Nature.com をご覧いただきありがとうございます。CSS サポートが制限されたバージョンのブラウザを使用しています。最高のエクスペリエンスを実現するには、更新されたブラウザを使用することをお勧めします (または Internet Explorer の互換モードを無効にする)。さらに、継続的なサポートを確保するために、サイトはスタイルと JavaScript なしで表示されます。
スライドごとに 3 つの記事を表示するスライダー。[戻る] ボタンと [次へ] ボタンを使用してスライド間を移動するか、最後にあるスライド コントローラー ボタンを使用して各スライド間を移動します。
光干渉断層撮影血管造影法 (OCTA) は、網膜血管を非侵襲的に視覚化するための新しい方法です。OCTA には多くの有望な臨床応用がありますが、画質を決定することは依然として課題です。私たちは、ImageNet で事前トレーニングされた ResNet152 ニューラル ネットワーク分類器を使用して、134 人の患者の 347 回のスキャンから表層毛細血管叢画像を分類する深層学習ベースのシステムを開発しました。また、画像は、教師あり学習モデルに対して 2 人の独立した評価者によって手動で真の真実であると評価されました。画質要件は臨床または研究設定によって異なる場合があるため、高品質の画像認識用と低品質の画像認識用の 2 つのモデルがトレーニングされました。私たちのニューラル ネットワーク モデルは、優れた曲線下面積 (AUC)、95% CI 0.96-0.99、\(\kappa\) = 0.81) を示し、これはマシンによって報告される信号レベル (AUC = 0.82、95) よりも大幅に優れています。 %CI）。それぞれ0.77〜0.86、\(\kappa\) = 0.52およびAUC = 0.78、95% CI 0.73～0.83、\(\kappa\) = 0.27）。私たちの研究は、機械学習手法を使用して、OCTA 画像の柔軟で堅牢な品質管理手法を開発できることを示しています。
光干渉断層撮影血管造影法 (OCTA) は、網膜微小血管系の非侵襲的視覚化に使用できる光干渉断層撮影法 (OCT) に基づく比較的新しい技術です。OCTA は、網膜の同じ領域で繰り返される光パルスからの反射パターンの違いを測定し、染料や他の造影剤を侵襲的に使用することなく、再構成を計算して血管を明らかにすることができます。OCTA は深度分解能の血管イメージングも可能にし、臨床医が表在血管層と深部血管層を別々に検査できるようにして、脈絡膜網膜疾患の区別に役立ちます。
この技術は有望ですが、画質のばらつきが信頼性の高い画像解析にとって依然として大きな課題となっており、画像の解釈が困難になり、臨床での広範な採用が妨げられています。OCTA は複数の連続 OCT スキャンを使用するため、標準の OCT よりも画像アーティファクトの影響を受けやすくなります。ほとんどの商用 OCTA プラットフォームは、信号強度 (SS) または場合によっては信号強度インデックス (SSI) と呼ばれる独自の画質メトリックを提供します。ただし、SS または SSI 値が高い画像は画像アーチファクトがないことを保証するものではなく、その後の画像解析に影響を及ぼし、誤った臨床判断につながる可能性があります。OCTA イメージングで発生する可能性のある一般的な画像アーチファクトには、モーション アーチファクト、セグメンテーション アーチファクト、メディアの不透明アーチファクト、投影アーチファクトなどがあります 1、2、3。
血管密度などの OCTA 由来の測定値がトランスレーショナルリサーチ、臨床試験、臨床現場で使用されることが増えているため、画像アーティファクトを排除するための堅牢で信頼性の高い画質制御プロセスを開発することが急務となっています4。スキップ接続 (残余接続とも呼ばれます) は、情報をさまざまなスケールまたは解像度で保存しながら、情報が畳み込み層をバイパスできるようにするニューラル ネットワーク アーキテクチャの投影です5。画像アーティファクトは小規模および一般的な大規模画像のパフォーマンスに影響を与える可能性があるため、スキップ接続ニューラル ネットワークはこの品質管理タスクを自動化するのに適しています5。最近発表された研究では、人間の推定者からの高品質のデータを使用してトレーニングされた深層畳み込みニューラル ネットワークがある程度有望であることが示されています6。
