Nature.com পরিদর্শন করার জন্য আপনাকে ধন্যবাদ.আপনি সীমিত CSS সমর্থন সহ একটি ব্রাউজার সংস্করণ ব্যবহার করছেন।সেরা অভিজ্ঞতার জন্য, আমরা আপনাকে একটি আপডেট করা ব্রাউজার ব্যবহার করার পরামর্শ দিই (অথবা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্য মোড অক্ষম করুন)৷উপরন্তু, অবিরত সমর্থন নিশ্চিত করতে, আমরা শৈলী এবং জাভাস্ক্রিপ্ট ছাড়া সাইট দেখাই.
স্লাইডার প্রতি স্লাইডে তিনটি নিবন্ধ দেখাচ্ছে৷স্লাইডগুলির মধ্য দিয়ে যেতে পিছনে এবং পরবর্তী বোতামগুলি ব্যবহার করুন, অথবা প্রতিটি স্লাইডের মধ্য দিয়ে যাওয়ার জন্য শেষে স্লাইড কন্ট্রোলার বোতামগুলি ব্যবহার করুন৷
অপটিক্যাল কোহেরেন্স টমোগ্রাফিক অ্যাঞ্জিওগ্রাফি (OCTA) রেটিনাল জাহাজের অ-আক্রমণাত্মক ভিজ্যুয়ালাইজেশনের জন্য একটি নতুন পদ্ধতি।যদিও OCTA এর অনেক প্রতিশ্রুতিশীল ক্লিনিকাল অ্যাপ্লিকেশন রয়েছে, চিত্রের গুণমান নির্ধারণ করা একটি চ্যালেঞ্জ রয়ে গেছে।আমরা 134 রোগীর 347 টি স্ক্যান থেকে সুপারফিশিয়াল কৈশিক প্লেক্সাস ইমেজগুলিকে শ্রেণিবদ্ধ করার জন্য ইমেজনেটের সাথে পূর্বপ্রশিক্ষিত ResNet152 নিউরাল নেটওয়ার্ক ক্লাসিফায়ার ব্যবহার করে একটি গভীর শিক্ষা ভিত্তিক সিস্টেম তৈরি করেছি।একটি তত্ত্বাবধানে শেখার মডেলের জন্য দুটি স্বাধীন রেটার দ্বারা চিত্রগুলিকে ম্যানুয়ালি সত্য সত্য হিসাবে মূল্যায়ন করা হয়েছিল।যেহেতু ক্লিনিকাল বা গবেষণা সেটিংসের উপর নির্ভর করে চিত্রের গুণমানের প্রয়োজনীয়তা পরিবর্তিত হতে পারে, দুটি মডেলকে প্রশিক্ষিত করা হয়েছিল, একটি উচ্চ মানের চিত্র স্বীকৃতির জন্য এবং অন্যটি নিম্নমানের চিত্র স্বীকৃতির জন্য।আমাদের নিউরাল নেটওয়ার্ক মডেল বক্ররেখার অধীনে একটি চমৎকার এলাকা দেখায় (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), যা মেশিন দ্বারা রিপোর্ট করা সংকেত স্তরের তুলনায় উল্লেখযোগ্যভাবে ভাল (AUC = 0.82, 95) % CI)।0.77–0.86, \(\kappa\) = 0.52 এবং AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, যথাক্রমে)।আমাদের অধ্যয়ন দেখায় যে মেশিন লার্নিং পদ্ধতিগুলি OCTA চিত্রগুলির জন্য নমনীয় এবং শক্তিশালী মান নিয়ন্ত্রণ পদ্ধতি বিকাশ করতে ব্যবহার করা যেতে পারে।
অপটিক্যাল কোহেরেন্স টমোগ্রাফিক এনজিওগ্রাফি (ওসিটিএ) অপটিক্যাল কোহেরেন্স টমোগ্রাফি (ওসিটি) এর উপর ভিত্তি করে একটি অপেক্ষাকৃত নতুন কৌশল যা রেটিনাল মাইক্রোভাস্কুলেচারের অ-আক্রমণাত্মক ভিজ্যুয়ালাইজেশনের জন্য ব্যবহার করা যেতে পারে।OCTA রেটিনার একই এলাকায় বারবার আলোর স্পন্দন থেকে প্রতিফলন প্যাটার্নের পার্থক্য পরিমাপ করে এবং তারপরে রং বা অন্যান্য বৈপরীত্য এজেন্টের আক্রমণাত্মক ব্যবহার ছাড়াই রক্তনালীগুলি প্রকাশ করার জন্য পুনর্গঠন গণনা করা যেতে পারে।OCTA এছাড়াও গভীরতা-রেজোলিউশন ভাস্কুলার ইমেজিং সক্ষম করে, যা চিকিত্সকদের আলাদাভাবে পৃষ্ঠতল এবং গভীর জাহাজের স্তরগুলি পরীক্ষা করার অনুমতি দেয়, কোরিওরিটিনাল রোগের মধ্যে পার্থক্য করতে সহায়তা করে।
যদিও এই কৌশলটি প্রতিশ্রুতিশীল, ছবি মানের বৈচিত্র নির্ভরযোগ্য চিত্র বিশ্লেষণের জন্য একটি বড় চ্যালেঞ্জ রয়ে গেছে, চিত্রের ব্যাখ্যাকে কঠিন করে তোলে এবং ব্যাপক ক্লিনিকাল গ্রহণ প্রতিরোধ করে।যেহেতু OCTA একাধিক পরপর OCT স্ক্যান ব্যবহার করে, এটি আদর্শ OCT-এর তুলনায় চিত্র শিল্পকর্মের প্রতি বেশি সংবেদনশীল।বেশিরভাগ বাণিজ্যিক OCTA প্ল্যাটফর্ম তাদের নিজস্ব ইমেজ কোয়ালিটি মেট্রিক প্রদান করে যার নাম সিগন্যাল স্ট্রেংথ (SS) বা কখনও কখনও সিগন্যাল স্ট্রেন্থ ইনডেক্স (SSI)।যাইহোক, উচ্চ SS বা SSI মানের ছবিগুলি ইমেজ আর্টিফ্যাক্টের অনুপস্থিতির গ্যারান্টি দেয় না, যা পরবর্তী চিত্র বিশ্লেষণকে প্রভাবিত করতে পারে এবং ভুল ক্লিনিকাল সিদ্ধান্তের দিকে নিয়ে যেতে পারে।OCTA ইমেজিং-এ ঘটতে পারে এমন সাধারণ ইমেজ আর্টিফ্যাক্টের মধ্যে রয়েছে মোশন আর্টিফ্যাক্ট, সেগমেন্টেশন আর্টিফ্যাক্ট, মিডিয়া অপাসিটি আর্টিফ্যাক্ট এবং প্রজেকশন আর্টিফ্যাক্ট 1,2,3।
