Nature.com ପରିଦର୍ଶନ କରିଥିବାରୁ ଧନ୍ୟବାଦ |ସୀମିତ CSS ସମର୍ଥନ ସହିତ ଆପଣ ଏକ ବ୍ରାଉଜର୍ ସଂସ୍କରଣ ବ୍ୟବହାର କରୁଛନ୍ତି |ସର୍ବୋତ୍ତମ ଅଭିଜ୍ଞତା ପାଇଁ, ଆମେ ପରାମର୍ଶ ଦେଉଛୁ ଯେ ଆପଣ ଏକ ଅପଡେଟ୍ ବ୍ରାଉଜର୍ ବ୍ୟବହାର କରନ୍ତୁ (କିମ୍ବା ଇଣ୍ଟରନେଟ୍ ଏକ୍ସପ୍ଲୋରରରେ ସୁସଙ୍ଗତତା ମୋଡ୍ ଅକ୍ଷମ କରନ୍ତୁ) |ଏହା ସହିତ, ନିରନ୍ତର ସମର୍ଥନ ନିଶ୍ଚିତ କରିବାକୁ, ଆମେ ଶ yles ଳୀ ଏବଂ ଜାଭାସ୍କ୍ରିପ୍ଟ ବିନା ସାଇଟ୍ ଦେଖାଇଥାଉ |
ସ୍ଲାଇଡ୍ ପ୍ରତି ସ୍ଲାଇଡ୍ ତିନୋଟି ଆର୍ଟିକିଲ୍ ଦେଖାଉଛି |ପ୍ରତ୍ୟେକ ସ୍ଲାଇଡ୍ ଦେଇ ଗତି କରିବା ପାଇଁ ସ୍ଲାଇଡ୍ କିମ୍ବା ଶେଷରେ ସ୍ଲାଇଡ୍ କଣ୍ଟ୍ରୋଲର୍ ବଟନ୍ ବ୍ୟବହାର କରିବାକୁ ପଛ ଏବଂ ପରବର୍ତ୍ତୀ ବଟନ୍ ବ୍ୟବହାର କରନ୍ତୁ |
ରେଟିନାଲ୍ ପାତ୍ରଗୁଡିକର ଅଣ-ଆକ୍ରମଣକାରୀ ଭିଜୁଆଲାଇଜେସନ୍ ପାଇଁ ଅପ୍ଟିକାଲ୍ ସମନ୍ୱୟ ଟମୋଗ୍ରାଫିକ୍ ଆଙ୍ଗିଓଗ୍ରାଫି (OCTA) ହେଉଛି ଏକ ନୂତନ ପଦ୍ଧତି |ଯଦିଓ OCTA ରେ ଅନେକ ଆଶାକର୍ମୀ କ୍ଲିନିକାଲ୍ ପ୍ରୟୋଗ ଅଛି, ପ୍ରତିଛବି ଗୁଣ ନିର୍ଣ୍ଣୟ କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜ ହୋଇ ରହିଥାଏ |134 ରୋଗୀଙ୍କ 347 ସ୍କାନରୁ ସୁପରଫିସିଆଲ୍ କ୍ୟାପିଲାରୀ ପ୍ଲେକ୍ସସ୍ ପ୍ରତିଛବିଗୁଡ଼ିକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଇମେଜ୍ ନେଟ ସହିତ ପ୍ରସ୍ତୁତ ResNet152 ସ୍ନାୟୁ ନେଟୱାର୍କ କ୍ଲାସିଫାୟର୍ ବ୍ୟବହାର କରି ଆମେ ଏକ ଗଭୀର ଶିକ୍ଷଣ ଆଧାରିତ ସିଷ୍ଟମ ବିକଶିତ କରିଛୁ |ଏକ ତତ୍ତ୍ ised ାବଧାନିତ ଶିକ୍ଷଣ ମଡେଲ ପାଇଁ ଦୁଇଜଣ ସ୍ independent ାଧୀନ ମୂଲ୍ୟାୟନକାରୀଙ୍କ ଦ୍ୱାରା ପ୍ରତିଛବିଗୁଡ଼ିକୁ ମାନୁଆଲ ଭାବରେ ସତ୍ୟ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା |କାରଣ କ୍ଲିନିକାଲ୍ କିମ୍ବା ଗବେଷଣା ସେଟିଂ ଉପରେ ନିର୍ଭର କରି ପ୍ରତିଛବି ଗୁଣବତ୍ତା ଆବଶ୍ୟକତା ଭିନ୍ନ ହୋଇପାରେ, ଦୁଇଟି ମଡେଲକୁ ତାଲିମ ଦିଆଯାଇଥିଲା, ଗୋଟିଏ ଉଚ୍ଚ ଗୁଣବତ୍ତା ପ୍ରତିଛବି ଚିହ୍ନଟ ପାଇଁ ଏବଂ ଅନ୍ୟଟି ନିମ୍ନ ମାନର ପ୍ରତିଛବି ଚିହ୍ନଟ ପାଇଁ |ଆମର ସ୍ନାୟୁ ନେଟୱାର୍କ ମଡେଲ୍ ବକ୍ର (AUC), 95% CI 0.96-0.99, \ (\ kappa \) = 0.81) ଅନ୍ତର୍ଗତ ଏକ ଉତ୍କୃଷ୍ଟ କ୍ଷେତ୍ର ଦେଖାଏ, ଯାହା ମେସିନ୍ (AUC = 0.82, 95) ଦ୍ୱାରା ରିପୋର୍ଟ କରାଯାଇଥିବା ସଙ୍କେତ ସ୍ତରଠାରୁ ଯଥେଷ୍ଟ ଭଲ | % CI)0.77–0.86, \ (\ kappa \) = 0.52 ଏବଂ AUC = 0.78, 95% CI 0.73–0.83, \ (\ kappa \) = 0.27 ଯଥାକ୍ରମେ) |ଆମର ଅଧ୍ୟୟନ ଦର୍ଶାଏ ଯେ OCTA ପ୍ରତିଛବିଗୁଡ଼ିକ ପାଇଁ ନମନୀୟ ଏବଂ ଦୃ ust ଗୁଣ ନିୟନ୍ତ୍ରଣ ପ୍ରଣାଳୀ ବିକାଶ ପାଇଁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇପାରିବ |
ଅପ୍ଟିକାଲ୍ କୋହେରାନ୍ସ ଟମୋଗ୍ରାଫିକ୍ ଆଙ୍ଗିଓଗ୍ରାଫି (OCTA) ହେଉଛି ଅପ୍ଟିକାଲ୍ କୋହେରାନ୍ସ ଟମୋଗ୍ରାଫି (OCT) ଉପରେ ଆଧାରିତ ଏକ ଅପେକ୍ଷାକୃତ ନୂତନ କ que ଶଳ ଯାହା ରେଟିନା ମାଇକ୍ରୋଭାସ୍କୁଲେଚରର ଅଣ-ଆକ୍ରମଣକାରୀ ଭିଜୁଆଲାଇଜେସନ୍ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ |OCTA ରେଟିନାର ସମାନ ଅଞ୍ଚଳରେ ବାରମ୍ବାର ଆଲୋକ ଡାଲିରୁ ପ୍ରତିଫଳନ s ାଞ୍ଚାର ପାର୍ଥକ୍ୟକୁ ମାପ କରିଥାଏ, ଏବଂ ରଙ୍ଗ କିମ୍ବା ଅନ୍ୟାନ୍ୟ ବିପରୀତ ଏଜେଣ୍ଟଗୁଡିକର ଆକ୍ରମଣକାରୀ ବିନା ରକ୍ତବାହୀକୁ ପ୍ରକାଶ କରିବା ପାଇଁ ପୁନ recon ନିର୍ମାଣ ଗଣନା କରାଯାଇପାରେ |OCTA ଗଭୀର-ରେଜୋଲୁସନ ଭାସ୍କୁଲାର ଇମେଜିଙ୍ଗକୁ ମଧ୍ୟ ସକ୍ଷମ କରିଥାଏ, ଯାହାକି