この研究では、接続スキップ畳み込みニューラル ネットワークをトレーニングして、OCTA 画像の品質を自動的に決定します。特定の臨床または研究シナリオでは画質要件が異なる場合があるため、高品質画像と低品質画像を識別するための個別のモデルを開発することで、以前の研究を構築しています。これらのネットワークの結果を接続を欠落させることなく畳み込みニューラル ネットワークと比較し、ディープ ラーニング内に複数の粒度レベルで特徴を含めることの価値を評価します。次に、その結​​果を、メーカーが提供する一般的に受け入れられている画質の尺度である信号強度と比較しました。
私たちの研究には、2017年8月11日から2019年4月11日までにエール大学アイセンターに来院した糖尿病患者が含まれていました。非糖尿病性脈絡網膜疾患のある患者は除外されました。年齢、性別、人種、画質、その他の要因に基づく包含または除外の基準はありません。
OCTA 画像は、Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc、ダブリン、カリフォルニア州) 上の AngioPlex プラットフォームを使用し、8\(\times\)8 mm および 6\(\times\)6 mm イメージング プロトコルで取得しました。研究への参加についてのインフォームド・コンセントは各研究参加者から得られ、イェール大学治験審査委員会（IRB）はこれらすべての患者に対して全体写真を伴うインフォームド・コンセントの使用を承認した。ヘルシンキ宣言の原則に従います。この研究はイェール大学治験審査委員会によって承認されました。
表面プレート画像は、前述のモーションアーティファクトスコア（MAS）、前述のセグメンテーションアーティファクトスコア（SAS）、中心窩中心、中膜不透明の存在、および画像評価者によって決定された小さな毛細血管の良好な視覚化に基づいて評価されました。画像は 2 人の独立した評価者 (RD と JW) によって分析されました。次の基準がすべて満たされる場合、画像の採点スコアは 2 (適格) になります: 画像の中心が中心窩 (画像の中心から 100 ピクセル未満)、MAS が 1 または 2、SAS が 1、および媒体の不透明度は 1 未満です。サイズ / 16 の画像に存在し、15/16 より大きい画像には小さな毛細血管が見られます。次の基準のいずれかが満たされる場合、画像は 0 (評価なし) と評価されます。画像が中心から外れている場合、MAS が 4 の場合、SAS が 2 の場合、または平均不透明度が画像の 1/4 より大きい場合。小さな毛細血管は、区別するために 1 画像 /4 以上調整することはできません。スコア基準 0 または 2 を満たさない他のすべての画像は、1 (クリッピング) としてスコア付けされます。
図上。図１は、スケーリングされた推定値および画像アーティファクトのそれぞれのサンプル画像を示す。個人スコアの評価者間信頼性は、コーエンのカッパ重み付けによって評価されました8。各評価者の個別のスコアが合計されて、各画像の 0 から 4 の範囲の全体スコアが得られます。合計スコアが 4 の画像は良好とみなされます。合計スコアが 0 または 1 の画像は、低品質とみなされます。
ImageNet データベースの画像で事前トレーニングされた ResNet152 アーキテクチャの畳み込みニューラル ネットワーク (図 3A.i) は、fast.ai と PyTorch フレームワークを使用して生成されました 5、9、10、11。 畳み込みニューラル ネットワークは、学習されたデータを使用するネットワークです。画像の断片をスキャンして空間的および局所的な特徴を研究するためのフィルター。私たちの訓練された ResNet は、複数の解像度で同時に情報を送信するギャップまたは「残留接続」を特徴とする 152 層のニューラル ネットワークです。ネットワーク上でさまざまな解像度で情報を投影することで、プラットフォームは低品質画像の特徴を複数の詳細レベルで学習できます。ResNet モデルに加えて、比較のために接続を失わずに、よく研究されたニューラル ネットワーク アーキテクチャである AlexNet もトレーニングしました (図 3A.ii)12。接続が失われないと、このネットワークはより高い粒度で機能をキャプチャできなくなります。
