Nature.comን ስለጎበኙ እናመሰግናለን።የተወሰነ የሲኤስኤስ ድጋፍ ያለው የአሳሽ ስሪት እየተጠቀሙ ነው።ለበለጠ ልምድ፣ የዘመነ አሳሽ እንድትጠቀም እንመክርሃለን (ወይም የተኳኋኝነት ሁነታን በኢንተርኔት ኤክስፕሎረር አሰናክል)።በተጨማሪም, ቀጣይ ድጋፍን ለማረጋገጥ, ጣቢያውን ያለ ቅጦች እና ጃቫስክሪፕት እናሳያለን.
በእያንዳንዱ ስላይድ ሶስት መጣጥፎችን የሚያሳዩ ተንሸራታቾች።በተንሸራታቾች ውስጥ ለመንቀሳቀስ የኋላ እና ቀጣይ ቁልፎችን ይጠቀሙ ፣ ወይም በእያንዳንዱ ስላይድ ውስጥ ለመንቀሳቀስ በመጨረሻው ላይ ያሉትን የስላይድ መቆጣጠሪያ ቁልፎችን ይጠቀሙ።
የኦፕቲካል ቁርኝት ቲሞግራፊ አንጂዮግራፊ (ኦቲኤ) የሬቲና መርከቦችን ወራሪ ያልሆነ የማየት ዘዴ አዲስ ዘዴ ነው።ምንም እንኳን OCTA ብዙ ተስፋ ሰጪ ክሊኒካዊ አፕሊኬሽኖች ቢኖሩትም የምስል ጥራትን መወሰን ፈታኝ ነው።በ ImageNet ቀድሞ የሰለጠነውን ResNet152 neural network classifier በመጠቀም ጥልቅ ትምህርትን መሰረት ያደረገ ስርዓት ፈጠርን ከ347 የ134 ታካሚዎች ስካን ለይ።ምስሎቹም ለክትትል የመማሪያ ሞዴል በሁለት ገለልተኛ ደረጃ ሰጪዎች እንደ እውነተኛ እውነት በእጅ ተገምግመዋል።የምስል ጥራት መስፈርቶች እንደ ክሊኒካዊ ወይም የምርምር መቼቶች ሊለያዩ ስለሚችሉ፣ ሁለት ሞዴሎች የሰለጠኑ ሲሆን አንደኛው ለከፍተኛ ጥራት ምስል ማወቂያ እና ሁለተኛው ዝቅተኛ ጥራት ያለው ምስል ለይቶ ማወቅ።የእኛ የነርቭ አውታረ መረብ ሞዴል በጣም ጥሩ ቦታን በኩርባው (AUC) ፣ 95% CI 0.96-0.99 ፣ \(\ kappa \) = 0.81) ያሳያል ፣ ይህም በማሽኑ ከዘገበው የምልክት ደረጃ (AUC = 0.82, 95) በእጅጉ የተሻለ ነው። % CI)0.77-0.86, \ (\ kappa \) = 0.52 እና AUC = 0.78, 95% CI 0.73-0.83, \ (\ kappa \) = 0.27, በቅደም ተከተል).ጥናታችን እንደሚያሳየው የማሽን መማሪያ ዘዴዎች ተለዋዋጭ እና ጠንካራ የጥራት ቁጥጥር ዘዴዎችን ለ OCTA ምስሎች ለማዘጋጀት ጥቅም ላይ ሊውሉ ይችላሉ.
የእይታ ትስስር ቶሞግራፊ አንጂዮግራፊ (ኦቲኤ) በአንፃራዊነት አዲስ ቴክኒክ ነው በኦፕቲካል ኮሄረንስ ቲሞግራፊ (OCT) ላይ የተመሰረተ የረቲን ማይክሮቫስኩላር ወራሪ ላልሆነ እይታ ሊያገለግል ይችላል።ኦቲኤ (OCTA) በተመሳሳይ የሬቲና ክፍል ውስጥ ከሚገኙት ተደጋጋሚ የብርሃን ንጣፎች ነጸብራቅ ስርዓተ-ጥለት ያለውን ልዩነት ይለካል ፣ እና እንደገና ግንባታዎች ቀለሞችን ወይም ሌሎች የንፅፅር ወኪሎችን ሳይጠቀሙ የደም ሥሮችን ለማሳየት ሊሰላ ይችላል።በተጨማሪም OCTA ጥልቀት-መፍትሄ የደም ቧንቧ ምስልን ያስችላል፣ ይህም ክሊኒኮች ላይ ላዩን እና ጥልቅ የሆኑትን መርከቦችን ለይተው እንዲመረምሩ ያስችላቸዋል፣ ይህም በ chorioretinal በሽታ መካከል ያለውን ልዩነት ለመለየት ይረዳል።
ይህ ቴክኒክ ተስፋ ሰጪ ቢሆንም የምስል ጥራት ልዩነት ለታማኝ ምስል ትንተና ትልቅ ፈተና ሆኖ ይቆያል፣ ይህም የምስል አተረጓጎም አስቸጋሪ ያደርገዋል እና ሰፊ ክሊኒካዊ ጉዲፈቻን ይከላከላል።OCTA ብዙ ተከታታይ የOCT ስካን ስለሚጠቀም፣ ከመደበኛ OCT ይልቅ ለሥዕል ቅርሶች የበለጠ ስሜታዊ ነው።አብዛኛዎቹ የንግድ OCTA መድረኮች የሲግናል ጥንካሬ (SS) ወይም አንዳንዴ የሲግናል ጥንካሬ ኢንዴክስ (SSI) የሚባል የምስል ጥራት መለኪያ ያቀርባሉ።ይሁን እንጂ ከፍተኛ የኤስኤስ ወይም የኤስኤስአይ እሴት ያላቸው ምስሎች የምስል ቅርሶች አለመኖራቸውን ዋስትና አይሰጡም, ይህም በቀጣይ የምስል ትንተና ላይ ተጽእኖ ሊያሳድር እና ወደ የተሳሳተ ክሊኒካዊ ውሳኔዎች ሊመራ ይችላል.በ OCTA ኢሜጂንግ ውስጥ ሊከሰቱ የሚችሉ የተለመዱ የምስል ቅርሶች የእንቅስቃሴ ቅርሶች፣ የክፍልፋይ ቅርሶች፣ የሚዲያ ግልጽ ያልሆኑ ቅርሶች እና የፕሮጀክሽን ቅርሶች1፣2፣3 ያካትታሉ።
እንደ ደም ወሳጅ እፍጋት ያሉ ከOCTA የተገኙ እርምጃዎች በትርጉም ምርምር፣ ክሊኒካዊ ሙከራዎች እና ክሊኒካዊ ልምምድ ውስጥ ጥቅም ላይ እየዋሉ በመሆናቸው፣ የምስል artefacts4ን ለማስወገድ ጠንካራ እና አስተማማኝ የምስል ጥራት ቁጥጥር ሂደቶችን ማዘጋጀት አስቸኳይ ያስፈልጋል።ዝለል ግንኙነቶች፣ እንዲሁም ቀሪ ግንኙነቶች በመባልም የሚታወቁት፣ መረጃዎችን በተለያዩ ሚዛኖች ወይም ጥራቶች በማከማቸት ጊዜ ኮንቮሉሽን ንብርብሮችን እንዲያልፉ የሚያስችል የነርቭ አውታረ መረብ አርክቴክቸር ትንበያዎች ናቸው።የምስል ቅርሶች በአነስተኛ ደረጃ እና በአጠቃላይ መጠነ ሰፊ የምስል አፈጻጸም ላይ ተጽእኖ ስለሚያሳድሩ፣ ስኪፕ-ግንኙነት የነርቭ ኔትወርኮች ይህንን የጥራት ቁጥጥር ተግባር በራስ ሰር ለመስራት ተስማሚ ናቸው።በቅርብ ጊዜ የታተመው ሥራ ከፍተኛ ጥራት ያለው መረጃን በመጠቀም የሰለጠኑ ጥልቅ ኮንቮሉሽን የነርቭ ኔትወርኮች አንዳንድ ተስፋዎችን አሳይቷል ከሰው ግምቶች6.