যেহেতু OCTA- থেকে প্রাপ্ত ব্যবস্থা যেমন ভাস্কুলার ঘনত্ব অনুবাদমূলক গবেষণা, ক্লিনিকাল ট্রায়াল এবং ক্লিনিকাল অনুশীলনে ক্রমবর্ধমানভাবে ব্যবহৃত হচ্ছে, তাই চিত্র নিদর্শনগুলিকে নির্মূল করার জন্য একটি শক্তিশালী এবং নির্ভরযোগ্য চিত্র মান নিয়ন্ত্রণ প্রক্রিয়াগুলি বিকাশের জরুরি প্রয়োজন রয়েছে।স্কিপ কানেকশন, যা রেসিডুয়াল কানেকশন নামেও পরিচিত, হল নিউরাল নেটওয়ার্ক আর্কিটেকচারের প্রজেকশন যা তথ্যকে বিভিন্ন স্কেলে বা রেজোলিউশনে তথ্য সঞ্চয় করার সময় কনভোলিউশনাল লেয়ার বাইপাস করতে দেয়।যেহেতু ইমেজ আর্টিফ্যাক্টগুলি ছোট-স্কেল এবং সাধারণ বৃহৎ-স্কেল ইমেজ পারফরম্যান্সকে প্রভাবিত করতে পারে, স্কিপ-কানেকশন নিউরাল নেটওয়ার্কগুলি এই গুণমান নিয়ন্ত্রণ টাস্ক5 স্বয়ংক্রিয় করার জন্য উপযুক্ত।সাম্প্রতিক প্রকাশিত কাজটি মানব অনুমানকারীদের থেকে উচ্চ মানের ডেটা ব্যবহার করে প্রশিক্ষিত গভীর কনভোলিউশনাল নিউরাল নেটওয়ার্কের জন্য কিছু প্রতিশ্রুতি দেখিয়েছে।
এই গবেষণায়, আমরা OCTA চিত্রগুলির গুণমান স্বয়ংক্রিয়ভাবে নির্ধারণ করতে একটি সংযোগ-এড়িয়ে যাওয়া কনভোলিউশনাল নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিই।আমরা উচ্চ মানের ছবি এবং নিম্ন মানের ছবি শনাক্ত করার জন্য আলাদা মডেল তৈরি করে পূর্ববর্তী কাজের উপর ভিত্তি করে গড়ে তুলি, কারণ নির্দিষ্ট ক্লিনিকাল বা গবেষণা পরিস্থিতির জন্য ছবির মানের প্রয়োজনীয়তা ভিন্ন হতে পারে।আমরা গভীর শিক্ষার মধ্যে একাধিক স্তরের গ্রানুলারিটির বৈশিষ্ট্যগুলি অন্তর্ভুক্ত করার মান মূল্যায়ন করার জন্য অনুপস্থিত সংযোগ ছাড়াই কনভোলিউশনাল নিউরাল নেটওয়ার্কগুলির সাথে এই নেটওয়ার্কগুলির ফলাফলের তুলনা করি।তারপরে আমরা আমাদের ফলাফলগুলিকে সংকেত শক্তির সাথে তুলনা করি, যা নির্মাতাদের দ্বারা প্রদত্ত চিত্র মানের একটি সাধারণভাবে স্বীকৃত পরিমাপ।
আমাদের গবেষণায় ডায়াবেটিসে আক্রান্ত রোগীদের অন্তর্ভুক্ত করা হয়েছে যারা 11 আগস্ট, 2017 এবং 11 এপ্রিল, 2019-এর মধ্যে ইয়েল আই সেন্টারে যোগ দিয়েছিলেন। যে কোনও অ-ডায়াবেটিক কোরিওরিটিনাল রোগের রোগীদের বাদ দেওয়া হয়েছিল।বয়স, লিঙ্গ, জাতি, চিত্রের গুণমান, বা অন্য কোনও কারণের উপর ভিত্তি করে কোনও অন্তর্ভুক্তি বা বর্জনের মানদণ্ড ছিল না।
8\(\times\)8 মিমি এবং 6\(\times\)6 মিমি ইমেজিং প্রোটোকলের অধীনে একটি Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) এ AngioPlex প্ল্যাটফর্ম ব্যবহার করে OCTA চিত্রগুলি অর্জিত হয়েছিল।গবেষণায় অংশগ্রহণের জন্য অবহিত সম্মতি প্রতিটি অধ্যয়ন অংশগ্রহণকারীর কাছ থেকে প্রাপ্ত হয়েছিল, এবং ইয়েল ইউনিভার্সিটি ইনস্টিটিউশনাল রিভিউ বোর্ড (IRB) এই সমস্ত রোগীদের জন্য বিশ্বব্যাপী ফটোগ্রাফির সাথে অবহিত সম্মতির ব্যবহার অনুমোদন করেছে।হেলসিঙ্কি ঘোষণার নীতি অনুসরণ করে।গবেষণাটি ইয়েল ইউনিভার্সিটি আইআরবি দ্বারা অনুমোদিত হয়েছিল।
সারফেস প্লেট চিত্রগুলি পূর্বে বর্ণিত মোশন আর্টিফ্যাক্ট স্কোর (MAS), পূর্বে বর্ণিত সেগমেন্টেশন আর্টিফ্যাক্ট স্কোর (SAS), ফোভাল কেন্দ্র, মিডিয়া অস্বচ্ছতার উপস্থিতি এবং চিত্র মূল্যায়নকারী দ্বারা নির্ধারিত ছোট কৈশিকগুলির ভাল ভিজ্যুয়ালাইজেশনের উপর ভিত্তি করে মূল্যায়ন করা হয়েছিল।ছবি দুটি স্বাধীন মূল্যায়নকারী (RD এবং JW) দ্বারা বিশ্লেষণ করা হয়েছিল।একটি চিত্রের গ্রেডেড স্কোর 2 (যোগ্য) যদি নিম্নলিখিত সমস্ত মানদণ্ড পূরণ করা হয়: ছবিটি ফোভাতে কেন্দ্রীভূত হয় (ছবির কেন্দ্র থেকে 100 পিক্সেলের কম), MAS হল 1 বা 2, SAS হল 1 এবং মিডিয়া অপাসিটি 1 এর কম। আকার / 16 এর চিত্রগুলিতে উপস্থিত, এবং 15/16 এর চেয়ে বড় চিত্রগুলিতে ছোট কৈশিক দেখা যায়।একটি চিত্রকে 0 (কোনও রেটিং নেই) রেট দেওয়া হয় যদি নিম্নলিখিত মানদণ্ডগুলির মধ্যে কোনটি পূরণ করা হয়: চিত্রটি অফ-সেন্টার, যদি MAS 4 হয়, যদি SAS 2 হয়, বা গড় অস্বচ্ছতা চিত্রের 1/4-এর বেশি হয় এবং ছোট কৈশিকগুলিকে আলাদা করতে 1 ইমেজ /4 এর বেশি সামঞ্জস্য করা যায় না।অন্যান্য সমস্ত ছবি যা স্কোরিং মানদণ্ড 0 বা 2 পূরণ করে না তাদের 1 (ক্লিপিং) হিসাবে স্কোর করা হয়।
