Nature.com ला भेट दिल्याबद्दल धन्यवाद.तुम्ही मर्यादित CSS समर्थनासह ब्राउझर आवृत्ती वापरत आहात.सर्वोत्तम अनुभवासाठी, आम्ही शिफारस करतो की तुम्ही अद्ययावत ब्राउझर वापरा (किंवा इंटरनेट एक्सप्लोररमध्ये सुसंगतता मोड अक्षम करा).याव्यतिरिक्त, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही शैली आणि JavaScript शिवाय साइट दर्शवतो.
प्रति स्लाइड तीन लेख दर्शवणारे स्लाइडर.स्लाइड्समधून जाण्यासाठी मागील आणि पुढील बटणे वापरा किंवा प्रत्येक स्लाइडमधून जाण्यासाठी शेवटी स्लाइड कंट्रोलर बटणे वापरा.
ऑप्टिकल कोहेरेन्स टोमोग्राफिक अँजिओग्राफी (OCTA) ही रेटिनल वेसल्सच्या नॉन-इनवेसिव्ह व्हिज्युअलायझेशनसाठी एक नवीन पद्धत आहे.जरी OCTA मध्ये अनेक आशादायक क्लिनिकल ऍप्लिकेशन्स आहेत, तरीही प्रतिमा गुणवत्ता निश्चित करणे एक आव्हान आहे.आम्ही 134 रूग्णांच्या 347 स्कॅनमधून वरवरच्या केशिका प्लेक्सस प्रतिमांचे वर्गीकरण करण्यासाठी ImageNet सह पूर्वप्रशिक्षित ResNet152 न्यूरल नेटवर्क क्लासिफायर वापरून एक सखोल शिक्षण आधारित प्रणाली विकसित केली आहे.पर्यवेक्षित शिक्षण मॉडेलसाठी दोन स्वतंत्र रेटर्सद्वारे प्रतिमांचे खरे सत्य म्हणून व्यक्तिचलितपणे मूल्यांकन केले गेले.कारण क्लिनिकल किंवा संशोधन सेटिंग्जवर अवलंबून प्रतिमा गुणवत्तेची आवश्यकता भिन्न असू शकते, दोन मॉडेल प्रशिक्षित केले गेले, एक उच्च गुणवत्तेची प्रतिमा ओळखण्यासाठी आणि दुसरी कमी दर्जाची प्रतिमा ओळखण्यासाठी.आमचे न्यूरल नेटवर्क मॉडेल वक्र (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81) अंतर्गत उत्कृष्ट क्षेत्र दर्शविते, जे मशीनद्वारे नोंदवलेल्या सिग्नल पातळीपेक्षा लक्षणीयरीत्या चांगले आहे (AUC = 0.82, 95) % CI).0.77–0.86, \(\kappa\) = 0.52 आणि AUC = 0.78, 95% CI 0.73–0.83, \(\kappa\) = 0.27, अनुक्रमे).आमचा अभ्यास दर्शवितो की OCTA प्रतिमांसाठी लवचिक आणि मजबूत गुणवत्ता नियंत्रण पद्धती विकसित करण्यासाठी मशीन शिक्षण पद्धती वापरल्या जाऊ शकतात.
ऑप्टिकल कोहेरेन्स टोमोग्राफिक अँजिओग्राफी (ओसीटीए) हे ऑप्टिकल कोहेरेन्स टोमोग्राफी (ओसीटी) वर आधारित तुलनेने नवीन तंत्र आहे जे रेटिनल मायक्रोव्हॅस्क्युलेचरच्या गैर-आक्रमक व्हिज्युअलायझेशनसाठी वापरले जाऊ शकते.ओसीटीए रेटिनाच्या त्याच भागात वारंवार प्रकाशाच्या डाळींपासून परावर्तित नमुन्यांमधील फरक मोजते आणि त्यानंतर रंग किंवा इतर कॉन्ट्रास्ट एजंट्सचा आक्रमक वापर न करता रक्तवाहिन्या उघड करण्यासाठी पुनर्रचना मोजली जाऊ शकते.OCTA खोली-रिझोल्यूशन व्हॅस्कुलर इमेजिंग देखील सक्षम करते, ज्यामुळे डॉक्टरांना वरवरच्या आणि खोल वाहिन्यांच्या स्तरांची स्वतंत्रपणे तपासणी करता येते, कोरिओरेटिनल रोगामध्ये फरक करण्यास मदत होते.
हे तंत्र आश्वासक असले तरी, विश्वासार्ह प्रतिमा विश्लेषणासाठी प्रतिमा गुणवत्तेतील फरक हे एक मोठे आव्हान आहे, ज्यामुळे प्रतिमेचे स्पष्टीकरण कठीण होते आणि व्यापक क्लिनिकल अवलंबना प्रतिबंधित होते.OCTA अनेक सलग OCT स्कॅन वापरत असल्यामुळे, ते मानक OCT पेक्षा इमेज आर्टिफॅक्ट्ससाठी अधिक संवेदनशील आहे.बहुतेक व्यावसायिक OCTA प्लॅटफॉर्म सिग्नल स्ट्रेंथ (SS) किंवा कधीकधी सिग्नल स्ट्रेंथ इंडेक्स (SSI) नावाचे स्वतःचे इमेज क्वालिटी मेट्रिक प्रदान करतात.तथापि, उच्च SS किंवा SSI मूल्य असलेल्या प्रतिमा प्रतिमा कलाकृतींच्या अनुपस्थितीची हमी देत ​​नाही, ज्यामुळे कोणत्याही नंतरच्या प्रतिमा विश्लेषणावर परिणाम होऊ शकतो आणि चुकीचे क्लिनिकल निर्णय होऊ शकतात.OCTA इमेजिंगमध्ये येऊ शकणाऱ्या सामान्य इमेज आर्टिफॅक्ट्समध्ये मोशन आर्टिफॅक्ट्स, सेगमेंटेशन आर्टिफॅक्ट्स, मीडिया अपारदर्शक आर्टिफॅक्ट्स आणि प्रोजेक्शन आर्टिफॅक्ट्स 1,2,3 यांचा समावेश होतो.