በዚህ ጥናት የ OCTA ምስሎችን ጥራት በራስ ሰር ለመወሰን የግንኙነት መዝለል ኮንቮሉሽን ነርቭ ኔትወርክን እናሠለጥናለን።የምስል ጥራት መስፈርቶች ለተወሰኑ ክሊኒካዊ ወይም የምርምር ሁኔታዎች ሊለያዩ ስለሚችሉ ከፍተኛ ጥራት ያላቸውን ምስሎች እና ዝቅተኛ ጥራት ያላቸውን ምስሎች ለመለየት የተለየ ሞዴሎችን በማዘጋጀት በቀደመው ሥራ ላይ እንገነባለን።የነዚህን ኔትወርኮች ውጤቶች በጥልቅ ትምህርት ውስጥ በበርካታ የጥራዞች ደረጃ የማካተትን ዋጋ ለመገምገም ግንኙነቶች ሳይጎድሉ ከኮንቮሉል ነርቭ ኔትወርኮች ጋር እናነፃፅራለን።ከዚያም ውጤቶቻችንን በአምራቾች ከሚቀርቡት የምስል ጥራት መለኪያ ጋር በተለምዶ ተቀባይነት ካለው የሲግናል ጥንካሬ ጋር አነጻጽረን።
ጥናታችን ከኦገስት 11፣ 2017 እስከ ኤፕሪል 11፣ 2019 ባለው ጊዜ ውስጥ በዬል አይን ማእከል የተሳተፉ የስኳር ህመምተኞችን ያጠቃልላል። ማንኛውም የስኳር በሽታ ያልሆነ የ chorioretinal በሽታ ያለባቸው ታካሚዎች አልተካተቱም።በእድሜ፣ በፆታ፣ በዘር፣ በምስል ጥራት ወይም በማንኛውም ሌላ ምክንያት ላይ የተመሰረቱ የማካተት ወይም የማግለል መስፈርቶች አልነበሩም።
የ OCTA ምስሎች የ AngioPlex መድረክን በመጠቀም በ Cirrus HD-OCT 5000 (ካርል ዘይስ ሜዲቴክ ኢንክ፣ ደብሊን፣ ሲኤ) በ8 ሚሜ እና 6\(\times \) 6 ሚሜ ኢሜጂንግ ፕሮቶኮሎች ስር ተገኝተዋል።በጥናቱ ውስጥ ለመሳተፍ በመረጃ የተደገፈ ስምምነት ከእያንዳንዱ የጥናት ተሳታፊ የተገኘ ሲሆን የዬል ዩኒቨርሲቲ ተቋማዊ ግምገማ ቦርድ (IRB) በመረጃ ላይ የተመሰረተ ስምምነት ከአለም አቀፍ ፎቶግራፊ ጋር ለነዚህ ሁሉ ታካሚዎች እንዲጠቀም አጽድቋል።የሄልሲንኪ መግለጫ መርሆዎችን በመከተል.ጥናቱ በYale University IRB ጸድቋል።
የወለል ንጣፍ ምስሎች የተገመገሙት ቀደም ሲል በተገለጸው የእንቅስቃሴ አርቲፊክስ ነጥብ (ኤምኤኤስ)፣ ቀደም ሲል በተገለጸው የሴጅሜንቴሽን አርቲፊክስ ነጥብ (SAS)፣ foveal center፣ የሚዲያ ግልጽነት መኖር እና በምስል ገምጋሚው በሚወሰነው መሰረት ትንንሽ ካፊላሮችን በማየት ነው።ምስሎቹ በሁለት ገለልተኛ ገምጋሚዎች (RD እና JW) ተንትነዋል።ሁሉም የሚከተሉት መመዘኛዎች ከተሟሉ ምስሉ 2 ነጥብ (ብቁ) አለው፡ ምስሉ በፎቪያ ላይ ያተኮረ ነው (ከምስሉ መሃል ከ100 ፒክሰሎች ያነሰ)፣ MAS 1 ወይም 2፣ SAS 1 እና የሚዲያ ግልጽነት ከ 1 ያነሰ ነው. በመጠን / 16 ምስሎች ላይ, እና ትናንሽ ካፊላሪዎች ከ 15/16 በላይ በሆኑ ምስሎች ላይ ይታያሉ.ምስሉ ከሚከተሉት መመዘኛዎች ውስጥ አንዳቸውም ከተሟሉ 0 (ደረጃ የለውም) ተሰጥቷል፡ ምስሉ ከመሃል ውጭ ነው፣ MAS ከሆነ 4፣ SAS 2 ከሆነ ወይም አማካኙ ግልጽነት ከምስሉ 1/4 በላይ ከሆነ እና ለመለየት ትናንሽ ካፊላሪዎች ከ 1 ምስል / 4 በላይ ማስተካከል አይችሉም.የነጥብ መስፈርቱን 0 ወይም 2 የማያሟሉ ሁሉም ምስሎች 1 (ክሊፕ) ሆነው ይመደባሉ።
በለስ ላይ.1 ለእያንዳንዱ የተመጣጠነ ግምቶች እና የምስል ቅርሶች ናሙና ምስሎችን ያሳያል።የግለሰቦች ኢንተር-ተመን አስተማማኝነት በCohen's kappa weighting8 ተገምግሟል።የእያንዳንዱ ምስል ግላዊ ነጥብ ከ 0 እስከ 4 ያለው አጠቃላይ ነጥብ ለማግኘት ይጠቃለላል። በአጠቃላይ 4 ነጥብ ያላቸው ምስሎች ጥሩ ናቸው ተብሏል።በድምሩ 0 ወይም 1 ነጥብ ያላቸው ምስሎች ዝቅተኛ ጥራት ተደርገው ይወሰዳሉ።