କ୍ଲିନିକାଲ ବିଶେଷଜ୍ଞମାନଙ୍କୁ ପୃଥକ ଏବଂ ଗଭୀର ପାତ୍ର ସ୍ତରଗୁଡ଼ିକୁ ପୃଥକ ଭାବରେ ପରୀକ୍ଷା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଏବଂ କୋରିଓରେଟିନାଲ୍ ରୋଗ ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ କରିବାରେ ସାହାଯ୍ୟ କରେ |
ଏହି କ que ଶଳଟି ପ୍ରତିଜ୍ଞାକାରୀ ଥିବାବେଳେ, ବିଶ୍ image ାସନୀୟ ପ୍ରତିଛବି ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ପରିବର୍ତ୍ତନ ଏକ ପ୍ରମୁଖ ଆହ୍ remains ାନ ହୋଇ ରହିଥାଏ, ଯାହା ଚିତ୍ର ବ୍ୟାଖ୍ୟାକୁ କଷ୍ଟସାଧ୍ୟ କରିଥାଏ ଏବଂ ବ୍ୟାପକ କ୍ଲିନିକାଲ୍ ଗ୍ରହଣକୁ ରୋକିଥାଏ |କାରଣ OCTA କ୍ରମାଗତ ଏକାଧିକ OCT ସ୍କାନ୍ ବ୍ୟବହାର କରେ, ଏହା ମାନକ OCT ଅପେକ୍ଷା ପ୍ରତିଛବି କଳାକୃତି ପ୍ରତି ଅଧିକ ସମ୍ବେଦନଶୀଳ |ଅଧିକାଂଶ ବାଣିଜ୍ୟିକ OCTA ପ୍ଲାଟଫର୍ମଗୁଡିକ ସିଗନାଲ୍ ଷ୍ଟ୍ରେନ୍ଥ୍ (SS) କିମ୍ବା ବେଳେବେଳେ ସିଗନାଲ୍ ଷ୍ଟ୍ରେନ୍ଥ୍ ଇଣ୍ଡେକ୍ସ (SSI) ନାମକ ନିଜସ୍ୱ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ମେଟ୍ରିକ୍ ପ୍ରଦାନ କରିଥାଏ |ଯଦିଓ, ଉଚ୍ଚ SS କିମ୍ବା SSI ମୂଲ୍ୟ ଥିବା ପ୍ରତିଛବିଗୁଡ଼ିକ ପ୍ରତିଛବି କଳାକୃତିର ଅନୁପସ୍ଥିତିକୁ ଗ୍ୟାରେଣ୍ଟି ଦିଏ ନାହିଁ, ଯାହା ପରବର୍ତ୍ତୀ ଚିତ୍ର ବିଶ୍ଳେଷଣକୁ ପ୍ରଭାବିତ କରିପାରେ ଏବଂ ଭୁଲ କ୍ଲିନିକାଲ୍ ନିଷ୍ପତ୍ତି ନେଇପାରେ |ସାଧାରଣ ପ୍ରତିଛବି କଳାକୃତି ଯାହା OCTA ଇମେଜିଙ୍ଗରେ ଘଟିପାରେ ଗତି କଳାକୃତି, ସେଗମେଣ୍ଟେସନ୍ କଳାକୃତି, ମିଡିଆ ସ୍ୱଚ୍ଛତା କଳାକୃତି, ଏବଂ ପ୍ରୋଜେକସନ କଳାକୃତି 1,2,3 |