OCTA-व्युत्पन्न उपाय जसे की संवहनी घनता अनुवादात्मक संशोधन, क्लिनिकल चाचण्या आणि क्लिनिकल प्रॅक्टिसमध्ये वाढत्या प्रमाणात वापरल्या जात असल्याने, प्रतिमा कलाकृती काढून टाकण्यासाठी मजबूत आणि विश्वासार्ह प्रतिमा गुणवत्ता नियंत्रण प्रक्रिया विकसित करण्याची तातडीची गरज आहे.स्किप कनेक्शन्स, ज्यांना रेसिड्यूअल कनेक्शन असेही म्हणतात, हे न्यूरल नेटवर्क आर्किटेक्चरमधील प्रोजेक्शन आहेत जे विविध स्केल किंवा रिझोल्यूशनवर माहिती संचयित करताना कॉन्व्होल्युशनल लेयरला बायपास करण्याची परवानगी देतात.कारण प्रतिमा कलाकृती लहान-प्रमाणावर आणि सामान्य मोठ्या-प्रमाणातील प्रतिमा कार्यक्षमतेवर परिणाम करू शकतात, स्किप-कनेक्शन न्यूरल नेटवर्क हे गुणवत्ता नियंत्रण कार्य 5 स्वयंचलित करण्यासाठी योग्य आहेत.अलीकडे प्रकाशित केलेल्या कामाने मानवी अंदाजकर्त्यांकडील उच्च दर्जाचा डेटा वापरून प्रशिक्षित केलेल्या खोल कंव्होल्युशनल न्यूरल नेटवर्कसाठी काही आश्वासने दर्शविली आहेत.
या अभ्यासात, OCTA प्रतिमांची गुणवत्ता आपोआप निर्धारित करण्यासाठी आम्ही कनेक्शन-वगळण्याचं कन्व्होल्युशनल न्यूरल नेटवर्क प्रशिक्षित करतो.उच्च गुणवत्तेच्या प्रतिमा आणि कमी गुणवत्तेच्या प्रतिमा ओळखण्यासाठी आम्ही पूर्वीच्या कामावर आधारित आहोत, कारण विशिष्ट क्लिनिकल किंवा संशोधन परिस्थितींसाठी प्रतिमा गुणवत्ता आवश्यकता भिन्न असू शकतात.सखोल शिक्षणामध्ये ग्रॅन्युलॅरिटीच्या अनेक स्तरांवर वैशिष्ट्यांचा समावेश करण्याच्या मूल्याचे मूल्यमापन करण्यासाठी आम्ही या नेटवर्कच्या परिणामांची तुलना गहाळ कनेक्शनशिवाय कंव्होल्युशनल न्यूरल नेटवर्कशी करतो.त्यानंतर आम्ही आमच्या परिणामांची तुलना निर्मात्यांद्वारे प्रदान केलेल्या प्रतिमेच्या गुणवत्तेचे सामान्यतः स्वीकारले जाणारे माप सिग्नल सामर्थ्याशी केली.
आमच्या अभ्यासामध्ये 11 ऑगस्ट 2017 आणि 11 एप्रिल 2019 दरम्यान येल आय सेंटरमध्ये उपस्थित राहिलेल्या मधुमेह असलेल्या रुग्णांचा समावेश होता. कोणत्याही गैर-मधुमेहाच्या कोरिओरेटिनल रोगाच्या रुग्णांना वगळण्यात आले होते.वय, लिंग, वंश, प्रतिमा गुणवत्ता किंवा इतर कोणत्याही घटकांवर आधारित कोणताही समावेश किंवा अपवर्जन निकष नव्हते.
Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) वर AngioPlex प्लॅटफॉर्म वापरून OCTA प्रतिमा 8\(\times\)8 mm आणि 6\(\times\)6 mm इमेजिंग प्रोटोकॉल अंतर्गत मिळवल्या गेल्या.अभ्यासातील सहभागासाठी माहितीपूर्ण संमती प्रत्येक अभ्यास सहभागीकडून प्राप्त केली गेली आणि येल युनिव्हर्सिटी इन्स्टिट्यूशनल रिव्ह्यू बोर्ड (IRB) ने या सर्व रूग्णांसाठी जागतिक फोटोग्राफीसह माहितीपूर्ण संमतीचा वापर करण्यास मान्यता दिली.हेलसिंकीच्या घोषणेच्या तत्त्वांचे पालन करणे.अभ्यास येल विद्यापीठ IRB द्वारे मंजूर करण्यात आला.
पूर्वी वर्णन केलेल्या मोशन आर्टिफॅक्ट स्कोअर (MAS), पूर्वी वर्णन केलेले सेगमेंटेशन आर्टिफॅक्ट स्कोअर (SAS), फोव्हल सेंटर, मीडिया अपारदर्शकता आणि लहान केशिकांचे चांगले व्हिज्युअलायझेशन प्रतिमा मूल्यांकनकर्त्याद्वारे निर्धारित केल्यानुसार पृष्ठभाग प्लेट प्रतिमांचे मूल्यांकन केले गेले.दोन स्वतंत्र मूल्यांकनकर्त्यांद्वारे (आरडी आणि जेडब्ल्यू) प्रतिमांचे विश्लेषण केले गेले.खालील सर्व निकषांची पूर्तता केल्यास प्रतिमेला 2 (पात्र) ची श्रेणीबद्ध स्कोअर आहे: प्रतिमा फोव्हियावर केंद्रित आहे (प्रतिमेच्या मध्यभागी 100 पिक्सेलपेक्षा कमी), MAS 1 किंवा 2 आहे, SAS 1 आहे आणि मीडिया अपारदर्शकता 1 पेक्षा कमी आहे. आकार / 16 च्या प्रतिमांवर उपस्थित आहे आणि 15/16 पेक्षा मोठ्या प्रतिमांमध्ये लहान केशिका दिसतात.खालीलपैकी कोणतेही निकष पूर्ण केले असल्यास प्रतिमेला 0 (रेटिंग नाही) रेट केले जाते: प्रतिमा केंद्राबाहेर असेल, MAS 4 असल्यास, SAS 2 असल्यास, किंवा सरासरी अपारदर्शकता प्रतिमेच्या 1/4 पेक्षा जास्त असेल आणि लहान केशिका वेगळे करण्यासाठी 1 प्रतिमा /4 पेक्षा जास्त समायोजित केल्या जाऊ शकत नाहीत.इतर सर्व प्रतिमा ज्या स्कोअरिंग निकष 0 किंवा 2 पूर्ण करत नाहीत त्यांना 1 (क्लिपिंग) म्हणून स्कोअर केले जाते.
अंजीर वर.1 प्रत्येक मोजलेल्या अंदाजांसाठी आणि प्रतिमा कलाकृतींसाठी नमुना प्रतिमा दर्शविते.कोहेनच्या कप्पा वेटिंग8 द्वारे वैयक्तिक स्कोअरच्या इंटर-रेटर विश्वासार्हतेचे मूल्यांकन केले गेले.प्रत्येक रेटरच्या वैयक्तिक स्कोअरची बेरीज प्रत्येक प्रतिमेसाठी एकूण स्कोअर मिळवण्यासाठी केली जाते, 0 ते 4 पर्यंत. एकूण 4 गुण असलेल्या प्रतिमा चांगल्या मानल्या जातात.एकूण 0 किंवा 1 गुण असलेल्या प्रतिमा कमी दर्जाच्या मानल्या जातात.