ከImageNet ዳታቤዝ ምስሎች ላይ አስቀድሞ የሰለጠነ ResNet152 architecture convolutional neural network (ምስል 3A.i) የተፈጠረው fast.ai እና PyTorch framework5, 9, 10, 11 በመጠቀም ነው። convolutional neural network የተማሩትን የሚጠቀም አውታረ መረብ ነው። የቦታ እና የአካባቢ ባህሪያትን ለማጥናት የምስል ቁርጥራጮችን ለመቃኘት ማጣሪያዎች።የኛ የሰለጠነ ResNet ባለ 152-ንብርብር የነርቭ ኔትወርክ ነው ክፍተቶች ወይም "ቀሪ ግንኙነቶች" በአንድ ጊዜ መረጃን ከብዙ ጥራቶች ጋር የሚያስተላልፍ።በአውታረ መረቡ ላይ በተለያዩ ጥራቶች መረጃን በማውጣት, የመሣሪያ ስርዓቱ ዝቅተኛ ጥራት ያላቸውን ምስሎች ባህሪያት በበርካታ ደረጃዎች ሊማር ይችላል.ከResNet ሞዴላችን በተጨማሪ በደንብ የተማረ የነርቭ ኔትወርክ አርክቴክቸርን አሰልጥነናል (ምስል 3A.ii)12።ግንኙነቶች ሳይጎድሉ፣ ይህ አውታረ መረብ ባህሪያትን ከፍ ባለ መጠን መያዝ አይችልም።
የመጀመሪያው 8\(\ times\)8mm OCTA13 ምስል ስብስብ አግድም እና አቀባዊ ነጸብራቅ ቴክኒኮችን በመጠቀም ተሻሽሏል።የሙሉ ዳታ ስብስብ በዘፈቀደ በምስል ደረጃ ወደ ስልጠና (51.2%)፣ ሙከራ (12.8%)፣ ሃይፐርፓራሜትር ማስተካከያ (16%) እና የማረጋገጫ (20%) የውሂብ ስብስቦች scikit-learn Toolbox python14 በመጠቀም ተከፋፈለ።ሁለት ጉዳዮች ግምት ውስጥ ገብተዋል፣ አንደኛው ከፍተኛ ጥራት ያላቸውን ምስሎች ብቻ በመለየት (አጠቃላይ ነጥብ 4) እና ሁለተኛው ዝቅተኛ ጥራት ያላቸውን ምስሎች ብቻ በመለየት (አጠቃላይ 0 ወይም 1)።ለእያንዳንዱ ከፍተኛ ጥራት ያለው እና ዝቅተኛ ጥራት ያለው የአጠቃቀም ጉዳይ የነርቭ አውታረመረብ አንድ ጊዜ በምስል መረጃችን ላይ እንደገና ይሠለጥናል።በእያንዳንዱ የአጠቃቀም ሁኔታ የነርቭ ኔትወርክ ለ 10 ዘመናት የሰለጠነ ሲሆን ከከፍተኛው የንብርብር ክብደት በስተቀር ሁሉም የቀዘቀዘ ሲሆን የሁሉም የውስጥ መለኪያዎች ክብደት ለ 40 ዘመናት የተማሩት በአድሎአዊ የመማሪያ ፍጥነት ዘዴ በመስቀል-ኢንትሮፒ ኪሳራ ተግባር 15, 16..የመስቀል ኢንትሮፒ መጥፋት ተግባር በተገመተው የአውታረ መረብ መለያዎች እና በእውነተኛ ውሂብ መካከል ያለውን ልዩነት የሎጋሪዝም መለኪያ መለኪያ ነው።በስልጠና ወቅት, ኪሳራዎችን ለመቀነስ በነርቭ ኔትወርክ ውስጣዊ ግቤቶች ላይ ቀስ በቀስ መውረድ ይከናወናል.የመማር ፍጥነት፣ የማቋረጥ ፍጥነት እና የክብደት መቀነሻ ሃይፐርፓራሜትሮች ባዬዥያን ማመቻቸትን በመጠቀም በ2 የዘፈቀደ መነሻ ነጥቦች እና 10 ድግግሞሾች ተስተካክለዋል፣ እና በመረጃ ቋቱ ላይ ያለው AUC ሃይፐርፓራሜትሮችን እንደ ዒላማ 17 ተስተካክሏል።
የ 8 × 8 ሚሜ የ OCTA ምስሎች የሱፐርፊሻል ካፊላሪ plexuses ተወካዮች 2 (A, B), 1 (C, D) እና 0 (E, F) አስመዝግበዋል.የሚታዩት የምስል ቅርሶች ብልጭ ድርግም የሚሉ መስመሮች (ቀስቶች)፣ የክፍልፋይ ቅርሶች (አስቴሪስኮች) እና የሚዲያ ግልጽነት (ቀስቶች) ያካትታሉ።ምስል (ኢ) እንዲሁ ከመሃል ውጭ ነው።
የተቀባይ ኦፕሬቲንግ ባህሪያት (ROC) ኩርባዎች ለሁሉም የነርቭ ኔትወርክ ሞዴሎች ይፈጠራሉ, እና የሞተር ሲግናል ጥንካሬ ሪፖርቶች ለእያንዳንዱ ዝቅተኛ ጥራት እና ከፍተኛ ጥራት ያለው የአጠቃቀም መያዣ ይዘጋጃሉ.ከከርቭ (AUC) በታች ያለው ቦታ በፕሮክ አር ፓኬጅ የተሰላ ሲሆን 95% የመተማመን ክፍተቶች እና p-እሴቶች በDeLong method18,19 በመጠቀም ይሰላሉ.የሰው ሬተሮች ድምር ውጤቶች ለሁሉም የ ROC ስሌቶች እንደ መነሻ ጥቅም ላይ ይውላሉ።በማሽኑ ለተዘገበው የምልክት ጥንካሬ፣ AUC ሁለት ጊዜ ይሰላል፡ አንድ ጊዜ ለከፍተኛ ጥራት Scalability Score cutoff እና አንድ ጊዜ ዝቅተኛ ጥራት ያለው Scalability Score cutoff።የነርቭ ኔትወርክ የራሱን የስልጠና እና የግምገማ ሁኔታዎችን ከሚያንፀባርቅ የ AUC ምልክት ጥንካሬ ጋር ተነጻጽሯል.