オリジナルの 8\(\times\)8mm OCTA13 画像セットは、水平および垂直反射技術を使用して強化されました。次に、scikit-learn ツールボックス python14 を使用して、完全なデータセットが画像レベルでトレーニング (51.2%)、テスト (12.8%)、ハイパーパラメーター調整 (16%)、および検証 (20%) のデータセットにランダムに分割されました。2 つのケースが考慮されました。1 つは最高品質の画像 (全体スコア 4) のみの検出に基づいており、もう 1 つは最低品質の画像 (全体スコア 0 または 1) のみの検出に基づいています。高品質と低品質のユースケースごとに、ニューラル ネットワークは画像データに対して 1 回再トレーニングされます。各ユースケースでは、ニューラル ネットワークは 10 エポックでトレーニングされ、最上位層の重みを除くすべてが凍結され、すべての内部パラメーターの重みは、クロスエントロピー損失関数を使用した識別学習率法を使用して 40 エポックで学習されました 15。 16.。クロス エントロピー損失関数は、予測されたネットワーク ラベルと実際のデータ間の不一致の対数スケールの尺度です。トレーニング中に、損失を最小限に抑えるためにニューラル ネットワークの内部パラメーターに対して勾配降下が実行されます。学習率、ドロップアウト率、および重み軽減のハイパーパラメータは、2 つのランダムな開始点と 10 回の反復によるベイジアン最適化を使用して調整され、データセットの AUC は、ハイパーパラメータを目標 17 として使用して調整されました。
表在毛細血管叢の 8 × 8 mm OCTA 画像の代表的な例は、2 (A、B)、1 (C、D)、および 0 (E、F) でスコア付けされました。表示される画像アーチファクトには、ちらつき線 (矢印)、セグメンテーション アーチファクト (アスタリスク)、およびメディアの不透明度 (矢印) が含まれます。画像 (E) も中心からずれています。
次に、すべてのニューラル ネットワーク モデルに対して受信者動作特性 (ROC) 曲線が生成され、低品質および高品質のユース ケースごとにエンジン信号強度レポートが生成されます。曲線下面積 (AUC) は pROC R パッケージを使用して計算され、95% 信頼区間と p 値は DeLong 法を使用して計算されました 18,19。人間の評価者の累積スコアは、すべての ROC 計算のベースラインとして使用されます。マシンによって報告された信号強度については、AUC が 2 回計算されました。1 回目は高品質のスケーラビリティ スコアのカットオフで、もう 1 回は低品質のスケーラビリティ スコアのカットオフでした。ニューラル ネットワークは、独自のトレーニングおよび評価条件を反映する AUC 信号強度と比較されます。
トレーニングされた深層学習モデルを別のデータセットでさらにテストするために、イェール大学から収集された 32 枚の全面 6\(\times\) 6mm 表面スラブ画像のパフォーマンス評価に高品質モデルと低品質モデルを直接適用しました。アイマスは画像の中心と同時に 8 \(\times \) 8 mm に配置されます。6\(\×\) 6 mm 画像は、8\(\×\) 8 mm 画像と同じ方法で同じ評価者 (RD および JW) によって手動で評価され、AUC と精度およびコーエンのカッパが計算されました。 。同様に。
クラスの不均衡率は、低品質モデルでは 158:189 (\(\rho = 1.19\))、高品質モデルでは 80:267 (\(\rho = 3.3\)) です。クラスの不均衡の比率は 1:4 未満であるため、クラスの不均衡を修正するための特定のアーキテクチャ上の変更は行われていません 20、21。
学習プロセスをより適切に視覚化するために、高品質 ResNet152 モデル、低品質 ResNet152 モデル、高品質 AlexNet モデル、および低品質 AlexNet モデルの 4 つのトレーニング済み深層学習モデルすべてに対してクラス アクティベーション マップが生成されました。クラス アクティベーション マップは、これら 4 つのモデルの入力畳み込み層から生成され、ヒート マップは、アクティベーション マップを 8 × 8 mm および 6 × 6 mm 検証セットからのソース画像とオーバーレイすることによって生成されます22、23。