इमेजनेट डेटाबेसमधील प्रतिमांवर पूर्व-प्रशिक्षित ResNet152 आर्किटेक्चर कॉन्व्होल्युशनल न्यूरल नेटवर्क (Fig. 3A.i) हे fast.ai आणि PyTorch फ्रेमवर्क 5, 9, 10, 11 वापरून तयार केले गेले. कन्व्होल्युशनल न्यूरल नेटवर्क हे असे नेटवर्क आहे जे शिकलेल्यांचा वापर करते. स्थानिक आणि स्थानिक वैशिष्ट्यांचा अभ्यास करण्यासाठी प्रतिमा तुकड्यांना स्कॅन करण्यासाठी फिल्टर.आमचे प्रशिक्षित ResNet एक 152-लेयर न्यूरल नेटवर्क आहे जे अंतर किंवा "अवशिष्ट कनेक्शन" द्वारे वैशिष्ट्यीकृत आहे जे एकाच वेळी एकाधिक रिझोल्यूशनसह माहिती प्रसारित करते.नेटवर्कवर वेगवेगळ्या रिझोल्यूशनवर माहिती प्रक्षेपित करून, प्लॅटफॉर्म कमी-गुणवत्तेच्या प्रतिमांची वैशिष्ट्ये अनेक स्तरांवर तपशीलवार शिकू शकतो.आमच्या ResNet मॉडेलच्या व्यतिरिक्त, आम्ही तुलना करण्यासाठी गहाळ कनेक्शन न ठेवता AlexNet, एक चांगला अभ्यास केलेला न्यूरल नेटवर्क आर्किटेक्चर देखील प्रशिक्षित केले (आकृती 3A.ii)12.गहाळ कनेक्शनशिवाय, हे नेटवर्क उच्च ग्रॅन्युलॅरिटीवर वैशिष्ट्ये कॅप्चर करण्यात सक्षम होणार नाही.
मूळ 8\(\times\)8mm OCTA13 प्रतिमा संच क्षैतिज आणि उभ्या परावर्तन तंत्रांचा वापर करून वर्धित केले गेले आहे.संपूर्ण डेटासेट यादृच्छिकपणे प्रतिमा स्तरावर प्रशिक्षण (51.2%), चाचणी (12.8%), हायपरपॅरामीटर ट्यूनिंग (16%), आणि प्रमाणीकरण (20%) डेटासेटमध्ये स्किट-लर्न टूलबॉक्स पायथन14 वापरून विभाजित केले गेले.दोन प्रकरणे विचारात घेतली गेली, एक केवळ उच्च गुणवत्तेच्या प्रतिमा (एकूण स्कोअर 4) शोधण्यावर आधारित आणि दुसरे फक्त सर्वात कमी गुणवत्तेच्या प्रतिमा शोधण्यावर आधारित (एकूण गुण 0 किंवा 1).प्रत्येक उच्च-गुणवत्तेच्या आणि निम्न-गुणवत्तेच्या वापरासाठी, आमच्या इमेज डेटावर एकदा न्यूरल नेटवर्क पुन्हा प्रशिक्षित केले जाते.प्रत्येक वापराच्या बाबतीत, न्यूरल नेटवर्कला 10 युगांसाठी प्रशिक्षित केले गेले, सर्वोच्च स्तरावरील वजनांशिवाय सर्व गोठवले गेले आणि क्रॉस-एंट्रोपी लॉस फंक्शन 15 सह भेदभावात्मक शिक्षण दर पद्धत वापरून सर्व अंतर्गत पॅरामीटर्सचे वजन 40 युगांसाठी शिकले गेले. 16..क्रॉस एन्ट्रॉपी लॉस फंक्शन हे अंदाजित नेटवर्क लेबल्स आणि वास्तविक डेटामधील विसंगतीच्या लॉगरिदमिक स्केलचे मोजमाप आहे.प्रशिक्षणादरम्यान, नुकसान कमी करण्यासाठी न्यूरल नेटवर्कच्या अंतर्गत पॅरामीटर्सवर ग्रेडियंट डिसेंट केले जाते.2 यादृच्छिक प्रारंभ बिंदू आणि 10 पुनरावृत्तीसह बायेसियन ऑप्टिमायझेशन वापरून शिक्षण दर, ड्रॉपआउट दर आणि वजन कमी करण्याचे हायपरपॅरामीटर ट्यून केले गेले आणि डेटासेटवरील AUC 17 चे लक्ष्य म्हणून हायपरपॅरामीटर वापरून ट्यून केले गेले.
वरवरच्या केशिका प्लेक्ससच्या 8 × 8 मिमी OCTA प्रतिमांची प्रातिनिधिक उदाहरणे 2 (A, B), 1 (C, D), आणि 0 (E, F).दाखवलेल्या इमेज आर्टिफॅक्ट्समध्ये फ्लिकरिंग लाईन्स (बाण), सेगमेंटेशन आर्टिफॅक्ट्स (एस्टेरिस्क) आणि मीडिया अपारदर्शकता (बाण) समाविष्ट आहेत.प्रतिमा (E) देखील केंद्राबाहेर आहे.
रिसीव्हर ऑपरेटिंग वैशिष्ट्ये (ROC) वक्र नंतर सर्व न्यूरल नेटवर्क मॉडेल्ससाठी व्युत्पन्न केले जातात आणि प्रत्येक निम्न-गुणवत्तेच्या आणि उच्च-गुणवत्तेच्या वापराच्या केससाठी इंजिन सिग्नल सामर्थ्य अहवाल व्युत्पन्न केले जातात.वक्र अंतर्गत क्षेत्र (AUC) ची गणना pROC R पॅकेज वापरून केली गेली आणि 95% आत्मविश्वास अंतराल आणि p-मूल्ये DeLong पद्धत 18,19 वापरून मोजली गेली.मानवी रेटर्सचे एकत्रित स्कोअर सर्व ROC गणनेसाठी आधाररेखा म्हणून वापरले जातात.मशीनद्वारे नोंदवलेल्या सिग्नल सामर्थ्यासाठी, AUC ची दोनदा गणना केली गेली: एकदा उच्च गुणवत्तेच्या स्केलेबिलिटी स्कोअर कटऑफसाठी आणि एकदा कमी गुणवत्तेच्या स्केलेबिलिटी स्कोअर कटऑफसाठी.न्यूरल नेटवर्कची तुलना एयूसी सिग्नल सामर्थ्याशी केली जाते जी स्वतःचे प्रशिक्षण आणि मूल्यांकन परिस्थिती प्रतिबिंबित करते.