የሰለጠነውን የጥልቅ ትምህርት ሞዴል በተለየ የመረጃ ቋት የበለጠ ለመፈተሽ ከፍተኛ ጥራት ያላቸው እና ዝቅተኛ ጥራት ያላቸው ሞዴሎች ከዬል ዩኒቨርሲቲ የተሰበሰቡ የ 32 ሙሉ ፊት 6 \ (\ ጊዜያት \) 6 ሚሜ የወለል ንጣፍ ምስሎች የአፈፃፀም ግምገማ ላይ በቀጥታ ተተግብረዋል ።የዓይን ቅዳሴ ከምስሉ ጋር በተመሳሳይ ጊዜ ያተኮረ ነው 8 \ (\ times \) 8 ሚሜ.የ6\(\×\) 6 ሚሜ ምስሎች ከ8\(\×\) 8 ሚሜ ምስሎች ጋር በተመሳሳይ ሁኔታ በተመሳሳይ ሬተሮች (RD እና JW) በእጅ የተገመገሙ ናቸው፣ AUC የተሰላው እንዲሁም ትክክለኛነት እና የኮሄን ካፓ ነው። .እኩል .
የክፍል አለመመጣጠን ሬሾ 158:189 (\ (\rho = 1.19 \)) ዝቅተኛ ጥራት ላለው ሞዴል እና 80:267 (\ (\rho = 3.3 \)) ለከፍተኛ ጥራት ሞዴል ነው.የክፍል አለመመጣጠን ጥምርታ ከ1፡4 በታች ስለሆነ፣ የክፍል አለመመጣጠን20፣21 ለማስተካከል የተለየ የስነ-ህንፃ ለውጦች አልተደረጉም።
የመማር ሂደቱን በተሻለ መልኩ ለማየት፣ ለአራቱም የሰለጠነ የጥልቅ ትምህርት ሞዴሎች፣ ከፍተኛ ጥራት ያለው ResNet152 ሞዴል፣ ዝቅተኛ ጥራት ያለው ResNet152 ሞዴል፣ ከፍተኛ ጥራት ያለው የአሌክስኔት ሞዴል እና ዝቅተኛ ጥራት ያለው የአሌክስኔት ሞዴል።የክፍል ማግበር ካርታዎች የሚመነጩት ከእነዚህ አራት ሞዴሎች ግብዓት ኮንቮሉሽን ንብርብሮች ሲሆን የሙቀት ካርታዎች የሚመነጩት ከ 8 × 8 ሚሜ እና 6 × 6 ሚሜ የማረጋገጫ ስብስቦች 22, 23 በተገኙ የመነሻ ምስሎች ተደራቢ በማድረግ ነው።
R ስሪት 4.0.3 ለሁሉም የስታቲስቲክስ ስሌቶች ጥቅም ላይ ውሏል, እና ምስላዊ ምስሎች የተፈጠሩት የ ggplot2 ግራፊክስ መሳሪያ ቤተ-መጽሐፍትን በመጠቀም ነው.
ከ 134 ሰዎች 8 \ (\ times \) 8 ሚሜ የሚለካው የሱፐርፊሻል ካፊላሪ plexus 347 የፊት ምስሎችን ሰብስበናል.ማሽኑ ለሁሉም ምስሎች (አማካኝ = 6.99 ± 2.29) ከ 0 እስከ 10 ባለው ሚዛን ላይ የምልክት ጥንካሬን ዘግቧል።ከተገኙት 347 ምስሎች ውስጥ, በምርመራ ላይ ያለው አማካይ ዕድሜ 58.7 ± 14.6 ዓመታት ነበር, እና 39.2% የሚሆኑት ከወንድ በሽተኞች ናቸው.ከሁሉም ምስሎች 30.8% ከካውካሰስ፣ 32.6% ከጥቁሮች፣ 30.8% ከስፓኒኮች፣ 4% ከእስያውያን እና 1.7% ከሌሎች ዘሮች (ሠንጠረዥ 1) ነበሩ።).በምስሉ ጥራት (p <0.001) ላይ በመመስረት የኦቲኤ (OCTA) ያላቸው ታካሚዎች የእድሜ ስርጭት በጣም የተለያየ ነው.ዕድሜያቸው ከ18-45 ዓመት የሆኑ በትናንሽ ታካሚዎች ውስጥ ከፍተኛ ጥራት ያላቸው ምስሎች መቶኛ 33.8% ዝቅተኛ ጥራት ያላቸው ምስሎች 12.2% (ሠንጠረዥ 1).የዲያቢክቲክ ሬቲኖፓቲ ሁኔታ ስርጭትም በምስል ጥራት (p <0.017) በጣም የተለያየ ነው.ከሁሉም ከፍተኛ ጥራት ያላቸው ምስሎች መካከል, PDR ያላቸው ታካሚዎች መቶኛ 18.8% ከ 38.8% ዝቅተኛ ጥራት ያላቸው ምስሎች (ሠንጠረዥ 1) ጋር ሲነጻጸር.
የሁሉም ምስሎች የግለሰብ ደረጃ አሰጣጦች ምስሎቹን በሚያነቡ ሰዎች መካከል መካከለኛ እና ጠንካራ የመሃል ደረጃ አስተማማኝነት አሳይተዋል (የኮሄን ክብደት ያለው kappa = 0.79፣ 95% CI: 0.76-0.82)፣ እና ተቆጣጣሪዎች ከ1 በላይ የሚለያዩባቸው የምስል ነጥቦች አልነበሩም (ምስል. 2 ሀ).የምልክት ጥንካሬ በእጅ ከሚሰጠው ውጤት ጋር በእጅጉ ይዛመዳል (የፒርሰን ምርት ቅጽበት ትስስር = 0.58, 95% CI 0.51-0.65, p<0.001)፣ ነገር ግን ብዙ ምስሎች ከፍተኛ የሲግናል መጠን ግን ዝቅተኛ በእጅ የነጥብ (ምስል .2B) ተለይተዋል።
በResNet152 እና AlexNet architectures ስልጠና ወቅት በማረጋገጫ እና በስልጠና ላይ ያለው የመስቀል ኢንትሮፒ ኪሳራ ከ50 ዘመናት በላይ ወድቋል (ምስል 3B፣C)።በመጨረሻው የሥልጠና ዘመን የማረጋገጫ ትክክለኛነት ከ90% በላይ ለከፍተኛ ጥራት እና ዝቅተኛ ጥራት አጠቃቀም ጉዳዮች።
የተቀባይ አፈጻጸም ኩርባዎች የ ResNet152 ሞዴል በማሽኑ የተዘገበው የሲግናል ሃይል በሁለቱም ዝቅተኛ እና ከፍተኛ ጥራት ባለው የአጠቃቀም ጉዳዮች (p <0.001) በከፍተኛ ሁኔታ እንደሚበልጥ ያሳያል።የ ResNet152 ሞዴል ከአሌክስኔት አርክቴክቸር (p = 0.005 እና p = 0.014 ለዝቅተኛ ጥራት እና ከፍተኛ ጥራት ያላቸው ጉዳዮች በቅደም ተከተል) በእጅጉ ይበልጣል።ለእያንዳንዱ እነዚህ ተግባራት የተገኙት ሞዴሎች የ 0.99 እና 0.97 የ AUC እሴቶችን በቅደም ተከተል ማሳካት ችለዋል ፣ ይህም ከ 0.82 እና 0.78 ተጓዳኝ የ AUC እሴቶች የበለጠ ለማሽን ምልክት ጥንካሬ ጠቋሚ ወይም 0.97 እና 0.94 ለአሌክስኔት ..(ምስል 3).ከፍተኛ ጥራት ያላቸውን ምስሎች ሲገነዘቡ በ ResNet እና AUC መካከል ያለው ልዩነት በሲግናል ጥንካሬ ከፍተኛ ነው, ይህም ResNet ለዚህ ተግባር ተጨማሪ ጥቅሞችን ያሳያል.