すべての統計計算には R バージョン 4.0.3 が使用され、ggplot2 グラフィック ツール ライブラリを使用して視覚化が作成されました。
134 人から 8 \(\time \)8 mm の表層毛細血管叢の正面画像 347 枚を収集しました。機械は、すべての画像の信号強度を 0 ～ 10 のスケールで報告しました (平均 = 6.99 ± 2.29)。取得した 347 枚の画像のうち、検査時の平均年齢は 58.7 ± 14.6 歳で、39.2% が男性患者のものでした。全画像のうち、30.8% が白人、32.6% が黒人、30.8% がヒスパニック、4% がアジア人、1.7% がその他の人種でした (表 1)。）。OCTA 患者の年齢分布は画像の品質によって大きく異なりました (p < 0.001)。18 ～ 45 歳の若い患者における高品質画像の割合は 33.8% であったのに対し、低品質画像の割合は 12.2% でした (表 1)。糖尿病性網膜症の状態の分布も画質において大きく異なりました (p < 0.017)。すべての高品質画像では、PDR を有する患者の割合は 18.8% であったのに対し、すべての低品質画像では 38.8% でした (表 1)。
すべての画像の個別評価は、画像を読んだ人々の間で中程度から強い相互評価信頼性を示しました (コーエンの加重カッパ = 0.79、95% CI: 0.76-0.82)。評価者間で 1 を超えて異なる画像ポイントはありませんでした (図 1)。 2A）。。信号強度は手動スコアリングと有意に相関しました (ピアソン積モーメント相関 = 0.58、95% CI 0.51 ～ 0.65、p<0.001)。しかし、多くの画像は信号強度は高いが手動スコアリングが低いと識別されました (図 2B)。
ResNet152 および AlexNet アーキテクチャのトレーニング中、検証およびトレーニング時のクロスエントロピー損失は 50 エポックを超えます (図 3B、C)。最終トレーニング エポックでの検証精度は、高品質のユースケースと低品質のユースケースの両方で 90% を超えています。
受信機のパフォーマンス曲線は、ResNet152 モデルが低品質と高品質の両方の使用例でマシンによって報告される信号電力を大幅に上回っていることを示しています (p < 0.001)。ResNet152 モデルは、AlexNet アーキテクチャよりも大幅に優れています (低品質および高品質の場合、それぞれ p = 0.005 および p = 0.014)。これらの各タスクの結果として得られたモデルは、それぞれ 0.99 と 0.97 の AUC 値を達成することができました。これは、マシン信号強度インデックスの対応する AUC 値 0.82 と 0.78、または AlexNet の 0.97 と 0.94 よりも大幅に優れています。 。。(図3)。信号強度における ResNet と AUC の差は、高品質の画像を認識する場合に大きくなり、このタスクに ResNet を使用することのさらなる利点を示しています。
グラフは、各独立した評価者の採点能力と、マシンによって報告された信号強度との比較能力を示しています。(A) 評価されるポイントの合計は、評価されるポイントの総数を作成するために使用されます。全体的なスケーラビリティ スコアが 4 の画像には高品質が割り当てられ、全体のスケーラビリティ スコアが 1 以下の画像には低品質が割り当てられます。(B) 信号強度は手動推定値と相関しますが、信号強度が高い画像の品質は低下する可能性があります。赤い点線は、信号強度に基づいたメーカー推奨の品質しきい値 (信号強度 \(\ge\)6) を示します。
ResNet 転移学習では、機械が報告する信号レベルと比較して、低品質と高品質の両方のユースケースでの画質識別が大幅に向上します。(A) 事前トレーニングされた (i) ResNet152 および (ii) AlexNet アーキテクチャの簡略化されたアーキテクチャ図。(B) マシンが報告した信号強度および AlexNet の低品質基準と比較した、ResNet152 のトレーニング履歴と受信機のパフォーマンス曲線。(C) ResNet152 受信機のトレーニング履歴とパフォーマンス曲線を、マシンが報告した信号強度と AlexNet の高品質基準と比較します。
