਾਬੇਸ।ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਪੈਟਰਨ ਮਾਨਤਾ 'ਤੇ 2009 IEEE ਕਾਨਫਰੰਸ।248-255।(2009)।
ਕ੍ਰੀਜ਼ੇਵਸਕੀ ਏ., ਸੂਟਜ਼ਕੇਵਰ ਆਈ. ਅਤੇ ਹਿੰਟਨ ਜੀਈ ਇਮੇਜਨੈੱਟ ਵਰਗੀਕਰਨ ਡੂੰਘੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ।ਤੰਤੂ ਜਾਣਕਾਰੀ ਦੀ ਉੱਨਤ ਪ੍ਰਕਿਰਿਆ।ਸਿਸਟਮ.25, 1 (2012)।