ግራፎቹ እያንዳንዱ ገለልተኛ ሬተር በማሽኑ ከተዘገበው የሲግናል ጥንካሬ ጋር ነጥብ የማግኘት እና የማወዳደር ችሎታን ያሳያሉ።(ሀ) የሚገመገሙት ነጥቦች ድምር የሚገመገሙት ጠቅላላ ነጥቦችን ለመፍጠር ነው።አጠቃላይ የመለኪያ ነጥብ ያላቸው ምስሎች 4 ከፍተኛ ጥራት ያላቸው ሲሆኑ 1 ወይም ከዚያ ያነሰ አጠቃላይ የመጠን ችሎታ ያላቸው ምስሎች ዝቅተኛ ጥራት ተሰጥቷቸዋል።(ለ) የሲግናል ጥንካሬ በእጅ ከሚገመቱት ጋር ይዛመዳል፣ ነገር ግን ከፍተኛ የሲግናል ጥንካሬ ያላቸው ምስሎች ጥራት የሌላቸው ሊሆኑ ይችላሉ።ቀይ ነጥብ ያለው መስመር በሲግናል ጥንካሬ (የሲግናል ጥንካሬ \(\ge\)6) ላይ በመመስረት የአምራቹን የሚመከረውን የጥራት ደረጃ ያሳያል።
የ ResNet ማስተላለፍ ትምህርት በማሽን ከተዘገበው የምልክት ደረጃዎች ጋር ሲነፃፀር ለሁለቱም ዝቅተኛ ጥራት እና ከፍተኛ ጥራት ያላቸውን የአጠቃቀም ጉዳዮች የምስል ጥራት መለያ ላይ ከፍተኛ መሻሻል ይሰጣል።(ሀ) ቅድመ-የሰለጠነ (i) ResNet152 እና (ii) የአሌክስኔት አርክቴክቸር ቀለል ያለ የሕንፃ ንድፍ።(ለ) የሥልጠና ታሪክ እና የመቀበያ አፈፃፀም ኩርባዎች ለ ResNet152 ከማሽን ሪፖርት ጥንካሬ እና የአሌክስኔት ዝቅተኛ ጥራት መስፈርቶች ጋር ሲነፃፀር።(ሐ) ResNet152 ተቀባይ የሥልጠና ታሪክ እና የአፈጻጸም ኩርባዎች ከማሽን ሪፖርት ጥንካሬ እና የአሌክስኔት ከፍተኛ ጥራት መመዘኛዎች ጋር ሲነጻጸር።
የውሳኔውን የወሰን ገደብ ካስተካከለ በኋላ, የ ResNet152 ሞዴል ከፍተኛ ትንበያ ትክክለኛነት ዝቅተኛ ጥራት ላለው ጉዳይ 95.3% እና ለከፍተኛ ጥራት መያዣ (ሠንጠረዥ 2) 93.5% ነው.የአሌክስኔት ሞዴል ከፍተኛ ትንበያ ትክክለኛነት 91.0% ዝቅተኛ ጥራት ላለው መያዣ እና 90.1% ለከፍተኛ ጥራት መያዣ (ሠንጠረዥ 2) ነው.ከፍተኛው የሲግናል ጥንካሬ ትንበያ ትክክለኛነት ለዝቅተኛ ጥራት አጠቃቀም 76.1% እና ለከፍተኛ ጥራት አጠቃቀም 77.8% ነው.እንደ ኮሄን kappa (\(\ kappa \)) በ ResNet152 ሞዴል እና በግምገማዎች መካከል ያለው ስምምነት ዝቅተኛ ጥራት ላለው ጉዳይ 0.90 እና ለከፍተኛ ጥራት 0.81 ነው።የ Cohen's AlexNet kappa ዝቅተኛ ጥራት ላላቸው እና ከፍተኛ ጥራት ያላቸውን የአጠቃቀም ጉዳዮች በቅደም ተከተል 0.82 እና 0.71 ነው።የኮሄን ሲግናል ጥንካሬ kappa ዝቅተኛ እና ከፍተኛ ጥራት ላለው የአጠቃቀም ጉዳዮች 0.52 እና 0.27 ነው።
ባለ 6 ሚሜ ጠፍጣፋ ጠፍጣፋ በ 6 \ (\ x \) ምስሎች ላይ ከፍተኛ እና ዝቅተኛ ጥራት ያላቸው ማወቂያ ሞዴሎችን ማረጋገጥ የሰለጠነ ሞዴል በተለያዩ የምስል መለኪያዎች ላይ የምስል ጥራትን የመወሰን ችሎታ ያሳያል።ለምስል ጥራት 6 \(\ x\) 6 ሚሜ ጥልቀት የሌላቸው ንጣፎችን ሲጠቀሙ ዝቅተኛ ጥራት ያለው ሞዴል AUC 0.83 (95% CI: 0.69-0.98) እና ከፍተኛ ጥራት ያለው ሞዴል 0.85 AUC ነበረው.(95% CI: 0.55-1.00) (ሠንጠረዥ 2).