決定境界閾値を調整した後の ResNet152 モデルの最大予測精度は、低品質の場合で 95.3%、高品質の場合で 93.5% になります (表 2)。AlexNet モデルの最大予測精度は、低品質の場合で 91.0%、高品質の場合で 90.1% です (表 2)。最大信号強度予測精度は、低品質の使用例では 76.1%、高品質の使用例では 77.8% です。Cohen のカッパ (\(\kappa\)) によると、ResNet152 モデルと推定量の間の一致は、低品質の場合では 0.90、高品質の場合では 0.81 です。Cohen の AlexNet カッパは、低品質のユースケースと高品質のユースケースでそれぞれ 0.82 と 0.71 です。コーエンの信号強度カッパは、低品質の使用例と高品質の使用例でそれぞれ 0.52 と 0.27 です。
6 mm 平板の 6\(\x\) 画像に対する高品質および低品質の認識モデルの検証により、トレーニング済みモデルがさまざまなイメージング パラメーターにわたって画質を決定できることが実証されました。イメージング品質のために 6\(\x\) 6 mm の浅いスラブを使用した場合、低品質モデルの AUC は 0.83 (95% CI: 0.69 ～ 0.98)、高品質モデルの AUC は 0.85 でした。(95% CI: 0.55 ～ 1.00) (表 2)。
入力層クラス アクティベーション マップを視覚的に検査したところ、訓練されたすべてのニューラル ネットワークが画像分類中に画像特徴を使用していることがわかりました (図 4A、B)。8 枚の \(\times \) 8 mm 画像と 6 枚の \(\times \) 6 mm 画像の場合、ResNet アクティベーション画像は網膜血管構造を厳密に追跡します。AlexNet 活性化マップも網膜血管に従いますが、解像度は粗くなります。
ResNet152 および AlexNet モデルのクラス アクティベーション マップは、画質に関連する機能を強調しています。(A) 8 \(\times \) 8 mm 検証画像上の表層網膜血管構造後のコヒーレントな活性化を示すクラス活性化マップと、(B) より小さな 6 \(\times \) 6 mm 検証画像上の範囲。LQ モデルは低品質の基準でトレーニングされ、HQ モデルは高品質の基準でトレーニングされます。
画質が OCTA 画像の定量化に大きな影響を与える可能性があることが以前に示されています。さらに、網膜症の存在により、画像アーティファクトの発生率が増加します7,26。実際、我々のデータでは、以前の研究と一致して、年齢の増加と網膜疾患の重症度および画質の低下との間に有意な関連性があることがわかりました（年齢と DR 状態についてそれぞれ p < 0.001、p = 0.017; 表 1）27したがって、OCTA 画像の定量分析を実行する前に、画像の品質を評価することが重要です。OCTA 画像を分析するほとんどの研究では、低品質の画像を除外するために機械によって報告される信号強度のしきい値が使用されます。信号強度は OCTA パラメータの定量化に影響を与えることが示されていますが、信号強度が高いだけでは画像アーティファクトのある画像を除外するには十分ではない可能性があります 2、3、28、29。したがって、より信頼性の高い画質制御方法を開発する必要がある。この目的を達成するために、マシンによって報告される信号強度に対して教師あり深層学習手法のパフォーマンスを評価します。
OCTA のユースケースが異なれば画質要件も異なる可能性があるため、画質を評価するためのモデルをいくつか開発しました。たとえば、画像はより高品質である必要があります。さらに、対象となる特定の定量的パラメーターも重要です。たとえば、中心窩無血管帯の面積は、非中心媒体の濁度には依存しませんが、血管の密度に影響します。私たちの研究は、特定のテストの要件に結び付けず、マシンによって報告される信号強度を直接置き換えることを目的とした、画質に対する一般的なアプローチに引き続き焦点を当てていますが、ユーザーがより高度な制御を行えるようにしたいと考えています。ユーザーが関心のある特定のメトリックを選択できます。許容できると考えられる画像アーティファクトの最大程度に対応するモデルを選択します。