वेगळ्या डेटासेटवर प्रशिक्षित सखोल शिक्षण मॉडेलची पुढील चाचणी करण्यासाठी, येल विद्यापीठातून संकलित केलेल्या 32 पूर्ण चेहरा 6\(\times\) 6 मिमी पृष्ठभागाच्या स्लॅब प्रतिमांच्या कार्यप्रदर्शन मूल्यमापनासाठी उच्च गुणवत्ता आणि निम्न दर्जाचे मॉडेल थेट लागू केले गेले.डोळ्याचे वस्तुमान 8 \(\times \) 8 मिमीच्या प्रतिमेप्रमाणेच मध्यभागी आहे.6\(\×\) 6 मिमी प्रतिमांचे 8\(\×\) 8 मिमी प्रतिमांप्रमाणेच समान रेटर्स (RD आणि JW) द्वारे व्यक्तिचलितपणे मूल्यांकन केले गेले, AUC तसेच अचूकता आणि कोहेनच्या कप्पाची गणना केली गेली. .तितकेच
निम्न दर्जाच्या मॉडेलसाठी वर्ग असमतोल गुणोत्तर 158:189 (\(\rho = 1.19\)) आणि उच्च दर्जाच्या मॉडेलसाठी 80:267 (\(\rho = 3.3\)) आहे.वर्ग असमतोल गुणोत्तर 1:4 पेक्षा कमी असल्यामुळे, वर्ग असमतोल 20,21 दुरुस्त करण्यासाठी कोणतेही विशिष्ट वास्तुशास्त्रीय बदल केले गेले नाहीत.
शिकण्याच्या प्रक्रियेचे अधिक चांगल्या प्रकारे कल्पना करण्यासाठी, चारही प्रशिक्षित सखोल शिक्षण मॉडेल्ससाठी वर्ग सक्रियकरण नकाशे तयार केले गेले: उच्च दर्जाचे ResNet152 मॉडेल, कमी दर्जाचे ResNet152 मॉडेल, उच्च दर्जाचे AlexNet मॉडेल आणि कमी दर्जाचे AlexNet मॉडेल.या चार मॉडेल्सच्या इनपुट कन्व्होल्युशनल लेयर्समधून क्लास ॲक्टिव्हेशन नकाशे तयार केले जातात आणि 8 × 8 मिमी आणि 6 × 6 मिमी प्रमाणीकरण सेट 22, 23 मधील स्त्रोत प्रतिमांसह सक्रियकरण नकाशे आच्छादित करून उष्णता नकाशे तयार केले जातात.
R आवृत्ती 4.0.3 सर्व सांख्यिकीय गणनेसाठी वापरली गेली आणि ggplot2 ग्राफिक्स टूल लायब्ररी वापरून व्हिज्युअलायझेशन तयार केले गेले.
आम्ही 134 लोकांकडून 8 \(\times \)8 मिमी मोजणाऱ्या वरवरच्या केशिका प्लेक्ससच्या 347 समोरच्या प्रतिमा गोळा केल्या.मशीनने सर्व प्रतिमांसाठी 0 ते 10 च्या स्केलवर सिग्नल सामर्थ्य नोंदवले (अर्थ = 6.99 ± 2.29).प्राप्त केलेल्या 347 प्रतिमांपैकी, परीक्षेत सरासरी वय 58.7 ± 14.6 वर्षे होते आणि 39.2% पुरुष रुग्णांचे होते.सर्व प्रतिमांपैकी 30.8% कॉकेशियन, 32.6% कृष्णवर्णीय, 30.8% हिस्पॅनिक, 4% आशियाई आणि 1.7% इतर वंशातील (टेबल 1).).OCTA असलेल्या रूग्णांचे वय वितरण प्रतिमेच्या गुणवत्तेवर (p <0.001) अवलंबून लक्षणीय भिन्न होते.18-45 वर्षे वयोगटातील तरुण रुग्णांमध्ये उच्च-गुणवत्तेच्या प्रतिमांची टक्केवारी 12.2% कमी-गुणवत्तेच्या प्रतिमांच्या तुलनेत 33.8% होती (तक्ता 1).डायबेटिक रेटिनोपॅथी स्थितीचे वितरण देखील प्रतिमेच्या गुणवत्तेत लक्षणीय बदलते (p <0.017).सर्व उच्च गुणवत्तेच्या प्रतिमांमध्ये, पीडीआर असलेल्या रूग्णांची टक्केवारी 18.8% सर्व कमी गुणवत्तेच्या प्रतिमांच्या 38.8% च्या तुलनेत (टेबल 1) होती.
सर्व प्रतिमांच्या वैयक्तिक रेटिंगने प्रतिमा वाचणाऱ्या लोकांमध्ये मध्यम ते मजबूत आंतर-रेटिंग विश्वासार्हता दर्शविली (कोहेनचे वेटेड कप्पा = 0.79, 95% CI: 0.76-0.82), आणि असे कोणतेही इमेज पॉइंट नव्हते जेथे रेटर्स 1 पेक्षा जास्त भिन्न असतील (चित्र. 2A)..मॅन्युअल स्कोअरिंगसह सिग्नलची तीव्रता लक्षणीयरीत्या परस्परसंबंधित आहे (पीअरसन उत्पादन क्षण सहसंबंध = 0.58, 95% CI 0.51–0.65, p<0.001), परंतु अनेक प्रतिमा उच्च सिग्नल तीव्रता परंतु कमी मॅन्युअल स्कोअरिंग (चित्र .2B) म्हणून ओळखल्या गेल्या.
ResNet152 आणि AlexNet आर्किटेक्चर्सच्या प्रशिक्षणादरम्यान, प्रमाणीकरण आणि प्रशिक्षणावरील क्रॉस-एंट्रॉपी हानी 50 युगांपेक्षा जास्त (आकृती 3B,C) कमी होते.अंतिम प्रशिक्षण युगात प्रमाणीकरण अचूकता उच्च दर्जाची आणि कमी दर्जाची दोन्ही प्रकरणांसाठी 90% पेक्षा जास्त आहे.