የግብአት ንብርብር ክፍል ማግበር ካርታዎች ምስላዊ ፍተሻ እንደሚያሳየው ሁሉም የሰለጠኑ የነርቭ ኔትወርኮች በምስል ምደባ ወቅት የምስል ባህሪያትን ተጠቅመዋል (ምስል 4A, B).ለ 8 \ (\ times \) 8 ሚሜ እና 6 \ (\ times \) 6 ሚሜ ምስሎች ፣ የ ResNet አግብር ምስሎች የሬቲና ቫስኩላርን በጥብቅ ይከተላሉ።የአሌክስኔት ገቢር ካርታዎች የሬቲና መርከቦችን ይከተላሉ፣ ነገር ግን በጥራት ጥራት።
ለResNet152 እና AlexNet ሞዴሎች የክፍል ማግበር ካርታዎች ከምስል ጥራት ጋር የተያያዙ ባህሪያትን ያጎላሉ።(A) የክፍል ማግበር ካርታ በ 8 \(\ times \) 8 ሚሜ የማረጋገጫ ምስሎች እና (B) በትንሽ 6 \(\times \) 6 ሚሜ የማረጋገጫ ምስሎች ላይ ካለው የሬቲና ቫስኩላር በኋላ ወጥነት ያለው እንቅስቃሴን ያሳያል።በዝቅተኛ ጥራት መስፈርት የሰለጠነ LQ ሞዴል፣ ከፍተኛ ጥራት ባለው መስፈርት የሰለጠነ ኤች.ኪ.ው.
የምስል ጥራት በማንኛውም የ OCTA ምስሎች ላይ ከፍተኛ ተጽዕኖ እንደሚያሳድር ከዚህ ቀደም ታይቷል።በተጨማሪም, ሬቲኖፓቲ መኖሩ የምስሎች አርቲፊክስ7,26 መጨመርን ይጨምራል.እንደ እውነቱ ከሆነ, በእኛ መረጃ ውስጥ, ከቀደምት ጥናቶች ጋር በሚጣጣም መልኩ, በእድሜ መጨመር እና የሬቲና በሽታ ክብደት እና በምስል ጥራት መበላሸት መካከል ከፍተኛ ግንኙነት አግኝተናል (p <0.001, p = 0.017 ለዕድሜ እና DR ሁኔታ, በቅደም ተከተል; ሠንጠረዥ 1) 27 ስለዚህ ስለ OCTA ምስሎች ምንም ዓይነት የቁጥር ትንተና ከማድረግዎ በፊት የምስል ጥራትን መገምገም አስፈላጊ ነው።አብዛኛዎቹ የ OCTA ምስሎችን የሚተነትኑ ጥናቶች ዝቅተኛ ጥራት ያላቸውን ምስሎች ለማስቀረት በማሽን የተዘገበ የሲግናል ጥንካሬ ገደቦችን ይጠቀማሉ።ምንም እንኳን የሲግናል ጥንካሬ የ OCTA መለኪያዎችን መጠን ላይ ተጽዕኖ እንደሚያሳድር ቢታይም ከፍተኛ የሲግናል መጠን ብቻ የምስል ቅርሶች 2,3,28,29 ምስሎችን ለማስወገድ በቂ ላይሆን ይችላል.ስለዚህ, የምስል ጥራት ቁጥጥር የበለጠ አስተማማኝ ዘዴ ማዘጋጀት አስፈላጊ ነው.ለዚህም, በማሽኑ ከተዘገበው የሲግናል ጥንካሬ አንጻር ክትትል የሚደረግባቸው ጥልቅ የመማሪያ ዘዴዎችን አፈፃፀም እንገመግማለን.
የተለያዩ የ OCTA አጠቃቀም ጉዳዮች የተለያዩ የምስል ጥራት መስፈርቶች ሊኖራቸው ስለሚችል የምስል ጥራትን ለመገምገም በርካታ ሞዴሎችን አዘጋጅተናል።ለምሳሌ, ምስሎች ከፍተኛ ጥራት ያላቸው መሆን አለባቸው.በተጨማሪም, የፍላጎት ልዩ የቁጥር መለኪያዎችም አስፈላጊ ናቸው.ለምሳሌ, የ foveal avascular ዞን አካባቢ በመካከለኛው መካከለኛ ባልሆነ መካከለኛ መጠን ላይ የተመሰረተ አይደለም, ነገር ግን የመርከቦቹን ጥንካሬ ይነካል.ምርምራችን ከማንኛዉም ልዩ ፈተና መስፈርቶች ጋር ያልተቆራኘ ነገር ግን በማሽኑ የተዘገበዉን የሲግናል ጥንካሬ በቀጥታ ለመተካት በማሰብ ለምስል ጥራት አጠቃላይ አቀራረብ ላይ ማተኮር ቢቀጥልም ለተጠቃሚዎች የበለጠ ቁጥጥር እንዲያደርጉ ተስፋ እናደርጋለን። ለተጠቃሚው ልዩ የፍላጎት መለኪያ መምረጥ ይችላል።ተቀባይነት አላቸው ተብለው ከሚታሰቡ ከፍተኛው የምስል ቅርሶች ደረጃ ጋር የሚዛመድ ሞዴል ይምረጡ።
ለአነስተኛ ጥራት እና ከፍተኛ ጥራት ያላቸው ትዕይንቶች ፣ግንኙነት የጎደሉ ጥልቅ convolutional neural networks ፣ ከ AUC 0.97 እና 0.99 እና ዝቅተኛ ጥራት ያላቸው ሞዴሎች ጋር ጥሩ አፈፃፀም እናሳያለን።በማሽኖች ብቻ ሪፖርት ከተደረጉ የሲግናል ደረጃዎች ጋር ሲወዳደር የጥልቅ ትምህርት አቀራረባችን የላቀ አፈጻጸም እናሳያለን።ግንኙነቶች ዝለል የነርቭ አውታረ መረቦች ባህሪያትን በበርካታ የዝርዝሮች ደረጃዎች እንዲማሩ ያስችላቸዋል, የምስሎች ጥቃቅን ገጽታዎችን (ለምሳሌ ንፅፅር) እና አጠቃላይ ባህሪያትን (ለምሳሌ ምስልን ማዕከል ማድረግ30,31).የምስል ጥራትን የሚነኩ የምስል ቅርሶች በተሻለ ሁኔታ ተለይተው የሚታወቁት በሰፊ ክልል ውስጥ በመሆኑ፣ የጎደላቸው ግንኙነት ያላቸው የነርቭ ኔትወርክ አርክቴክቸር የምስል ጥራትን የመወሰን ስራ ከሌላቸው የተሻለ አፈጻጸም ሊያሳዩ ይችላሉ።