ଯେହେତୁ OCTA ଦ୍ ived ାରା ଉତ୍ପନ୍ନ ପଦକ୍ଷେପ ଯେପରିକି ଭାସ୍କୁଲାର ସାନ୍ଧ୍ରତା ଅନୁବାଦ ଅନୁସନ୍ଧାନ, କ୍ଲିନିକାଲ୍ ଟ୍ରାଏଲ୍ ଏବଂ କ୍ଲିନିକାଲ୍ ଅଭ୍ୟାସରେ ଅଧିକରୁ ଅଧିକ ବ୍ୟବହୃତ ହେଉଛି, ପ୍ରତିଛବି କଳାକୃତିଗୁଡ଼ିକୁ ହଟାଇବା ପାଇଁ ଦୃ ust ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଚିତ୍ର ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକର ବିକାଶ ପାଇଁ ଏକ ଜରୁରୀ ଆବଶ୍ୟକତା ଅଛି |ସଂଯୋଗକୁ ଏଡ଼ାନ୍ତୁ, ଅବଶିଷ୍ଟ ସଂଯୋଗ ଭାବରେ ମଧ୍ୟ ଜଣାଶୁଣା, ସ୍ନାୟୁ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟର ପ୍ରୋଜେକସନ ଯାହା ବିଭିନ୍ନ ମାପ କିମ୍ବା ରେଜୋଲୁସନରେ ସୂଚନା ସଂରକ୍ଷଣ କରିବା ସମୟରେ ସୂଚନାକୁ କନଭୋଲ୍ୟୁସନାଲ ଲେୟାର ବାଇପାସ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ |କାରଣ ପ୍ରତିଛବି କଳାକୃତି ଛୋଟ-ମାପ ଏବଂ ସାଧାରଣ ବୃହତ-ଆକାରର ପ୍ରତିଛବି କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଭାବିତ କରିପାରିବ, ସ୍କିପ୍-କନେକ୍ସନ୍ ସ୍ନାୟୁ ନେଟୱାର୍କଗୁଡ଼ିକ ଏହି ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ କାର୍ଯ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଉପଯୁକ୍ତ |ସମ୍ପ୍ରତି ପ୍ରକାଶିତ କାର୍ଯ୍ୟ ମାନବ ଆକଳନକାରୀଙ୍କଠାରୁ ଉଚ୍ଚମାନର ତଥ୍ୟ ବ୍ୟବହାର କରି ତାଲିମ ପ୍ରାପ୍ତ ଗଭୀର ସଂକଳ୍ପବଦ୍ଧ ସ୍ନାୟୁ ନେଟୱାର୍କ ପାଇଁ କିଛି ପ୍ରତିଜ୍ଞା ପ୍ରଦର୍ଶନ କରିଛି |
ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ OCTA ପ୍ରତିଛବିଗୁଡ଼ିକର ଗୁଣ ନିର୍ଣ୍ଣୟ କରିବାକୁ ଏକ ସଂଯୋଗ-ସ୍କିପିଙ୍ଗ୍ କନଭୋଲ୍ୟୁସନାଲ ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ତାଲିମ ଦେଉ |ଉଚ୍ଚମାନର ଚିତ୍ର ଏବଂ ନିମ୍ନ ମାନର ଚିତ୍ର