ডুমুর উপর.1 প্রতিটি স্কেল করা অনুমান এবং চিত্র শিল্পকর্মের জন্য নমুনা চিত্র দেখায়।পৃথক স্কোরের আন্তঃ-রেটার নির্ভরযোগ্যতা কোহেনের কাপ্পা ওজন 8 দ্বারা মূল্যায়ন করা হয়েছিল।0 থেকে 4 পর্যন্ত প্রতিটি ছবির জন্য একটি সামগ্রিক স্কোর পেতে প্রতিটি রেটারের পৃথক স্কোর যোগ করা হয়। মোট 4 স্কোর সহ ছবিগুলিকে ভাল বলে মনে করা হয়।0 বা 1 এর মোট স্কোর সহ চিত্রগুলি নিম্ন মানের হিসাবে বিবেচিত হয়।
একটি ResNet152 আর্কিটেকচার কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (চিত্র 3A.i) ইমেজনেট ডাটাবেস থেকে ইমেজগুলির উপর প্রাক-প্রশিক্ষিত, fast.ai এবং PyTorch ফ্রেমওয়ার্ক 5, 9, 10, 11 ব্যবহার করে তৈরি করা হয়েছিল। স্থানিক এবং স্থানীয় বৈশিষ্ট্যগুলি অধ্যয়ন করার জন্য চিত্রের টুকরো স্ক্যান করার জন্য ফিল্টার।আমাদের প্রশিক্ষিত ResNet হল একটি 152-স্তরের নিউরাল নেটওয়ার্ক যা ফাঁক বা "অবশিষ্ট সংযোগ" দ্বারা চিহ্নিত করা হয় যা একই সাথে একাধিক রেজোলিউশনের সাথে তথ্য প্রেরণ করে।নেটওয়ার্কের মাধ্যমে বিভিন্ন রেজোলিউশনে তথ্য প্রজেক্ট করার মাধ্যমে, প্ল্যাটফর্মটি নিম্ন-মানের চিত্রগুলির বৈশিষ্ট্যগুলি বিস্তারিত একাধিক স্তরে শিখতে পারে।আমাদের ResNet মডেলের পাশাপাশি, আমরা আলেক্সনেটকে প্রশিক্ষণ দিয়েছি, একটি ভাল-অধ্যয়ন করা নিউরাল নেটওয়ার্ক আর্কিটেকচার, তুলনা করার জন্য অনুপস্থিত সংযোগ ছাড়াই (চিত্র 3A.ii)12৷অনুপস্থিত সংযোগ ছাড়া, এই নেটওয়ার্ক উচ্চতর গ্রানুলিটিতে বৈশিষ্ট্যগুলি ক্যাপচার করতে সক্ষম হবে না৷
মূল 8\(\times\)8mm OCTA13 ইমেজ সেটটি অনুভূমিক এবং উল্লম্ব প্রতিফলন কৌশল ব্যবহার করে উন্নত করা হয়েছে।স্কিট-লার্ন টুলবক্স পাইথন14 ব্যবহার করে সম্পূর্ণ ডেটাসেটটিকে চিত্র স্তরে এলোমেলোভাবে প্রশিক্ষণ (51.2%), পরীক্ষা (12.8%), হাইপারপ্যারামিটার টিউনিং (16%), এবং বৈধতা (20%) ডেটাসেটে বিভক্ত করা হয়েছিল।দুটি ক্ষেত্রে বিবেচনা করা হয়েছিল, একটি শুধুমাত্র সর্বোচ্চ মানের ছবি (সামগ্রিক স্কোর 4) সনাক্ত করার উপর ভিত্তি করে এবং অন্যটি শুধুমাত্র সর্বনিম্ন মানের ছবি সনাক্ত করার উপর ভিত্তি করে (সামগ্রিক স্কোর 0 বা 1)।প্রতিটি উচ্চ-মানের এবং নিম্ন-মানের ব্যবহারের ক্ষেত্রে, নিউরাল নেটওয়ার্ক আমাদের চিত্র ডেটাতে একবার পুনরায় প্রশিক্ষণ দেওয়া হয়।প্রতিটি ব্যবহারের ক্ষেত্রে, নিউরাল নেটওয়ার্ককে 10টি যুগের জন্য প্রশিক্ষিত করা হয়েছিল, সর্বোচ্চ স্তরের ওজন ব্যতীত সবগুলি হিমায়িত করা হয়েছিল এবং সমস্ত অভ্যন্তরীণ প্যারামিটারের ওজনগুলি 40টি যুগের জন্য একটি ক্রস-এনট্রপি লস ফাংশন সহ একটি বৈষম্যমূলক শিক্ষার হার পদ্ধতি ব্যবহার করে শেখা হয়েছিল 15, 16..ক্রস এনট্রপি লস ফাংশন হল পূর্বাভাসিত নেটওয়ার্ক লেবেল এবং বাস্তব ডেটার মধ্যে পার্থক্যের লগারিদমিক স্কেলের একটি পরিমাপ।প্রশিক্ষণের সময়, ক্ষতি কমাতে নিউরাল নেটওয়ার্কের অভ্যন্তরীণ প্যারামিটারে গ্রেডিয়েন্ট ডিসেন্ট করা হয়।শেখার হার, ড্রপআউট রেট এবং ওজন কমানোর হাইপারপ্যারামিটারগুলি 2 র্যান্ডম প্রারম্ভিক বিন্দু এবং 10টি পুনরাবৃত্তি সহ Bayesian অপ্টিমাইজেশান ব্যবহার করে টিউন করা হয়েছিল এবং ডেটাসেটের AUC 17 এর লক্ষ্য হিসাবে হাইপারপ্যারামিটার ব্যবহার করে টিউন করা হয়েছিল।
সুপারফিশিয়াল কৈশিক প্লেক্সাসের 8 × 8 মিমি OCTA চিত্রের প্রতিনিধি উদাহরণ 2 (A, B), 1 (C, D), এবং 0 (E, F) স্কোর করেছে।দেখানো চিত্র শিল্পকর্মগুলির মধ্যে রয়েছে ঝিকিমিকি লাইন (তীর), বিভাজন শিল্পকর্ম (তারকা), এবং মিডিয়া অস্বচ্ছতা (তীর)।ইমেজ (E) এছাড়াও অফ সেন্টার.