ሞዴላችንን በ6\(\×6ሚሜ) OCTA ምስሎች ላይ ስንፈትሽ ለሁለቱም ከፍተኛ ጥራት ያላቸው እና ዝቅተኛ ጥራት ያላቸው ሞዴሎች (ምስል 2) የምደባ አፈጻጸም ቀንሷል፣ ለምድብ ከሰለጠነ ሞዴል መጠን ጋር ሲነጻጸር።ከሬስኔት ሞዴል ጋር ሲወዳደር የአሌክስኔት ሞዴል ትልቅ ውድቀት አለው።በአንፃራዊነት የተሻለው የResNet አፈፃፀም ቀሪ ግንኙነቶች መረጃን በተለያዩ ሚዛኖች ለማስተላለፍ በመቻላቸው ሊሆን ይችላል፣ይህም ሞዴሉን በተለያዩ ሚዛኖች እና/ወይም ማጉላት የተቀረጹ ምስሎችን ለመለየት የበለጠ ጠንካራ ያደርገዋል።
በ 8 \(\×\) 8 ሚሜ ምስሎች እና 6 \(\ ×\) 6 ሚሜ ምስሎች መካከል ያሉ አንዳንድ ልዩነቶች ወደ ደካማ ምደባ ሊመሩ ይችላሉ ፣ በአንፃራዊነት ከፍተኛ መጠን ያላቸውን የ foveal avascular አካባቢዎችን የያዙ ምስሎችን ፣ የታይነት ለውጦችን ፣ የደም ሥሮች arcades እና በምስሉ ላይ ምንም የእይታ ነርቭ የለም 6 × 6 ሚሜ.ይህ ቢሆንም፣ ከፍተኛ ጥራት ያለው የ ResNet ሞዴላችን ለ 6 \(\ x\) 6 ሚሜ ምስሎች 85% AUC ማግኘት ችሏል ፣ ሞዴሉ ያልሰለጠነበት ውቅር ፣ ይህም በነርቭ አውታረመረብ ውስጥ የምስል ጥራት ያለው መረጃ መቀመጡን ይጠቁማል ። ተስማሚ ነው.ለአንድ የምስል መጠን ወይም የማሽን ውቅር ከስልጠናው ውጪ (ሠንጠረዥ 2).በማረጋጋት, ResNet- እና AlexNet-like activation ካርታዎች 8 \ (\ times \) 8 ሚሜ እና 6 \ (\ times \) 6 ሚሜ ምስሎች በሁለቱም ሁኔታዎች የሬቲን መርከቦችን ለማጉላት ችለዋል, ይህም ሞዴሉ ጠቃሚ መረጃ እንዳለው ይጠቁማል.ሁለቱንም የ OCTA ምስሎችን ለመመደብ ተፈጻሚ ናቸው (ምስል 4)።
Lauerman et al.በ OCTA ምስሎች ላይ የምስል ጥራት ግምገማ በተመሳሳይ መልኩ ጥልቅ የመማሪያ ቴክኒኮችን በመጠቀም ኢንሴንሽን አርክቴክቸር፣ ሌላውን መዝለል-ግንኙነት convolutional neural network6,32 በመጠቀም ተካሄዷል።በተጨማሪም ጥናቱን በሱፐርፊሻል ካፊላሪ plexus ምስሎች ላይ ብቻ ገድበው ነበር, ነገር ግን ከኦፕቶቭዬ አንጂዮቭዌ ትናንሽ የ 3 × 3 ሚሜ ምስሎችን ብቻ በመጠቀም, ምንም እንኳን የተለያዩ የ chorioretinal በሽታ ያለባቸው ታካሚዎችም ተካተዋል.የተለያዩ የምስል ጥራት ደረጃዎችን ለመፍታት እና ለተለያዩ መጠኖች ምስሎች ውጤቶችን ለማረጋገጥ በርካታ ሞዴሎችን ጨምሮ የእኛ ስራ በመሠረቶቻቸው ላይ ይገነባል።እንዲሁም የማሽን መማሪያ ሞዴሎችን የAUC መለኪያን ሪፖርት እናደርጋለን እና ቀደም ሲል አስደናቂ ትክክለኛነትን (90%) 6 ለሁለቱም ዝቅተኛ ጥራት (96%) እና ከፍተኛ ጥራት (95.7%) ሞዴሎች6።
ይህ ስልጠና በርካታ ገደቦች አሉት።በመጀመሪያ, ምስሎቹ የተገኙት በ 8 \ (\ times \) 8 ሚሜ እና 6 \ (\ times \) 6 ሚሜ ላይ ያለውን የሱፐርፊሻል ካፕላሪ plexus ምስሎችን ብቻ ጨምሮ በአንድ የኦቲኤ ማሽን ብቻ ነው.ምስሎችን ከጥልቅ ንብርብሮች የማግለል ምክንያት የፕሮጀክሽን ቅርሶች ምስሎችን በእጅ መገምገም አስቸጋሪ እና ምናልባትም ወጥነት ያለው እንዲሆን ስለሚያደርግ ነው።በተጨማሪም ምስሎች የተገኙት በስኳር ህመምተኞች ላይ ብቻ ነው, ለእነሱ OCTA እንደ አስፈላጊ የምርመራ እና ትንበያ መሳሪያ33,34 እየወጣ ነው.ምንም እንኳን ውጤቶቹ ጠንካራ መሆናቸውን ለማረጋገጥ ሞዴላችንን በተለያየ መጠን ባላቸው ምስሎች ላይ መሞከር ብንችልም ከተለያዩ ማዕከላት ተስማሚ የሆኑ የውሂብ ስብስቦችን መለየት አልቻልንም ይህም የአምሳያው አጠቃላይነት ግምገማን ገድቦታል።ምስሎቹ የተገኙት ከአንድ ማዕከል ብቻ ቢሆንም የተለያየ ዘርና ዘር ካላቸው ታማሚዎች የተገኙ ናቸው ይህም የጥናታችን ልዩ ጥንካሬ ነው።በስልጠና ሂደታችን ውስጥ ልዩነትን በማካተት ውጤታችን ሰፋ ባለ መልኩ እንዲጠቃለል እና በምንሰለጥናቸው ሞዴሎች ውስጥ የዘር አድሎአዊነትን እንደምናስወግድ ተስፋ እናደርጋለን።
የኛ ጥናት እንደሚያሳየው የግንኙነት መዝለል ነርቭ ኔትወርኮች የ OCTA ምስል ጥራትን በመወሰን ከፍተኛ አፈፃፀም ለማስመዝገብ ማሰልጠን ይቻላል።እነዚህን ሞዴሎች ለተጨማሪ ምርምር እንደ መሳሪያ እናቀርባለን።የተለያዩ መለኪያዎች የተለያዩ የምስል ጥራት መስፈርቶች ሊኖራቸው ስለሚችል፣ እዚህ የተቀመጠውን መዋቅር በመጠቀም ለእያንዳንዱ መለኪያ የግለሰብ የጥራት ቁጥጥር ሞዴል ሊዘጋጅ ይችላል።