रिसीव्हर कार्यप्रदर्शन वक्र दर्शविते की ResNet152 मॉडेल कमी आणि उच्च गुणवत्तेच्या वापराच्या दोन्ही प्रकरणांमध्ये (p < 0.001) मशीनद्वारे नोंदवलेल्या सिग्नल पॉवरपेक्षा लक्षणीय कामगिरी करते.ResNet152 मॉडेल देखील AlexNet आर्किटेक्चर (अनुक्रमे p = 0.005 आणि p = 0.014 कमी गुणवत्तेसाठी आणि उच्च गुणवत्तेच्या प्रकरणांसाठी) लक्षणीयरित्या मागे टाकते.या प्रत्येक कार्यासाठी परिणामी मॉडेल्स अनुक्रमे 0.99 आणि 0.97 ची AUC मूल्ये प्राप्त करण्यास सक्षम होते, जे मशीन सिग्नल सामर्थ्य निर्देशांकासाठी 0.82 आणि 0.78 च्या संबंधित AUC मूल्यांपेक्षा किंवा AlexNet साठी 0.97 आणि 0.94 पेक्षा लक्षणीय आहे. ..(चित्र 3).उच्च गुणवत्तेच्या प्रतिमा ओळखताना ResNet आणि AUC मधील सिग्नल सामर्थ्यामध्ये फरक जास्त असतो, जे या कार्यासाठी ResNet वापरण्याचे अतिरिक्त फायदे दर्शवितात.
आलेख प्रत्येक स्वतंत्र रेटरची स्कोअर करण्याची आणि मशीनद्वारे नोंदवलेल्या सिग्नल सामर्थ्याशी तुलना करण्याची क्षमता दर्शवतात.(अ) मूल्यमापन करायच्या गुणांची बेरीज मूल्यमापन करण्याच्या एकूण गुणांची संख्या तयार करण्यासाठी वापरली जाते.4 च्या एकूण स्केलेबिलिटी स्कोअरसह प्रतिमा उच्च दर्जाच्या नियुक्त केल्या जातात, तर 1 किंवा त्यापेक्षा कमी स्केलेबिलिटी स्कोअर असलेल्या प्रतिमा कमी दर्जाच्या नियुक्त केल्या जातात.(ब) सिग्नलची तीव्रता मॅन्युअल अंदाजांशी संबंधित आहे, परंतु उच्च सिग्नल तीव्रतेच्या प्रतिमा खराब गुणवत्तेच्या असू शकतात.लाल ठिपके असलेली रेषा निर्मात्याने सिग्नल सामर्थ्य (सिग्नल सामर्थ्य \(\ge\)6) वर आधारित शिफारस केलेली गुणवत्ता उंबरठा दर्शवते.
ResNet ट्रान्सफर लर्निंग मशीन-रिपोर्टेड सिग्नल पातळीच्या तुलनेत कमी दर्जाच्या आणि उच्च दर्जाच्या वापराच्या दोन्ही प्रकरणांसाठी प्रतिमा गुणवत्ता ओळख मध्ये लक्षणीय सुधारणा प्रदान करते.(A) पूर्व-प्रशिक्षित (i) ResNet152 आणि (ii) AlexNet आर्किटेक्चर्सचे सरलीकृत आर्किटेक्चर आकृती.(B) ResNet152 साठी प्रशिक्षण इतिहास आणि प्राप्तकर्ता कार्यप्रदर्शन वक्र मशीनने नोंदवलेले सिग्नल सामर्थ्य आणि AlexNet कमी गुणवत्तेच्या निकषांच्या तुलनेत.(C) ResNet152 रिसीव्हर प्रशिक्षण इतिहास आणि कार्यप्रदर्शन वक्र मशीनने नोंदवलेले सिग्नल सामर्थ्य आणि AlexNet उच्च गुणवत्तेच्या निकषांच्या तुलनेत.
निर्णय सीमा थ्रेशोल्ड समायोजित केल्यानंतर, ResNet152 मॉडेलची कमाल अंदाज अचूकता कमी दर्जाच्या केससाठी 95.3% आणि उच्च गुणवत्तेच्या केससाठी 93.5% आहे (टेबल 2).AlexNet मॉडेलची कमाल अंदाज अचूकता कमी दर्जाच्या केससाठी 91.0% आणि उच्च दर्जाच्या केससाठी 90.1% आहे (टेबल 2).कमाल सिग्नल शक्ती अंदाज अचूकता कमी दर्जाच्या वापर केससाठी 76.1% आणि उच्च दर्जाच्या वापर केससाठी 77.8% आहे.कोहेनच्या कप्पा (\(\kappa\)) नुसार, ResNet152 मॉडेल आणि अंदाजकर्त्यांमधील करार हा कमी दर्जाच्या केससाठी 0.90 आणि उच्च दर्जाच्या केससाठी 0.81 आहे.कोहेनचे ॲलेक्सनेट कप्पा कमी दर्जाच्या आणि उच्च दर्जाच्या वापरासाठी अनुक्रमे 0.82 आणि 0.71 आहे.कमी आणि उच्च दर्जाच्या वापर प्रकरणांसाठी कोहेनची सिग्नल स्ट्रेंथ कप्पा अनुक्रमे 0.52 आणि 0.27 आहे.
6 मिमी फ्लॅट प्लेटच्या 6\(\x\) प्रतिमांवर उच्च आणि निम्न दर्जाच्या ओळख मॉडेलचे प्रमाणीकरण विविध इमेजिंग पॅरामीटर्समध्ये प्रतिमा गुणवत्ता निर्धारित करण्यासाठी प्रशिक्षित मॉडेलची क्षमता दर्शवते.इमेजिंग गुणवत्तेसाठी 6\(\x\) 6 मिमी उथळ स्लॅब वापरताना, कमी दर्जाच्या मॉडेलचे AUC 0.83 होते (95% CI: 0.69–0.98) आणि उच्च गुणवत्तेच्या मॉडेलचे AUC 0.85 होते.(95% CI: 0.55–1.00) (टेबल 2).
इनपुट लेयर क्लास ॲक्टिव्हेशन मॅपच्या व्हिज्युअल तपासणीने दर्शविले की सर्व प्रशिक्षित न्यूरल नेटवर्क्सने प्रतिमा वर्गीकरणादरम्यान प्रतिमा वैशिष्ट्यांचा वापर केला (चित्र 4A, B).8 \(\times \) 8 मिमी आणि 6 \(\times \) 6 मिमी प्रतिमांसाठी, ResNet सक्रियकरण प्रतिमा रेटिनल व्हॅस्क्युलेचरचे जवळून पालन करतात.ॲलेक्सनेट ॲक्टिव्हेशन नकाशे देखील रेटिनल वेसल्सचे अनुसरण करतात, परंतु खडबडीत रिझोल्यूशनसह.