রিসিভার অপারেটিং বৈশিষ্ট্য (আরওসি) কার্ভগুলি তারপরে সমস্ত নিউরাল নেটওয়ার্ক মডেলের জন্য তৈরি করা হয় এবং প্রতিটি নিম্ন-মানের এবং উচ্চ-মানের ব্যবহারের ক্ষেত্রে ইঞ্জিন সংকেত শক্তির প্রতিবেদন তৈরি করা হয়।বক্ররেখার অধীনে এলাকা (AUC) গণনা করা হয়েছিল pROC R প্যাকেজ ব্যবহার করে, এবং 95% আত্মবিশ্বাসের ব্যবধান এবং পি-মানগুলি DeLong পদ্ধতি ব্যবহার করে গণনা করা হয়েছিল 18,19।মানব রেটারগুলির ক্রমবর্ধমান স্কোরগুলি সমস্ত ROC গণনার জন্য বেসলাইন হিসাবে ব্যবহৃত হয়।মেশিন দ্বারা রিপোর্ট করা সংকেত শক্তির জন্য, AUC দুবার গণনা করা হয়েছিল: একবার উচ্চ মানের স্কেলেবিলিটি স্কোর কাটঅফের জন্য এবং একবার নিম্ন মানের স্কেলেবিলিটি স্কোর কাটঅফের জন্য।নিউরাল নেটওয়ার্ককে AUC সংকেত শক্তির সাথে তুলনা করা হয় যা তার নিজস্ব প্রশিক্ষণ এবং মূল্যায়ন শর্ত প্রতিফলিত করে।
একটি পৃথক ডেটাসেটে প্রশিক্ষিত গভীর শিক্ষার মডেলটিকে আরও পরীক্ষা করার জন্য, ইয়েল বিশ্ববিদ্যালয় থেকে সংগৃহীত 32টি সম্পূর্ণ মুখ 6\(\times\) 6 মিমি পৃষ্ঠের স্ল্যাব চিত্রগুলির কার্যক্ষমতা মূল্যায়নে উচ্চ মানের এবং নিম্ন মানের মডেলগুলি সরাসরি প্রয়োগ করা হয়েছিল।চোখের ভর 8 \(\times \) 8 মিমি চিত্রের একই সময়ে কেন্দ্রীভূত হয়।6\(\×\) 6 মিমি চিত্রগুলি একই রেটার (RD এবং JW) দ্বারা ম্যানুয়ালি 8\(\×\) 8 মিমি চিত্রগুলির মতো একইভাবে মূল্যায়ন করা হয়েছিল, AUC নির্ভুলতার পাশাপাশি গণনা করা হয়েছিল এবং কোহেনের কাপ্পা। .সমানভাবে ।
নিম্নমানের মডেলের জন্য শ্রেণী ভারসাম্যহীনতার অনুপাত হল 158:189 (\(\rho = 1.19\)) এবং উচ্চ মানের মডেলের জন্য 80:267 (\(\rho = 3.3\))।যেহেতু শ্রেণী ভারসাম্যহীনতার অনুপাত 1:4 এর কম, তাই শ্রেণী ভারসাম্যহীনতা 20,21 সংশোধন করার জন্য কোন নির্দিষ্ট স্থাপত্য পরিবর্তন করা হয়নি।
শেখার প্রক্রিয়াটিকে আরও ভালভাবে কল্পনা করার জন্য, চারটি প্রশিক্ষিত গভীর শিক্ষার মডেলের জন্য ক্লাস অ্যাক্টিভেশন মানচিত্র তৈরি করা হয়েছিল: উচ্চ মানের ResNet152 মডেল, নিম্ন মানের ResNet152 মডেল, উচ্চ মানের AlexNet মডেল এবং নিম্ন মানের AlexNet মডেল।ক্লাস অ্যাক্টিভেশন মানচিত্রগুলি এই চারটি মডেলের ইনপুট কনভোলিউশনাল স্তরগুলি থেকে তৈরি করা হয় এবং 8 × 8 মিমি এবং 6 × 6 মিমি বৈধতা সেট 22, 23 থেকে সোর্স ইমেজ সহ অ্যাক্টিভেশন মানচিত্রগুলিকে ওভারলে করে তাপ মানচিত্র তৈরি করা হয়।
R সংস্করণ 4.0.3 সমস্ত পরিসংখ্যানগত গণনার জন্য ব্যবহার করা হয়েছিল এবং ggplot2 গ্রাফিক্স টুল লাইব্রেরি ব্যবহার করে ভিজ্যুয়ালাইজেশন তৈরি করা হয়েছিল।
আমরা 134 জনের কাছ থেকে 8 \(\times \)8 মিমি পরিমাপের উপরিভাগের কৈশিক প্লেক্সাসের 347টি সামনের চিত্র সংগ্রহ করেছি।মেশিনটি সমস্ত চিত্রের জন্য 0 থেকে 10 স্কেলে সংকেত শক্তি রিপোর্ট করেছে (মান = 6.99 ± 2.29)।অর্জিত 347 টি চিত্রের মধ্যে, পরীক্ষার গড় বয়স ছিল 58.7 ± 14.6 বছর, এবং 39.2% পুরুষ রোগীদের থেকে ছিল।সমস্ত চিত্রের মধ্যে, 30.8% ককেশীয়দের থেকে, 32.6% কালোদের থেকে, 30.8% হিস্পানিকদের থেকে, 4% এশিয়ানদের থেকে এবং 1.7% অন্যান্য জাতি থেকে (সারণী 1)।)OCTA আক্রান্ত রোগীদের বয়স বন্টন চিত্রের মানের উপর নির্ভর করে উল্লেখযোগ্যভাবে পৃথক হয়েছে (p <0.001)।18-45 বছর বয়সী অল্প বয়স্ক রোগীদের উচ্চ-মানের চিত্রগুলির শতাংশ নিম্ন-মানের চিত্রগুলির 12.2% (সারণী 1) এর তুলনায় 33.8% ছিল।ডায়াবেটিক রেটিনোপ্যাথি স্থিতির বন্টন চিত্রের মানের ক্ষেত্রেও উল্লেখযোগ্যভাবে পরিবর্তিত হয়েছে (p <0.017)।সমস্ত উচ্চ মানের চিত্রগুলির মধ্যে, PDR রোগীদের শতাংশ ছিল 18.8% সমস্ত নিম্ন মানের চিত্রের 38.8% তুলনায় (সারণী 1)।
সমস্ত ছবির স্বতন্ত্র রেটিংগুলি ছবিগুলি পড়া লোকেদের মধ্যে মাঝারি থেকে শক্তিশালী আন্তঃ-রেটিং নির্ভরযোগ্যতা দেখিয়েছে (কোহেনের ওজনযুক্ত কাপ্পা = 0.79, 95% CI: 0.76-0.82), এবং এমন কোনও চিত্র পয়েন্ট ছিল না যেখানে রেটারগুলি 1-এর বেশি (চিত্র 1) দ্বারা আলাদা ছিল। 2A)।.সিগন্যালের তীব্রতা ম্যানুয়াল স্কোরিংয়ের সাথে উল্লেখযোগ্যভাবে সম্পর্কযুক্ত (পিয়ারসন পণ্য মুহূর্ত পারস্পরিক সম্পর্ক = 0.58, 95% CI 0.51–0.65, p<0.001), কিন্তু অনেক চিত্রকে উচ্চ সংকেত তীব্রতা কিন্তু কম ম্যানুয়াল স্কোরিং (চিত্র .2B) হিসাবে চিহ্নিত করা হয়েছিল।