ଚିହ୍ନଟ କରିବା ପାଇଁ ପୃଥକ ମଡେଲଗୁଡିକ ବିକାଶ କରି ଆମେ ପୂର୍ବ କାର୍ଯ୍ୟ ଉପରେ ନିର୍ମାଣ କରୁ, କାରଣ ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ଲିନିକାଲ୍ କିମ୍ବା ଅନୁସନ୍ଧାନ ପରିସ୍ଥିତି ପାଇଁ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ଆବଶ୍ୟକତା ଭିନ୍ନ ହୋଇପାରେ |ଗଭୀର ଶିକ୍ଷଣ ମଧ୍ୟରେ ଏକାଧିକ ସ୍ତରର ଗ୍ରାନୁଲାରିଟିରେ ବ features ଶିଷ୍ଟ୍ୟ ଅନ୍ତର୍ଭୂକ୍ତ କରିବାର ମୂଲ୍ୟ ଆକଳନ କରିବାକୁ ଆମେ ଏହି ନେଟୱାର୍କଗୁଡ଼ିକର ଫଳାଫଳକୁ କନଭୋଲ୍ୟୁସନାଲ ସ୍ନାୟୁ ନେଟୱାର୍କ ସହିତ ତୁଳନା କରୁ |ତାପରେ ଆମେ ଆମର ଫଳାଫଳକୁ ସଙ୍କେତ ଶକ୍ତି ସହିତ ତୁଳନା କରିଥିଲୁ, ନିର୍ମାତାମାନଙ୍କ ଦ୍ provided ାରା ପ୍ରଦାନ କରାଯାଇଥିବା ପ୍ରତିଛବି ଗୁଣର ଏକ ସାଧାରଣ ଭାବରେ ଗ୍ରହଣୀୟ ମାପ |
ଆମର ଅଧ୍ୟୟନରେ ମଧୁମେହ ରୋଗୀ ଅନ୍ତର୍ଭୁକ୍ତ, ଯେଉଁମାନେ ଅଗଷ୍ଟ 11, 2017 ରୁ ଏପ୍ରିଲ 11, 2019 ମଧ୍ୟରେ ୟେଲ ଚକ୍ଷୁ କେନ୍ଦ୍ରରେ ଯୋଗ ଦେଇଥିଲେ।ବୟସ, ଲିଙ୍ଗ, ଜାତି, ପ୍ରତିଛବି ଗୁଣ କିମ୍ବା ଅନ୍ୟ କ factor ଣସି କାରଣ ଉପରେ ଆଧାର କରି କ no ଣସି ଅନ୍ତର୍ଭୂକ୍ତ କିମ୍ବା ବହିଷ୍କାର ମାନଦଣ୍ଡ ନଥିଲା |
OCTA ପ୍ରତିଛବିଗୁଡିକ ଏକ ସାଇରସ୍ HD-OCT 5000 (କାର୍ଲ ଜେସ୍ ମେଡିଟେକ୍ Inc, ଡବଲିନ୍, CA) ରେ 8 \ (\ times \) 8 mm ଏବଂ 6 \ (\ times \) 6 mm ଇମେଜିଙ୍ଗ୍ ପ୍ରୋଟୋକଲ୍ ଉପରେ ଆଞ୍ଜିଓ ପ୍ଲେକ୍ସ ପ୍ଲାଟଫର୍ମ ବ୍ୟବହାର କରି ଅର୍ଜନ କରାଯାଇଥିଲା |ଅଧ୍ୟୟନରେ ଅଂଶଗ୍ରହଣ ପାଇଁ ସୂଚନା ସମ୍ମତି ପ୍ରତ୍ୟେକ ଅଧ୍ୟୟନର ଅଂଶଗ୍ରହଣକାରୀଙ୍କଠାରୁ ପ୍ରାପ୍ତ ହୋଇଥିଲା ଏବଂ ୟେଲ ୟୁନିଭରସିଟି ଇନଷ୍ଟିଚ୍ୟୁସନାଲ ରିଭ୍ୟୁ ବୋର୍ଡ (ଆଇଆରବି) ଏହି ସମସ୍ତ ରୋଗୀଙ୍କ ପାଇଁ ବିଶ୍ୱ ଫଟୋଗ୍ରାଫି ସହିତ ସୂଚନା ସମ୍ମତିର ବ୍ୟବହାରକୁ ଅନୁମୋଦନ କରିଥିଲା ​​|ହେଲସିଙ୍କି ଘୋଷଣାର ନୀତି ଅନୁସରଣ କରିବା |ଏହି ଅଧ୍ୟୟନକୁ ୟେଲ ୟୁନିଭରସିଟି ଆଇଆରବି ଅନୁମୋଦନ କରିଛି।