低品質および高品質のシーンでは、接続欠落ディープ畳み込みニューラル ネットワークの優れたパフォーマンスが示され、AUC はそれぞれ 0.97 および 0.99、低品質モデルでした。また、マシンのみが報告する信号レベルと比較した場合、深層学習アプローチのパフォーマンスが優れていることも実証しました。スキップ接続により、ニューラル ネットワークは複数の詳細レベルで特徴を学習し、一般的な特徴 (画像のセンタリングなど 30、31) だけでなく、画像のより細かい側面 (コントラストなど) をキャプチャすることができます。画質に影響を与える画像アーティファクトは、おそらく広範囲にわたって最もよく識別されるため、接続が欠落しているニューラル ネットワーク アーキテクチャは、画質判定タスクを持たないニューラル ネットワーク アーキテクチャよりも優れたパフォーマンスを示す可能性があります。
6\(\×6mm) OCTA 画像でモデルをテストしたところ、分類用にトレーニングされたモデルのサイズとは対照的に、高品質モデルと低品質モデルの両方で分類パフォーマンスが低下していることに気付きました (図 2)。ResNet モデルと比較して、AlexNet モデルの減衰は大きくなります。ResNet のパフォーマンスが比較的優れているのは、残留接続が複数のスケールで情報を送信できるためである可能性があります。これにより、異なるスケールや倍率でキャプチャされた画像を分類するためのモデルがより堅牢になります。
8 枚の \(\×\) 8 mm 画像と 6 枚の \(\×\) 6 mm 画像の間にいくつかの違いがあると、中心窩の無血管領域、可視性の変化、血管アーケード、 6×6 mmの画像には視神経はありません。それにもかかわらず、私たちの高品質 ResNet モデルは、モデルがトレーニングされていない構成である 6 枚の \(\x\) 6 mm 画像で 85% の AUC を達成することができました。これは、ニューラル ネットワークでエンコードされた画質情報が適切であることを示唆しています。適しています。トレーニング外の 1 つの画像サイズまたはマシン構成の場合 (表 2)。安心できるのは、8 枚の \(\times \) 8 mm 画像と 6 枚の \(\times \) 6 mm 画像の ResNet および AlexNet のような活性化マップは、どちらの場合も網膜血管を強調表示できたことであり、このモデルが重要な情報を持っていることを示唆しています。は両方のタイプの OCTA 画像の分類に適用できます (図 4)。
ラウアーマンら。OCTA 画像の画質評価も同様に、深層学習技術を使用した別のスキップ接続畳み込みニューラル ネットワークである Inception アーキテクチャを使用して実行されました。彼らはまた、研究を表層毛細血管叢の画像に限定し、Optovue AngioVue のより小さい 3 × 3 mm 画像のみを使用しましたが、さまざまな脈絡網膜疾患の患者も含まれていました。私たちの仕事は、さまざまな画質のしきい値に対処し、さまざまなサイズの画像の結果を検証するための複数のモデルを含む、それらの基盤に基づいて構築されています。また、機械学習モデルの AUC メトリックも報告し、低品質 (96%) モデルと高品質 (95.7%) モデルの両方で、すでに優れた精度 (90%)6 を向上させます6。
このトレーニングにはいくつかの制限があります。まず、画像は 8\(\times\)8 mm と 6\(\times\)6 mm の表層毛細血管叢の画像のみを含む 1 台の OCTA マシンのみで取得されました。より深い層からの画像を除外する理由は、投影アーティファクトにより画像の手動評価がより困難になり、一貫性が低下する可能性があるためです。さらに、画像は糖尿病患者でのみ取得されており、OCTA は重要な診断および予後ツールとして注目されています 33,34。さまざまなサイズの画像でモデルをテストして結果が堅牢であることを確認することはできましたが、さまざまなセンターから適切なデータセットを特定できなかったため、モデルの一般化可能性の評価が制限されました。画像は 1 つのセンターのみから取得されたものですが、異なる民族的および人種的背景を持つ患者から取得されたものであり、これが私たちの研究の独自の強みです。トレーニング プロセスに多様性を組み込むことで、結果がより広い意味で一般化され、トレーニングするモデルに人種的偏見がエンコードされることを回避できることを期待しています。