ResNet152 এবং অ্যালেক্সনেট আর্কিটেকচারের প্রশিক্ষণের সময়, বৈধতা এবং প্রশিক্ষণের ক্রস-এনট্রপি ক্ষতি 50টি যুগেরও বেশি (চিত্র 3B,C) হয়।চূড়ান্ত প্রশিক্ষণ যুগে বৈধতা নির্ভুলতা উচ্চ মানের এবং নিম্ন মানের উভয় ক্ষেত্রেই 90% এর বেশি।
রিসিভার কর্মক্ষমতা বক্ররেখা দেখায় যে ResNet152 মডেলটি নিম্ন এবং উচ্চ মানের উভয় ক্ষেত্রেই মেশিন দ্বারা রিপোর্ট করা সংকেত শক্তিকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায় (p <0.001)।ResNet152 মডেলটি উল্লেখযোগ্যভাবে AlexNet আর্কিটেকচারকে ছাড়িয়ে যায় (যথাক্রমে নিম্ন মানের এবং উচ্চ মানের ক্ষেত্রে p = 0.005 এবং p = 0.014)।এই প্রতিটি কাজের জন্য ফলস্বরূপ মডেলগুলি যথাক্রমে 0.99 এবং 0.97 এর AUC মানগুলি অর্জন করতে সক্ষম হয়েছিল, যা মেশিনের সংকেত শক্তি সূচকের জন্য 0.82 এবং 0.78 এর অনুরূপ AUC মানগুলির চেয়ে বা অ্যালেক্সনেটের জন্য 0.97 এবং 0.94 এর চেয়ে উল্লেখযোগ্যভাবে ভাল। ..(চিত্র 3)।উচ্চ মানের ছবি শনাক্ত করার সময় সংকেত শক্তিতে ResNet এবং AUC-এর মধ্যে পার্থক্য বেশি হয়, যা এই কাজের জন্য ResNet ব্যবহার করার অতিরিক্ত সুবিধা নির্দেশ করে।
গ্রাফগুলি মেশিন দ্বারা রিপোর্ট করা সংকেত শক্তির সাথে স্কোর এবং তুলনা করার প্রতিটি স্বাধীন রেটারের ক্ষমতা দেখায়।(ক) মূল্যায়ন করা পয়েন্টের যোগফল মূল্যায়ন করার জন্য মোট পয়েন্ট তৈরি করতে ব্যবহৃত হয়।4 এর সামগ্রিক স্কেলেবিলিটি স্কোর সহ চিত্রগুলিকে উচ্চ মানের বরাদ্দ করা হয়, যখন 1 বা তার কম সামগ্রিক স্কেলেবিলিটি স্কোর সহ চিত্রগুলিকে নিম্নমানের বরাদ্দ করা হয়।(বি) সিগন্যালের তীব্রতা ম্যানুয়াল অনুমানের সাথে সম্পর্কযুক্ত, তবে উচ্চ সংকেত তীব্রতার সাথে চিত্রগুলি নিম্নমানের হতে পারে।লাল ডটেড রেখাটি সংকেত শক্তি (সংকেত শক্তি \(\ge\)6) এর উপর ভিত্তি করে প্রস্তুতকারকের প্রস্তাবিত গুণমান থ্রেশহোল্ড নির্দেশ করে।
ResNet ট্রান্সফার লার্নিং মেশিন-রিপোর্টেড সিগন্যাল লেভেলের তুলনায় নিম্ন মানের এবং উচ্চ মানের ব্যবহারের ক্ষেত্রে ইমেজ গুণমান শনাক্তকরণে উল্লেখযোগ্য উন্নতি প্রদান করে।(A) প্রাক-প্রশিক্ষিত (i) ResNet152 এবং (ii) AlexNet স্থাপত্যের সরলীকৃত আর্কিটেকচার ডায়াগ্রাম।(বি) মেশিন রিপোর্ট করা সংকেত শক্তি এবং অ্যালেক্সনেট নিম্ন মানের মানদণ্ডের তুলনায় ResNet152-এর প্রশিক্ষণের ইতিহাস এবং রিসিভার কর্মক্ষমতা বক্ররেখা।(C) ResNet152 রিসিভার প্রশিক্ষণের ইতিহাস এবং মেশিন রিপোর্ট করা সংকেত শক্তি এবং AlexNet উচ্চ মানের মানদণ্ডের তুলনায় কর্মক্ষমতা বক্ররেখা।
সিদ্ধান্তের সীমানা থ্রেশহোল্ড সামঞ্জস্য করার পরে, ResNet152 মডেলের সর্বাধিক পূর্বাভাস নির্ভুলতা নিম্ন মানের ক্ষেত্রে 95.3% এবং উচ্চ মানের ক্ষেত্রে 93.5% (সারণী 2)।অ্যালেক্সনেট মডেলের সর্বোচ্চ ভবিষ্যদ্বাণী নির্ভুলতা নিম্ন মানের ক্ষেত্রে 91.0% এবং উচ্চ মানের ক্ষেত্রে 90.1% (সারণী 2)।সর্বাধিক সংকেত শক্তি ভবিষ্যদ্বাণী সঠিকতা নিম্ন মানের ব্যবহারের ক্ষেত্রে 76.1% এবং উচ্চ মানের ব্যবহারের ক্ষেত্রে 77.8%।কোহেনের কাপা (\(\কাপ্পা\)) অনুসারে, ResNet152 মডেল এবং অনুমানকারীদের মধ্যে চুক্তি নিম্ন মানের ক্ষেত্রে 0.90 এবং উচ্চ মানের ক্ষেত্রে 0.81।নিম্ন মানের এবং উচ্চ মানের ব্যবহারের ক্ষেত্রে কোহেনের অ্যালেক্সনেট কাপ্পা যথাক্রমে 0.82 এবং 0.71।নিম্ন এবং উচ্চ মানের ব্যবহারের ক্ষেত্রে কোহেনের সংকেত শক্তি কাপা যথাক্রমে 0.52 এবং 0.27।
একটি 6 মিমি ফ্ল্যাট প্লেটের 6\(\x\) চিত্রগুলিতে উচ্চ এবং নিম্ন মানের স্বীকৃতি মডেলের বৈধতা বিভিন্ন ইমেজিং পরামিতি জুড়ে চিত্রের গুণমান নির্ধারণ করতে প্রশিক্ষিত মডেলের ক্ষমতা প্রদর্শন করে।ইমেজিং মানের জন্য 6\(\x\) 6 মিমি অগভীর স্ল্যাব ব্যবহার করার সময়, নিম্ন মানের মডেলের AUC ছিল 0.83 (95% CI: 0.69–0.98) এবং উচ্চ মানের মডেলের AUC ছিল 0.85।(95% CI: 0.55–1.00) (সারণী 2)।