ResNet152 आणि AlexNet मॉडेल्ससाठी वर्ग सक्रियकरण नकाशे प्रतिमा गुणवत्तेशी संबंधित वैशिष्ट्ये हायलाइट करतात.(A) 8 \(\times \) 8 मिमी प्रमाणीकरण प्रतिमांवर आणि (B) लहान 6 \(\times \) 6 मिमी प्रमाणीकरण प्रतिमांवर विस्तारित रेटिनल व्हॅस्क्युलेचर नंतर सुसंगत सक्रियता दर्शवणारा वर्ग सक्रियकरण नकाशा.LQ मॉडेल कमी दर्जाच्या निकषांवर प्रशिक्षित, HQ मॉडेल उच्च दर्जाच्या निकषांवर प्रशिक्षित.
हे पूर्वी दर्शविले गेले आहे की प्रतिमा गुणवत्तेचा OCTA प्रतिमांच्या कोणत्याही परिमाणावर मोठ्या प्रमाणात परिणाम होऊ शकतो.याव्यतिरिक्त, रेटिनोपॅथीची उपस्थिती इमेज आर्टिफॅक्ट्स 7,26 च्या घटना वाढवते.खरं तर, आमच्या डेटामध्ये, मागील अभ्यासांशी सुसंगत, आम्हाला वाढत्या वय आणि रेटिनल रोगाची तीव्रता आणि प्रतिमेच्या गुणवत्तेतील बिघाड (पी <0.001, p = 0.017 वय आणि DR स्थिती, अनुक्रमे; तक्ता 1) 27 यांच्यात एक महत्त्वपूर्ण संबंध आढळला. त्यामुळे, OCTA प्रतिमांचे कोणतेही परिमाणात्मक विश्लेषण करण्यापूर्वी प्रतिमेच्या गुणवत्तेचे मूल्यांकन करणे महत्वाचे आहे.OCTA प्रतिमांचे विश्लेषण करणारे बहुतेक अभ्यास कमी दर्जाच्या प्रतिमा नाकारण्यासाठी मशीन-रिपोर्टेड सिग्नल तीव्रता थ्रेशोल्ड वापरतात.जरी सिग्नलची तीव्रता OCTA पॅरामीटर्सच्या परिमाणावर परिणाम करत असल्याचे दर्शविले गेले असले तरी, इमेज आर्टिफॅक्ट्स 2,3,28,29 सह इमेज नाकारण्यासाठी केवळ उच्च सिग्नल तीव्रता पुरेशी असू शकत नाही.म्हणून, प्रतिमा गुणवत्ता नियंत्रणाची अधिक विश्वासार्ह पद्धत विकसित करणे आवश्यक आहे.यासाठी, आम्ही मशीनद्वारे नोंदवलेल्या सिग्नल शक्तीच्या विरूद्ध पर्यवेक्षित सखोल शिक्षण पद्धतींच्या कार्यप्रदर्शनाचे मूल्यमापन करतो.
आम्ही प्रतिमा गुणवत्तेचे मूल्यांकन करण्यासाठी अनेक मॉडेल्स विकसित केली आहेत कारण भिन्न OCTA वापर प्रकरणांमध्ये भिन्न प्रतिमा गुणवत्ता आवश्यकता असू शकतात.उदाहरणार्थ, प्रतिमा उच्च दर्जाच्या असाव्यात.याव्यतिरिक्त, व्याजाचे विशिष्ट परिमाणात्मक मापदंड देखील महत्त्वाचे आहेत.उदाहरणार्थ, फोव्हल एव्हस्कुलर झोनचे क्षेत्र मध्यभागी नसलेल्या माध्यमाच्या टर्बिडिटीवर अवलंबून नसते, परंतु वाहिन्यांच्या घनतेवर परिणाम करते.आमचे संशोधन प्रतिमेच्या गुणवत्तेसाठी सामान्य दृष्टिकोनावर लक्ष केंद्रित करत असताना, कोणत्याही विशिष्ट चाचणीच्या आवश्यकतांशी जोडलेले नाही, परंतु मशीनद्वारे नोंदवलेले सिग्नल सामर्थ्य थेट पुनर्स्थित करण्याच्या उद्देशाने आहे, आम्ही वापरकर्त्यांना अधिक प्रमाणात नियंत्रण देण्याची आशा करतो जेणेकरून ते वापरकर्त्याच्या आवडीचे विशिष्ट मेट्रिक निवडू शकतात.स्वीकार्य मानल्या जाणाऱ्या इमेज आर्टिफॅक्ट्सच्या कमाल डिग्रीशी सुसंगत मॉडेल निवडा.
कमी-गुणवत्तेच्या आणि उच्च-गुणवत्तेच्या दृश्यांसाठी, आम्ही अनुक्रमे 0.97 आणि 0.99 च्या AUC आणि कमी-गुणवत्तेच्या मॉडेलसह, कनेक्शन-गहाळ असलेल्या डीप कॉन्व्होल्युशनल न्यूरल नेटवर्क्सची उत्कृष्ट कामगिरी दाखवतो.केवळ मशीनद्वारे नोंदवलेल्या सिग्नल पातळीच्या तुलनेत आम्ही आमच्या सखोल शिक्षण पद्धतीची उत्कृष्ट कामगिरी देखील प्रदर्शित करतो.वगळा कनेक्शनमुळे न्यूरल नेटवर्कला तपशीलाच्या अनेक स्तरांवर वैशिष्ट्ये शिकण्याची परवानगी मिळते, प्रतिमांचे बारीकसारीक पैलू (उदा. कॉन्ट्रास्ट) तसेच सामान्य वैशिष्ट्ये (उदा. प्रतिमा केंद्रस्थानी 30,31) कॅप्चर करणे.प्रतिमेच्या गुणवत्तेवर परिणाम करणाऱ्या प्रतिमा कलाकृती बहुधा विस्तृत श्रेणीत चांगल्या प्रकारे ओळखल्या जातात, गहाळ कनेक्शनसह न्यूरल नेटवर्क आर्किटेक्चर्स प्रतिमा गुणवत्ता निर्धारण कार्य नसलेल्यांपेक्षा चांगले कार्यप्रदर्शन दर्शवू शकतात.