私たちの研究は、接続スキップ ニューラル ネットワークをトレーニングして、OCTA 画質を決定する際に高いパフォーマンスを達成できることを示しています。これらのモデルは、さらなる研究のためのツールとして提供されています。指標が異なれば画質要件も異なる可能性があるため、ここで確立した構造を使用して指標ごとに個別の品質管理モデルを開発できます。
将来の研究では、OCTA プラットフォームやイメージング プロトコルに一般化できる深層学習画質評価プロセスを取得するために、さまざまな深度からのさまざまなサイズの画像とさまざまな OCTA マシンを含める必要があります。現在の研究も、人間による評価と画像評価を必要とする教師あり深層学習アプローチに基づいており、大規模なデータセットでは労力と時間がかかる可能性があります。教師なし深層学習手法が低品質の画像と高品質の画像を適切に区別できるかどうかはまだわかりません。
OCTA テクノロジーが進化し続け、スキャン速度が向上するにつれて、画像アーチファクトや低品質画像の発生率が減少する可能性があります。最近導入された投影アーティファクト除去機能などのソフトウェアの改良により、これらの制限も軽減できます。しかし、固定が不十分な患者や培地が著しく濁っている患者の画像化では常に画像アーチファクトが生じるため、多くの問題が残されています。OCTA が臨床試験でより広く使用されるようになるにつれて、画像解析の許容可能な画像アーティファクト レベルに関する明確なガイドラインを確立するには、慎重な検討が必要になります。深層学習手法の OCTA 画像への適用には大きな期待があり、画質制御に対する堅牢なアプローチを開発するには、この分野でさらなる研究が必要です。
現在の研究で使用されているコードは、octa-qc リポジトリ https://github.com/rahuldhodapkar/octa-qc で入手できます。現在の研究中に生成および/または分析されたデータセットは、合理的な要求に応じて各著者から入手できます。
Spaide, RF、Fujimoto, JG & Waheed, NK 光コヒーレンス血管造影における画像アーティファクト。Retina 35、2163–2180 (2015)。
フェナー、BJ 他OCT 血管造影における網膜毛細血管叢密度測定の品質と再現性を決定するイメージング特徴の特定。BR.Ｊ．Ｏｐｈｔｈａｌｍｏｌ．102、509–514 (2018)。
ローアーマン、JLら。加齢黄斑変性症におけるOCT血管造影の画質に対する視線追跡技術の影響。墓のアーチ。臨床的な。経験値眼科。255、1535–1542 (2017)。
Babyuch AS et al.OCTA 毛細管灌流密度測定は、黄斑虚血の検出と評価に使用されます。眼科手術。網膜レーザーイメージング 51、S30–S36 (2020)。
He, K.、Zhang, X.、Ren, S.、Sun, J. 画像認識のための深層残差学習。2016 年、コンピュータ ビジョンとパターン認識に関する IEEE 会議にて (2016)。
ローアーマン、JLら。深層学習アルゴリズムを使用した自動化された OCT 血管造影画像品質評価。墓のアーチ。臨床的な。経験値眼科。257、1641–1648 (2019)。
Lauermann、J.ら。OCT 血管造影におけるセグメンテーション エラーとモーション アーティファクトの蔓延は、網膜の疾患によって異なります。墓のアーチ。臨床的な。経験値眼科。256、1807–1816 (2018)。
パスク、アダムら。Pytorch: 命令型の高性能深層学習ライブラリ。神経情報の高度な処理。システム。32、8026–8037 (2019)。
デン、J.ら。ImageNet: 大規模な階層型画像データベース。2009 年のコンピューター ビジョンとパターン認識に関する IEEE カンファレンス。248～255。（2009年）。
Krizhevsky A.、Sutzkever I.、および Hinton GE によるディープ畳み込みニューラル ネットワークを使用した Imagenet 分類。神経情報の高度な処理。システム。25、1 (2012)。