ইনপুট লেয়ার ক্লাস অ্যাক্টিভেশন ম্যাপের ভিজ্যুয়াল পরিদর্শন দেখায় যে সমস্ত প্রশিক্ষিত নিউরাল নেটওয়ার্ক ইমেজ শ্রেণীবিভাগের সময় ইমেজ বৈশিষ্ট্য ব্যবহার করে (চিত্র 4A, B)।8 \(\times \) 8 মিমি এবং 6 \(\times \) 6 মিমি চিত্রের জন্য, ResNet অ্যাক্টিভেশন চিত্রগুলি রেটিনাল ভাস্কুলেচারকে ঘনিষ্ঠভাবে অনুসরণ করে।অ্যালেক্সনেট অ্যাক্টিভেশন মানচিত্রগুলিও রেটিনাল জাহাজগুলিকে অনুসরণ করে, তবে মোটা রেজোলিউশন সহ।
ResNet152 এবং AlexNet মডেলগুলির জন্য ক্লাস অ্যাক্টিভেশন মানচিত্রগুলি চিত্রের গুণমানের সাথে সম্পর্কিত বৈশিষ্ট্যগুলিকে হাইলাইট করে৷(A) ক্লাস অ্যাক্টিভেশন মানচিত্র 8 \(\times \) 8 মিমি বৈধতা চিত্রে এবং (B) 6 মিমি যাচাইকরণের ছোট 6 \(\times \) 6 মিমি বৈধকরণ চিত্রগুলিতে সারফেসিয়াল রেটিনাল ভাস্কুলেচারের পরে সুসংগত সক্রিয়করণ দেখাচ্ছে।LQ মডেল নিম্ন মানের মানদণ্ডে প্রশিক্ষিত, HQ মডেল উচ্চ মানের মানদণ্ডে প্রশিক্ষিত।
এটি পূর্বে দেখানো হয়েছে যে চিত্রের গুণমান OCTA চিত্রগুলির যে কোনও পরিমাণকে ব্যাপকভাবে প্রভাবিত করতে পারে।উপরন্তু, রেটিনোপ্যাথির উপস্থিতি ইমেজ আর্টিফ্যাক্ট 7,26 এর ঘটনা বৃদ্ধি করে।প্রকৃতপক্ষে, আমাদের ডেটাতে, পূর্ববর্তী অধ্যয়নের সাথে সামঞ্জস্যপূর্ণ, আমরা রেটিনাল রোগের ক্রমবর্ধমান বয়স এবং তীব্রতা এবং চিত্রের মানের অবনতির মধ্যে একটি উল্লেখযোগ্য সম্পর্ক খুঁজে পেয়েছি (পি <0.001, পি = 0.017 বয়স এবং ডিআর অবস্থার জন্য, যথাক্রমে; টেবিল 1) 27 তাই, OCTA চিত্রের কোনো পরিমাণগত বিশ্লেষণ করার আগে ছবির গুণমান মূল্যায়ন করা গুরুত্বপূর্ণ।OCTA চিত্রগুলি বিশ্লেষণ করে বেশিরভাগ গবেষণায় নিম্নমানের চিত্রগুলিকে বাতিল করতে মেশিন-রিপোর্ট করা সংকেত তীব্রতা থ্রেশহোল্ড ব্যবহার করে।যদিও সিগন্যালের তীব্রতা OCTA প্যারামিটারের পরিমাপকে প্রভাবিত করতে দেখানো হয়েছে, তবে উচ্চ সংকেতের তীব্রতাই ইমেজ আর্টিফ্যাক্ট 2,3,28,29 সহ চিত্রগুলিকে বাতিল করার জন্য যথেষ্ট নাও হতে পারে।অতএব, ছবির মান নিয়ন্ত্রণের আরও নির্ভরযোগ্য পদ্ধতি বিকাশ করা প্রয়োজন।এই লক্ষ্যে, আমরা মেশিন দ্বারা রিপোর্ট করা সংকেত শক্তির বিপরীতে তত্ত্বাবধানে থাকা গভীর শিক্ষার পদ্ধতিগুলির কার্যকারিতা মূল্যায়ন করি।
আমরা ছবির গুণমান মূল্যায়নের জন্য বেশ কয়েকটি মডেল তৈরি করেছি কারণ বিভিন্ন OCTA ব্যবহারের ক্ষেত্রে বিভিন্ন ছবির গুণমানের প্রয়োজনীয়তা থাকতে পারে।উদাহরণস্বরূপ, ছবিগুলি উচ্চ মানের হওয়া উচিত।উপরন্তু, সুদের নির্দিষ্ট পরিমাণগত পরামিতিগুলিও গুরুত্বপূর্ণ।উদাহরণস্বরূপ, ফোভাল অ্যাভাসকুলার জোনের ক্ষেত্রটি অ-কেন্দ্রীয় মাধ্যমের টার্বিডিটির উপর নির্ভর করে না, তবে জাহাজের ঘনত্বকে প্রভাবিত করে।যদিও আমাদের গবেষণাটি ইমেজ মানের একটি সাধারণ পদ্ধতির উপর ফোকাস করে চলেছে, কোন নির্দিষ্ট পরীক্ষার প্রয়োজনীয়তার সাথে আবদ্ধ নয়, কিন্তু সরাসরি মেশিনের দ্বারা রিপোর্ট করা সংকেত শক্তি প্রতিস্থাপনের উদ্দেশ্যে, আমরা ব্যবহারকারীদের আরও বেশি মাত্রায় নিয়ন্ত্রণ দেওয়ার আশা করি যাতে তারা ব্যবহারকারীর আগ্রহের নির্দিষ্ট মেট্রিক নির্বাচন করতে পারেন।একটি মডেল চয়ন করুন যা গ্রহণযোগ্য হিসাবে বিবেচিত চিত্রের আর্টিফ্যাক্টগুলির সর্বাধিক ডিগ্রির সাথে মিলে যায়৷
নিম্ন-মানের এবং উচ্চ-মানের দৃশ্যের জন্য, আমরা যথাক্রমে 0.97 এবং 0.99 এর AUC এবং নিম্ন-মানের মডেলগুলির সাথে সংযোগ-অনুপস্থিত গভীর কনভোল্যুশনাল নিউরাল নেটওয়ার্কগুলির চমৎকার পারফরম্যান্স দেখাই।শুধুমাত্র মেশিন দ্বারা রিপোর্ট করা সংকেত স্তরের তুলনায় আমরা আমাদের গভীর শিক্ষা পদ্ধতির উচ্চতর কর্মক্ষমতা প্রদর্শন করি।সংযোগ এড়িয়ে যান নিউরাল নেটওয়ার্কগুলিকে একাধিক স্তরের বিশদ বৈশিষ্ট্যগুলি শিখতে দেয়, চিত্রগুলির সূক্ষ্ম দিকগুলি (যেমন বৈপরীত্য) এবং সেইসাথে সাধারণ বৈশিষ্ট্যগুলি (যেমন চিত্র কেন্দ্রে 30,31) ক্যাপচার করে।যেহেতু ইমেজ আর্টিফ্যাক্টগুলি যেগুলি ইমেজের গুণমানকে প্রভাবিত করে সেগুলি সম্ভবত বিস্তৃত পরিসরে সর্বোত্তমভাবে চিহ্নিত করা হয়, অনুপস্থিত সংযোগ সহ নিউরাল নেটওয়ার্ক আর্কিটেকচারগুলি চিত্রের গুণমান নির্ধারণের কাজগুলি ছাড়াই তাদের তুলনায় ভাল পারফরম্যান্স প্রদর্শন করতে পারে।