ପୂର୍ବରୁ ବର୍ଣ୍ଣିତ ମୋସନ୍ ଆର୍ଟିଫାକ୍ଟ ସ୍କୋର (MAS), ପୂର୍ବରୁ ବର୍ଣ୍ଣିତ ସେଗମେଣ୍ଟେସନ୍ ଆର୍ଟିଫାକ୍ଟ ସ୍କୋର (SAS), ଫୋଭାଲ୍ ସେଣ୍ଟର୍, ମିଡିଆ ଅପାସିଟିର ଉପସ୍ଥିତି ଏବଂ ଛୋଟ କ୍ୟାପିଲାରୀର ଭଲ ଭିଜୁଆଲାଇଜେସନ୍ ଉପରେ ଆଧାର କରି ସର୍ଫେସ୍ ପ୍ଲେଟ୍ ପ୍ରତିଛବିଗୁଡିକ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା |ଚିତ୍ରଗୁଡିକ ଦୁଇଟି ସ୍ independent ାଧୀନ ମୂଲ୍ୟାଙ୍କନକାରୀ (RD ଏବଂ JW) ଦ୍ୱାରା ବିଶ୍ଳେଷଣ କରାଯାଇଥିଲା |ନିମ୍ନଲିଖିତ ସମସ୍ତ ମାନଦଣ୍ଡ ପୂରଣ ହେଲେ ଏକ ପ୍ରତିଛବିର ଗ୍ରେଡ୍ ସ୍କୋର 2 (ଯୋଗ୍ୟ) ଅଛି: ପ୍ରତିଛବି ଫୋଭାରେ କେନ୍ଦ୍ରୀଭୂତ ହୋଇଛି (ପ୍ରତିଛବିର କେନ୍ଦ୍ରରୁ 100 ପିକ୍ସେଲରୁ କମ୍), MAS 1 କିମ୍ବା 2, SAS ହେଉଛି 1, ଏବଂ ମିଡିଆ ସ୍ୱଚ୍ଛତା 1 ରୁ କମ୍ ଅଟେ | ଆକାର / 16 ର ପ୍ରତିଛବିରେ ଉପସ୍ଥାପିତ, ଏବଂ ଛୋଟ କ୍ୟାପିଲାରୀଗୁଡିକ 15/16 ରୁ ବଡ଼ ପ୍ରତିଛବିରେ ଦେଖାଯାଏ |ଯଦି ନିମ୍ନଲିଖିତ ମାନଦଣ୍ଡ ମଧ୍ୟରୁ କ met ଣସିଟି ପୂରଣ ହୁଏ ତେବେ ଏକ ପ୍ରତିଛବିକୁ 0 (କ rating ଣସି ମୂଲ୍ୟାୟନ ନାହିଁ) ରେଟିଂ କରାଯାଇଛି: ପ୍ରତିଛବିଟି ଅଫ୍ ସେଣ୍ଟର୍, ଯଦି MAS 4, ଯଦି SAS 2, କିମ୍ବା ହାରାହାରି ସ୍ୱଚ୍ଛତା ଚିତ୍ରର 1/4 ରୁ ଅଧିକ, ଏବଂ ଅଲଗା କରିବା ପାଇଁ ଛୋଟ କ୍ୟାପିଲିରିଗୁଡିକ 1 ପ୍ରତିଛବି / 4 ରୁ ଅଧିକ ଆଡଜଷ୍ଟ ହୋଇପାରିବ ନାହିଁ |ଅନ୍ୟ ସମସ୍ତ ପ୍ରତିଛବି ଯାହା 0 କିମ୍ବା 2 ସ୍କୋରିଂ ମାନଦଣ୍ଡକୁ ପୂରଣ କରୁନାହିଁ 1 (କ୍ଲିପିଂ) ଭାବରେ ସ୍କୋର କରାଯାଇଛି |