ወደ OCTA መድረኮች እና ኢሜጂንግ ፕሮቶኮሎች ሊጠቃለል የሚችል ጥልቅ የመማር የምስል ጥራት ግምገማ ሂደት ለማግኘት የወደፊት ጥናት የተለያየ መጠን ያላቸውን ምስሎች ከተለያዩ ጥልቀት እና ከተለያዩ የ OCTA ማሽኖች ማካተት አለበት።አሁን ያለው ጥናትም የሰው ልጅ ግምገማ እና የምስል ግምገማ በሚጠይቁ ክትትል የሚደረግባቸው የጥልቅ ትምህርት አቀራረቦች ላይ የተመሰረተ ሲሆን ይህም ለትልቅ የመረጃ ቋቶች ብዙ ጉልበት የሚጠይቅ እና ጊዜ የሚወስድ ነው።ክትትል የማይደረግበት የጥልቅ ትምህርት ዘዴዎች ዝቅተኛ ጥራት ያላቸውን ምስሎች እና ከፍተኛ ጥራት ያላቸውን ምስሎች በበቂ ሁኔታ መለየት ይችሉ እንደሆነ መታየት አለበት።
የ OCTA ቴክኖሎጂ እየተሻሻለ ሲሄድ እና የፍተሻ ፍጥነቶች እየጨመረ ሲሄድ፣ የምስል ቅርሶች እና ጥራት የሌላቸው ምስሎች የመከሰቱ አጋጣሚ ሊቀንስ ይችላል።በሶፍትዌሩ ውስጥ ያሉ ማሻሻያዎች፣ ለምሳሌ በቅርቡ የገባው የፕሮጀክሽን አርቲፊክስ ማስወገጃ ባህሪ፣ እነዚህን ገደቦችም ሊያቃልል ይችላል።ነገር ግን፣ ብዙ ችግሮች ደካማ ጥገና ወይም ጉልህ የሆነ የሚዲያ ውዥንብር ያለባቸውን ታካሚዎች ምስል በመቅረጽ ሁልጊዜ የምስል ቅርሶችን ያስከትላሉ።OCTA በክሊኒካዊ ሙከራዎች ውስጥ በስፋት ጥቅም ላይ እየዋለ ሲሄድ፣ ለምስል ትንተና ተቀባይነት ላለው የምስል ቅርስ ደረጃዎች ግልጽ መመሪያዎችን ለማዘጋጀት በጥንቃቄ መመርመር ያስፈልጋል።ጥልቅ የመማሪያ ዘዴዎችን ወደ OCTA ምስሎች መተግበር ትልቅ ተስፋን ይሰጣል እናም በዚህ አካባቢ የምስል ጥራት ቁጥጥርን በተመለከተ ጠንካራ አቀራረብን ለማዳበር ተጨማሪ ምርምር ያስፈልጋል።
አሁን ባለው ጥናት ውስጥ ጥቅም ላይ የዋለው ኮድ በ octa-qc ማከማቻ ውስጥ ይገኛል https://github.com/rahuldhodapkar/octa-qc።በአሁኑ ጥናት ወቅት የተፈጠሩ እና/ወይም የተተነተኑ የውሂብ ስብስቦች ምክንያታዊ በሆነ ጥያቄ ከሚመለከታቸው ደራሲዎች ይገኛሉ።
Spaide፣ RF፣ Fujimoto፣ JG & Waheed፣ NK Image ቅርሶች በኦፕቲካል ቅንጅት አንጂዮግራፊ።ሬቲና 35, 2163-2180 (2015).
ፌነር ፣ ቢጄ እና ሌሎች።በ OCT angiography ውስጥ የሬቲና ካፊላሪ plexus density መለኪያዎችን ጥራት እና መራባት የሚወስኑ የምስል ባህሪያትን መለየት.BR.ጄ. Ophthalmol.102፣ 509–514 (2018)።
Lauerman, JL እና ሌሎች.ከዕድሜ ጋር በተዛመደ ማኩላር ዲግሬሽን ውስጥ በ OCT angiography ምስል ጥራት ላይ የዓይን መከታተያ ቴክኖሎጂ ተጽእኖ.የመቃብር ቅስት.ክሊኒካዊ.ኤክስፕ.የዓይን ህክምና.255፣ 1535–1542 (2017)።
Babyuch AS እና ሌሎች.የ OCTA capillary perfusion density መለኪያዎች ማኩላር ኢሽሚያን ለመለየት እና ለመገምገም ያገለግላሉ።የዓይን ቀዶ ጥገና.ሬቲናል ሌዘር ኢሜጂንግ 51፣ S30–S36 (2020)።
ሄ፣ ኬ፣ ዣንግ፣ ኤክስ.፣ ሬን፣ ኤስ እና ፀሃይ፣ ጄ. ጥልቅ ቀሪ ትምህርት ለምስል እውቅና።እ.ኤ.አ. በ 2016 በ IEEE ኮንፈረንስ ላይ በኮምፒተር እይታ እና ስርዓተ-ጥለት እውቅና (2016)።
Lauerman, JL እና ሌሎች.ጥልቅ የመማሪያ ስልተ ቀመሮችን በመጠቀም አውቶሜትድ የOCT angiographic ምስል ጥራት ግምገማ።የመቃብር ቅስት.ክሊኒካዊ.ኤክስፕ.የዓይን ህክምና.257፣ 1641–1648 (2019)።
Lauermann, J. et al.በ OCT angiography ውስጥ የመከፋፈል ስህተቶች እና የእንቅስቃሴ ቅርሶች ስርጭት በሬቲና በሽታ ላይ የተመሰረተ ነው.የመቃብር ቅስት.ክሊኒካዊ.ኤክስፕ.የዓይን ህክምና.256፣ 1807-1816 (2018)።
ፓስክ, አዳም እና ሌሎች.ፒቶርች፡ አስፈላጊ፣ ከፍተኛ አፈጻጸም ያለው ጥልቅ የመማሪያ ቤተመጻሕፍት።የነርቭ መረጃ የላቀ ሂደት.ስርዓት.32፣ 8026–8037 (2019)።
ዴንግ, ጄ እና ሌሎች.ImageNet፡ ትልቅ ደረጃ ያለው ተዋረዳዊ የምስል ዳታቤዝ።የ 2009 የ IEEE ኮንፈረንስ በኮምፒዩተር ራዕይ እና ስርዓተ-ጥለት እውቅና.248–255።(2009)
Krizhevsky A.፣ Sutzkever I. እና Hinton GE Imagenet ምደባ ጥልቅ convolutional neural አውታረ መረቦችን በመጠቀም።የነርቭ መረጃ የላቀ ሂደት.ስርዓት.25, 1 (2012).