6\(\×6 মিমি) OCTA চিত্রগুলিতে আমাদের মডেল পরীক্ষা করার সময়, আমরা শ্রেণীবিভাগের জন্য প্রশিক্ষিত মডেলের আকারের বিপরীতে উচ্চ মানের এবং নিম্ন মানের উভয় মডেলের (চিত্র 2) জন্য শ্রেণীবিভাগ কর্মক্ষমতা হ্রাস লক্ষ্য করেছি।ResNet মডেলের তুলনায়, AlexNet মডেলের একটি বড় ফলঅফ রয়েছে।ResNet-এর তুলনামূলকভাবে ভাল কর্মক্ষমতা একাধিক স্কেলে তথ্য প্রেরণ করার অবশিষ্ট সংযোগের ক্ষমতার কারণে হতে পারে, যা মডেলটিকে বিভিন্ন স্কেলে এবং/অথবা ম্যাগনিফিকেশনে ক্যাপচার করা ছবি শ্রেণীবদ্ধ করার জন্য আরও শক্তিশালী করে তোলে।
8 \(\×\) 8 মিমি ইমেজ এবং 6 \(\×\) 6 মিমি ইমেজের মধ্যে কিছু পার্থক্য দুর্বল শ্রেণীবিভাগের দিকে পরিচালিত করতে পারে, যার মধ্যে রয়েছে ফোভিয়াল অ্যাভাসকুলার এলাকা, দৃশ্যমানতার পরিবর্তন, ভাস্কুলার আর্কেড, এবং ইমেজ 6x6 মিমি কোন অপটিক স্নায়ু.এই সত্ত্বেও, আমাদের উচ্চ মানের ResNet মডেলটি 6 \(\x\) 6 মিমি চিত্রের জন্য 85% এর AUC অর্জন করতে সক্ষম হয়েছিল, একটি কনফিগারেশন যার জন্য মডেলটি প্রশিক্ষিত ছিল না, এটি প্রস্তাব করে যে চিত্রের গুণমানের তথ্য নিউরাল নেটওয়ার্কে এনকোড করা হয়েছে। উপযুক্ত।প্রশিক্ষণের বাইরে একটি চিত্রের আকার বা মেশিন কনফিগারেশনের জন্য (সারণী 2)।আশ্বস্ত করে, ResNet- এবং AlexNet-এর মতো অ্যাক্টিভেশন মানচিত্র 8 \(\times \) 8 mm এবং 6 \(\times \) 6 মিমি চিত্রগুলি উভয় ক্ষেত্রেই রেটিনাল জাহাজগুলিকে হাইলাইট করতে সক্ষম হয়েছিল, পরামর্শ দেয় যে মডেলটিতে গুরুত্বপূর্ণ তথ্য রয়েছে।উভয় ধরনের OCTA চিত্র (চিত্র 4) শ্রেণীবদ্ধ করার জন্য প্রযোজ্য।
Lauerman et al.OCTA চিত্রগুলিতে চিত্রের গুণমান মূল্যায়ন একইভাবে ইনসেপশন আর্কিটেকচার ব্যবহার করে সম্পাদিত হয়েছিল, আরেকটি স্কিপ-কানেকশন কনভোলিউশনাল নিউরাল নেটওয়ার্ক 6,32 গভীর শিক্ষার কৌশল ব্যবহার করে।তারা অধ্যয়নটিকে সুপারফিসিয়াল কৈশিক প্লেক্সাসের চিত্রগুলিতে সীমাবদ্ধ করেছিল, তবে কেবলমাত্র অপটোভিউ অ্যাঞ্জিওভিউ থেকে ছোট 3 × 3 মিমি চিত্র ব্যবহার করে, যদিও বিভিন্ন কোরিওরিটিনাল রোগের রোগীদেরও অন্তর্ভুক্ত করা হয়েছিল।আমাদের কাজ তাদের ভিত্তির উপর ভিত্তি করে তৈরি করে, যার মধ্যে রয়েছে বিভিন্ন চিত্রের গুণমানের থ্রেশহোল্ডগুলিকে সম্বোধন করার জন্য এবং বিভিন্ন আকারের চিত্রগুলির জন্য ফলাফল যাচাই করার জন্য একাধিক মডেল।এছাড়াও আমরা মেশিন লার্নিং মডেলের AUC মেট্রিক রিপোর্ট করি এবং নিম্ন মানের (96%) এবং উচ্চ মানের (95.7%) মডেল6 উভয়ের জন্য তাদের ইতিমধ্যেই চিত্তাকর্ষক নির্ভুলতা (90%)6 বৃদ্ধি করি।
এই প্রশিক্ষণের বেশ কিছু সীমাবদ্ধতা রয়েছে।প্রথমত, 8\(\times\)8 মিমি এবং 6\(\times\)6 মিমিতে শুধুমাত্র সুপারফিশিয়াল কৈশিক প্লেক্সাসের ছবি সহ শুধুমাত্র একটি OCTA মেশিনের মাধ্যমে ছবিগুলি অর্জিত হয়েছিল।গভীর স্তরগুলি থেকে ছবিগুলি বাদ দেওয়ার কারণ হল যে প্রজেকশন আর্টিফ্যাক্টগুলি চিত্রগুলির ম্যানুয়াল মূল্যায়নকে আরও কঠিন এবং সম্ভবত কম সামঞ্জস্যপূর্ণ করে তুলতে পারে।উপরন্তু, চিত্রগুলি শুধুমাত্র ডায়াবেটিস রোগীদের মধ্যে অর্জিত হয়েছে, যাদের জন্য OCTA একটি গুরুত্বপূর্ণ ডায়াগনস্টিক এবং প্রগনোস্টিক টুল হিসাবে আবির্ভূত হচ্ছে 33,34৷যদিও আমরা ফলাফলগুলি শক্তিশালী ছিল তা নিশ্চিত করার জন্য বিভিন্ন আকারের চিত্রগুলিতে আমাদের মডেল পরীক্ষা করতে সক্ষম হয়েছিলাম, আমরা বিভিন্ন কেন্দ্র থেকে উপযুক্ত ডেটাসেটগুলি সনাক্ত করতে পারিনি, যা মডেলটির সাধারণীকরণের আমাদের মূল্যায়নকে সীমিত করেছিল।যদিও চিত্রগুলি শুধুমাত্র একটি কেন্দ্র থেকে প্রাপ্ত করা হয়েছিল, তবে সেগুলি বিভিন্ন জাতিগত এবং জাতিগত ব্যাকগ্রাউন্ডের রোগীদের কাছ থেকে প্রাপ্ত হয়েছিল, যা আমাদের অধ্যয়নের একটি অনন্য শক্তি।আমাদের প্রশিক্ষণ প্রক্রিয়ায় বৈচিত্র্য অন্তর্ভুক্ত করার মাধ্যমে, আমরা আশা করি যে আমাদের ফলাফলগুলি একটি বিস্তৃত অর্থে সাধারণীকরণ করা হবে, এবং আমরা যে মডেলগুলিকে প্রশিক্ষণ দিই তাতে আমরা জাতিগত পক্ষপাত এনকোডিং এড়াব।
আমাদের অধ্যয়ন দেখায় যে সংযোগ-এড়িয়ে যাওয়া নিউরাল নেটওয়ার্কগুলিকে OCTA চিত্রের গুণমান নির্ধারণে উচ্চ কর্মক্ষমতা অর্জনের জন্য প্রশিক্ষণ দেওয়া যেতে পারে।আমরা এই মডেলগুলিকে আরও গবেষণার সরঞ্জাম হিসাবে সরবরাহ করি।যেহেতু বিভিন্ন মেট্রিকের বিভিন্ন চিত্রের গুণমানের প্রয়োজনীয়তা থাকতে পারে, তাই এখানে প্রতিষ্ঠিত কাঠামো ব্যবহার করে প্রতিটি মেট্রিকের জন্য একটি পৃথক মান নিয়ন্ত্রণ মডেল তৈরি করা যেতে পারে।