आमच्या मॉडेलची 6\(\×6mm) OCTA प्रतिमांवर चाचणी करताना, वर्गीकरणासाठी प्रशिक्षित केलेल्या मॉडेलच्या आकाराच्या तुलनेत उच्च दर्जाच्या आणि निम्न दर्जाच्या दोन्ही मॉडेल्ससाठी (चित्र 2) वर्गीकरण कार्यक्षमतेत घट झाल्याचे आमच्या लक्षात आले.ResNet मॉडेलच्या तुलनेत, AlexNet मॉडेलमध्ये मोठा फॉलऑफ आहे.ResNet चे तुलनेने चांगले कार्यप्रदर्शन बहुविध स्केलवर माहिती प्रसारित करण्याच्या अवशिष्ट कनेक्शनच्या क्षमतेमुळे असू शकते, जे भिन्न स्केल आणि/किंवा मॅग्निफिकेशन्सवर कॅप्चर केलेल्या प्रतिमांचे वर्गीकरण करण्यासाठी मॉडेल अधिक मजबूत बनवते.
8 \(\×\) 8 मिमी प्रतिमा आणि 6 \(\×\) 6 मिमी प्रतिमांमधील काही फरक खराब वर्गीकरणास कारणीभूत ठरू शकतात, ज्यामध्ये फोव्हल अव्हस्कुलर क्षेत्रे असलेल्या प्रतिमांचे तुलनेने उच्च प्रमाण, दृश्यमानतेतील बदल, संवहनी आर्केड्स आणि 6×6 मिमी इमेजवर ऑप्टिक मज्जातंतू नाही.असे असूनही, आमचे उच्च गुणवत्तेचे ResNet मॉडेल 6 \(\x\) 6 मिमी प्रतिमांसाठी 85% एयूसी प्राप्त करण्यास सक्षम होते, एक कॉन्फिगरेशन ज्यासाठी मॉडेल प्रशिक्षित नव्हते, हे सूचित करते की प्रतिमा गुणवत्ता माहिती न्यूरल नेटवर्कमध्ये एन्कोड केलेली आहे. योग्य आहे.प्रशिक्षणाच्या बाहेर एक प्रतिमा आकार किंवा मशीन कॉन्फिगरेशनसाठी (तक्ता 2).आश्वस्तपणे, 8 \(\times \) 8 mm आणि 6 \(\times \) 6 mm प्रतिमांचे ResNet- आणि AlexNet-सारखे सक्रियकरण नकाशे दोन्ही प्रकरणांमध्ये रेटिनल वेसल्स हायलाइट करण्यात सक्षम होते, हे सूचित करते की मॉडेलमध्ये महत्त्वाची माहिती आहे.दोन्ही प्रकारच्या OCTA प्रतिमांचे वर्गीकरण करण्यासाठी लागू आहेत (चित्र 4).
Lauerman et al.OCTA प्रतिमांवरील प्रतिमा गुणवत्तेचे मूल्यमापन असेच इनसेप्शन आर्किटेक्चर वापरून केले गेले, दुसरे स्किप-कनेक्शन कॉन्व्होल्युशनल न्यूरल नेटवर्क 6,32 डीप लर्निंग तंत्र वापरून.त्यांनी हा अभ्यास वरवरच्या केशिका प्लेक्ससच्या प्रतिमांपुरता मर्यादित ठेवला, परंतु केवळ Optovue AngioVue मधील लहान 3×3 mm प्रतिमा वापरून, जरी विविध कोरिओरेटिनल रोग असलेल्या रुग्णांना देखील समाविष्ट केले गेले.आमचे कार्य विविध प्रतिमा गुणवत्तेचे थ्रेशोल्ड संबोधित करण्यासाठी आणि भिन्न आकारांच्या प्रतिमांसाठी परिणाम सत्यापित करण्यासाठी एकाधिक मॉडेल्ससह त्यांच्या पायावर तयार करते.आम्ही मशीन लर्निंग मॉडेल्सच्या AUC मेट्रिकचा देखील अहवाल देतो आणि कमी दर्जाच्या (96%) आणि उच्च दर्जाच्या (95.7%) मॉडेल्ससाठी त्यांची आधीच प्रभावी अचूकता (90%)6 वाढवतो.
या प्रशिक्षणाला अनेक मर्यादा आहेत.प्रथम, 8\(\times\)8 मिमी आणि 6\(\times\)6 मिमीच्या वरवरच्या केशिका प्लेक्ससच्या केवळ प्रतिमांसह केवळ एका OCTA मशीनने प्रतिमा मिळवल्या गेल्या.खोल स्तरांमधून प्रतिमा वगळण्याचे कारण म्हणजे प्रोजेक्शन आर्टिफॅक्ट्स प्रतिमांचे मॅन्युअल मूल्यांकन अधिक कठीण आणि शक्यतो कमी सुसंगत बनवू शकतात.शिवाय, प्रतिमा केवळ मधुमेही रूग्णांमध्येच प्राप्त झाल्या आहेत, ज्यांच्यासाठी OCTA हे एक महत्त्वाचे निदान आणि रोगनिदानविषयक साधन म्हणून उदयास येत आहे 33,34.परिणाम मजबूत असल्याची खात्री करण्यासाठी आम्ही आमच्या मॉडेलची वेगवेगळ्या आकारांच्या प्रतिमांवर चाचणी करू शकलो, तरीही आम्ही वेगवेगळ्या केंद्रांमधून योग्य डेटासेट ओळखू शकलो नाही, ज्यामुळे मॉडेलच्या सामान्यीकरणाचे आमचे मूल्यांकन मर्यादित होते.प्रतिमा केवळ एका केंद्रातून मिळवल्या गेल्या असल्या तरी, त्या वेगवेगळ्या वांशिक आणि वांशिक पार्श्वभूमीच्या रूग्णांकडून मिळवल्या गेल्या आहेत, जे आमच्या अभ्यासाचे एक अद्वितीय सामर्थ्य आहे.आमच्या प्रशिक्षण प्रक्रियेत विविधतेचा समावेश करून, आम्हाला आशा आहे की आमचे परिणाम व्यापक अर्थाने सामान्यीकृत केले जातील आणि आम्ही प्रशिक्षण देत असलेल्या मॉडेल्समध्ये वांशिक पूर्वाग्रहाचे एन्कोडिंग टाळू.
आमचा अभ्यास दर्शवितो की OCTA प्रतिमा गुणवत्ता निर्धारित करण्यात उच्च कार्यक्षमता प्राप्त करण्यासाठी कनेक्शन-वगळणे न्यूरल नेटवर्कला प्रशिक्षित केले जाऊ शकते.आम्ही हे मॉडेल पुढील संशोधनासाठी साधने म्हणून प्रदान करतो.कारण भिन्न मेट्रिक्समध्ये भिन्न प्रतिमा गुणवत्ता आवश्यकता असू शकतात, येथे स्थापित केलेली रचना वापरून प्रत्येक मेट्रिकसाठी वैयक्तिक गुणवत्ता नियंत्रण मॉडेल विकसित केले जाऊ शकते.