ভবিষ্যতের গবেষণায় একটি গভীর শিক্ষার চিত্রের গুণমান মূল্যায়ন প্রক্রিয়া পেতে বিভিন্ন গভীরতা এবং বিভিন্ন OCTA মেশিন থেকে বিভিন্ন আকারের ছবি অন্তর্ভুক্ত করা উচিত যা OCTA প্ল্যাটফর্ম এবং ইমেজিং প্রোটোকলগুলিতে সাধারণীকরণ করা যেতে পারে।বর্তমান গবেষণাটি তত্ত্বাবধানে গভীর শিক্ষার পদ্ধতির উপর ভিত্তি করে তৈরি করা হয়েছে যার জন্য মানুষের মূল্যায়ন এবং চিত্র মূল্যায়ন প্রয়োজন, যা বড় ডেটাসেটের জন্য শ্রমসাধ্য এবং সময়সাপেক্ষ হতে পারে।এটা দেখা বাকি আছে যে তত্ত্বাবধানহীন গভীর শিক্ষার পদ্ধতিগুলি নিম্ন মানের ছবি এবং উচ্চ মানের ছবিগুলির মধ্যে পর্যাপ্তভাবে পার্থক্য করতে পারে কিনা।
যেহেতু OCTA প্রযুক্তি ক্রমাগত বিকশিত হতে থাকে এবং স্ক্যান করার গতি বৃদ্ধি পায়, চিত্র শিল্পকর্ম এবং নিম্নমানের চিত্রগুলির ঘটনা হ্রাস পেতে পারে।সফ্টওয়্যারের উন্নতি, যেমন সম্প্রতি চালু করা প্রজেকশন আর্টিফ্যাক্ট অপসারণ বৈশিষ্ট্য, এই সীমাবদ্ধতাগুলিও দূর করতে পারে।যাইহোক, দুর্বল স্থিরকরণ বা উল্লেখযোগ্য মিডিয়া টার্বিডিটি সহ রোগীদের ইমেজিং করার ফলে অনেক সমস্যাই রয়ে যায়।যেহেতু OCTA ক্লিনিকাল ট্রায়ালগুলিতে আরও ব্যাপকভাবে ব্যবহৃত হয়, তাই ইমেজ বিশ্লেষণের জন্য গ্রহণযোগ্য ইমেজ আর্টিফ্যাক্ট স্তরের জন্য স্পষ্ট নির্দেশিকা প্রতিষ্ঠা করার জন্য সতর্কতার সাথে বিবেচনা করা প্রয়োজন।OCTA চিত্রগুলিতে গভীর শিক্ষার পদ্ধতির প্রয়োগ একটি দুর্দান্ত প্রতিশ্রুতি রাখে এবং চিত্রের মান নিয়ন্ত্রণের জন্য একটি শক্তিশালী পদ্ধতির বিকাশের জন্য এই ক্ষেত্রে আরও গবেষণা প্রয়োজন।
বর্তমান গবেষণায় ব্যবহৃত কোডটি অক্টা-কিউসি রিপোজিটরি, https://github.com/rahuldhodapkar/octa-qc-এ উপলব্ধ।বর্তমান গবেষণার সময় উত্পন্ন এবং/অথবা বিশ্লেষণ করা ডেটাসেটগুলি যুক্তিসঙ্গত অনুরোধের ভিত্তিতে সংশ্লিষ্ট লেখকদের কাছ থেকে পাওয়া যায়।
স্পাইড, আরএফ, ফুজিমোটো, জেজি এবং ওয়াহিদ, এনকে ইমেজ আর্টিফ্যাক্টস ইন অপটিক্যাল কোহেরেন্স অ্যাঞ্জিওগ্রাফি।রেটিনা 35, 2163–2180 (2015)।
ফেনার, বিজে এট আল।ইমেজিং বৈশিষ্ট্যগুলির সনাক্তকরণ যা OCT এনজিওগ্রাফিতে রেটিনাল কৈশিক প্লেক্সাস ঘনত্ব পরিমাপের গুণমান এবং প্রজননযোগ্যতা নির্ধারণ করে।বি.আর.J. Ophthalmol.102, 509–514 (2018)।
লয়ারম্যান, জেএল এট আল।বয়স-সম্পর্কিত ম্যাকুলার ডিজেনারেশনে ওসিটি অ্যাঞ্জিওগ্রাফির চিত্রের গুণমানের উপর আই-ট্র্যাকিং প্রযুক্তির প্রভাব।কবরের খিলান।ক্লিনিক্যালমেয়াদ।চক্ষুবিদ্যা255, 1535-1542 (2017)।
বেবিউচ এএস এট আল।OCTA কৈশিক পারফিউশন ঘনত্ব পরিমাপ ম্যাকুলার ইস্কেমিয়া সনাক্ত এবং মূল্যায়ন করতে ব্যবহৃত হয়।চক্ষু সার্জারি।রেটিনাল লেজার ইমেজিং 51, S30–S36 (2020)।
He, K., Zhang, X., Ren, S., এবং Sun, J. ইমেজ রিকগনিশনের জন্য ডিপ রেসিডুয়াল লার্নিং।2016 সালে IEEE কনফারেন্স অন কম্পিউটার ভিশন অ্যান্ড প্যাটার্ন রিকগনিশনে (2016)।
লয়ারম্যান, জেএল এট আল।ডিপ লার্নিং অ্যালগরিদম ব্যবহার করে অটোমেটেড OCT এনজিওগ্রাফিক ইমেজ কোয়ালিটি অ্যাসেসমেন্ট।কবরের খিলান।ক্লিনিক্যালমেয়াদ।চক্ষুবিদ্যা257, 1641-1648 (2019)।
Lauremann, J. et al.OCT এনজিওগ্রাফিতে সেগমেন্টেশন ত্রুটি এবং গতির আর্টিফ্যাক্টের প্রাদুর্ভাব রেটিনার রোগের উপর নির্ভর করে।কবরের খিলান।ক্লিনিক্যালমেয়াদ।চক্ষুবিদ্যা256, 1807-1816 (2018)।
পাস্ক, অ্যাডাম এট আল।পাইটর্চ: একটি অপরিহার্য, উচ্চ-পারফরম্যান্স ডিপ লার্নিং লাইব্রেরি।নিউরাল তথ্যের উন্নত প্রক্রিয়াকরণ।পদ্ধতি।32, 8026–8037 (2019)।
ডেং, জে. এট আল।ইমেজনেট: একটি বৃহৎ-স্কেল হায়ারার্কিক্যাল ইমেজ ডেটাবেস।2009 IEEE কনফারেন্স অন কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন।248-255।(2009)।
ক্রিজেভস্কি এ., সুটজকেভার আই. এবং হিন্টন জিই ইমেজেনেট শ্রেণীবিভাগ গভীর কনভোল্যুশনাল নিউরাল নেটওয়ার্ক ব্যবহার করে।নিউরাল তথ্যের উন্নত প্রক্রিয়াকরণ।পদ্ধতি।25, 1 (2012)।