भविष्यातील संशोधनामध्ये OCTA प्लॅटफॉर्म आणि इमेजिंग प्रोटोकॉलवर सामान्यीकृत करता येणारी सखोल शिक्षण प्रतिमा गुणवत्ता मूल्यमापन प्रक्रिया प्राप्त करण्यासाठी वेगवेगळ्या खोलीतील वेगवेगळ्या आकाराच्या आणि वेगवेगळ्या OCTA मशीनच्या प्रतिमांचा समावेश असावा.सध्याचे संशोधन पर्यवेक्षित सखोल शिक्षण पद्धतींवर आधारित आहे ज्यासाठी मानवी मूल्यमापन आणि प्रतिमा मूल्यमापन आवश्यक आहे, जे मोठ्या डेटासेटसाठी श्रम-केंद्रित आणि वेळ घेणारे असू शकते.हे पाहणे बाकी आहे की पर्यवेक्षित नसलेल्या सखोल शिक्षण पद्धती कमी दर्जाच्या प्रतिमा आणि उच्च दर्जाच्या प्रतिमांमध्ये पुरेसा फरक करू शकतात का.
जसजसे OCTA तंत्रज्ञान विकसित होत आहे आणि स्कॅनिंगची गती वाढत आहे, तसतसे प्रतिमा कलाकृती आणि खराब दर्जाच्या प्रतिमांचे प्रमाण कमी होऊ शकते.सॉफ्टवेअरमधील सुधारणा, जसे की अलीकडेच सादर केलेले प्रोजेक्शन आर्टिफॅक्ट रिमूव्हल वैशिष्ट्य, या मर्यादा देखील कमी करू शकतात.तथापि, खराब फिक्सेशन किंवा लक्षणीय मीडिया टर्बिडिटी असलेल्या रूग्णांच्या इमेजिंगमुळे प्रतिमा कलाकृतींमध्ये नेहमीच परिणाम होतात म्हणून अनेक समस्या राहतात.क्लिनिकल चाचण्यांमध्ये OCTA अधिक प्रमाणात वापरला जात असल्याने, प्रतिमा विश्लेषणासाठी स्वीकार्य प्रतिमा आर्टिफॅक्ट स्तरांसाठी स्पष्ट मार्गदर्शक तत्त्वे स्थापित करण्यासाठी काळजीपूर्वक विचार करणे आवश्यक आहे.OCTA प्रतिमांवर सखोल शिक्षण पद्धतींचा वापर हे उत्तम आश्वासन देते आणि प्रतिमा गुणवत्ता नियंत्रणासाठी एक मजबूत दृष्टीकोन विकसित करण्यासाठी या क्षेत्रात पुढील संशोधन आवश्यक आहे.
सध्याच्या संशोधनात वापरलेला कोड octa-qc भांडारात उपलब्ध आहे, https://github.com/rahuldhodapkar/octa-qc.सध्याच्या अभ्यासादरम्यान व्युत्पन्न केलेले आणि/किंवा विश्लेषण केलेले डेटासेट संबंधित लेखकांकडून वाजवी विनंतीवर उपलब्ध आहेत.
स्पाइड, आरएफ, फुजीमोटो, जेजी आणि वाहिद, एनके इमेज आर्टिफॅक्ट्स इन ऑप्टिकल कोहेरेन्स अँजिओग्राफी.डोळयातील पडदा 35, 2163–2180 (2015).
फेनर, बीजे आणि इतर.OCT एंजियोग्राफीमध्ये रेटिनल केशिका प्लेक्सस घनता मापनांची गुणवत्ता आणि पुनरुत्पादनक्षमता निर्धारित करणाऱ्या इमेजिंग वैशिष्ट्यांची ओळख.बी.आर.जे. ऑप्थाल्मोल.102, 509–514 (2018).
लॉरमन, जेएल आणि इतर.वय-संबंधित मॅक्युलर डीजनरेशनमध्ये ओसीटी अँजिओग्राफीच्या प्रतिमा गुणवत्तेवर आय-ट्रॅकिंग तंत्रज्ञानाचा प्रभाव.कबर कमान.क्लिनिकलकालबाह्य.नेत्ररोगशास्त्र.२५५, १५३५–१५४२ (२०१७).
Babyuch AS et al.OCTA केशिका परफ्यूजन घनता मापांचा वापर मॅक्युलर इस्केमिया शोधण्यासाठी आणि मूल्यांकन करण्यासाठी केला जातो.नेत्ररोग शस्त्रक्रिया.रेटिना लेझर इमेजिंग 51, S30–S36 (2020).
हे, के., झांग, एक्स., रेन, एस., आणि सूर्य, जे. प्रतिमा ओळखण्यासाठी दीप अवशिष्ट शिक्षण.2016 मध्ये IEEE कॉन्फरन्स ऑन कॉम्प्युटर व्हिजन आणि पॅटर्न रेकग्निशन (2016).
लॉरमन, जेएल आणि इतर.डीप लर्निंग अल्गोरिदम वापरून स्वयंचलित OCT अँजिओग्राफिक प्रतिमा गुणवत्ता मूल्यांकन.कबर कमान.क्लिनिकलकालबाह्य.नेत्ररोगशास्त्र.२५७, १६४१–१६४८ (२०१९).
लॉरमन, जे. आणि इतर.ओसीटी अँजिओग्राफीमध्ये सेगमेंटेशन एरर आणि मोशन आर्टिफॅक्ट्सचे प्रमाण रेटिनाच्या आजारावर अवलंबून असते.कबर कमान.क्लिनिकलकालबाह्य.नेत्ररोगशास्त्र.२५६, १८०७–१८१६ (२०१८).
पास्क, ॲडम वगैरे.पायटोर्च: एक अत्यावश्यक, उच्च-कार्यक्षमता डीप लर्निंग लायब्ररी.न्यूरल माहितीची प्रगत प्रक्रिया.प्रणाली32, 8026–8037 (2019).
डेंग, जे. आणि इतर.इमेजनेट: मोठ्या प्रमाणात श्रेणीबद्ध प्रतिमा डेटाबेस.2009 IEEE कॉन्फरन्स ऑन कॉम्प्युटर व्हिजन आणि पॅटर्न रेकग्निशन.२४८-२५५.(2009).
क्रिझेव्स्की ए., सट्झकेव्हर I. आणि हिंटन जीई इमेजनेट वर्गीकरण खोल कॉन्व्होल्युशनल न्यूरल नेटवर्क वापरून.न्यूरल माहितीची प्रगत प्रक्रिया.प्रणाली25, 1 (2012).