ଡିମ୍ବିରି ଉପରେ1 ପ୍ରତ୍ୟେକ ମାପାଯାଇଥିବା ଆକଳନ ଏବଂ ପ୍ରତିଛବି କଳାକୃତି ପାଇଁ ନମୁନା ଚିତ୍ର ଦେଖାଏ |ବ୍ୟକ୍ତିଗତ ସ୍କୋରର ଆନ୍ତ - ରାଟର ନିର୍ଭରଯୋଗ୍ୟତା କୋହେନଙ୍କ କାପା ଓଜନ 8 ଦ୍ୱାରା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା |ପ୍ରତ୍ୟେକ ରେଟରର ବ୍ୟକ୍ତିଗତ ସ୍କୋରଗୁଡିକ 0 ରୁ 4 ପର୍ଯ୍ୟନ୍ତ ପ୍ରତ୍ୟେକ ପ୍ରତିଛବି ପାଇଁ ସାମଗ୍ରିକ ସ୍କୋର ପାଇବା ପାଇଁ ସଂକ୍ଷିପ୍ତ ହୋଇଛି, ମୋଟ 4 ସ୍କୋର ସହିତ ପ୍ରତିଛବିଗୁଡିକ ଭଲ ଭାବରେ ବିବେଚନା କରାଯାଏ |ସମୁଦାୟ ସ୍କୋର 0 କିମ୍ବା 1 ଥିବା ପ୍ରତିଛବିଗୁଡିକ ନିମ୍ନ ମାନର ବିବେଚନା କରାଯାଏ |
ଏକ ResNet152 ସ୍ଥାପତ୍ୟ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ଚିତ୍ର 3A.i) ପ୍ରତିଛବି ନେଟ ଡାଟାବେସରୁ ପ୍ରତିଛବିଗୁଡ଼ିକ ଉପରେ ପୂର୍ବ-ତାଲିମପ୍ରାପ୍ତ fast.ai ଏବଂ PyTorch framework ାଞ୍ଚା 5, 9, 10, 11 ବ୍ୟବହାର କରି ସୃଷ୍ଟି କରାଯାଇଥିଲା | ସ୍ଥାନିକ ଏବଂ ସ୍ଥାନୀୟ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଅଧ୍ୟୟନ କରିବାକୁ ପ୍ରତିଛବି ଖଣ୍ଡଗୁଡ଼ିକୁ ସ୍କାନ କରିବା ପାଇଁ ଫିଲ୍ଟର୍ |ଆମର ତାଲିମପ୍ରାପ୍ତ ResNet ହେଉଛି ଏକ 152-ସ୍ତରର ସ୍ନାୟୁ ନେଟୱାର୍କ ଯାହା ଫାଙ୍କା କିମ୍ବା “ଅବଶିଷ୍ଟ ସଂଯୋଗ” ଦ୍ୱାରା ବର୍ଣ୍ଣିତ ଯାହା ଏକକାଳୀନ ଏକାଧିକ ରିଜୋଲ୍ୟୁସନ୍ ସହିତ ସୂଚନା ପଠାଇଥାଏ |ନେଟୱର୍କ ଉପରେ ବିଭିନ୍ନ ରେଜୋଲୁସନରେ ସୂଚନା ପ୍ରୋଜେକ୍ଟ କରି, ପ୍ଲାଟଫର୍ମ ନିମ୍ନ ସ୍ତରରେ ନିମ୍ନ-ଗୁଣାତ୍ମକ ଚିତ୍ରଗୁଡ଼ିକର ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଶିଖିପାରେ |ଆମର ResNet ମଡେଲ୍ ସହିତ, ଆମେ ଆଲେକ୍ସନେଟ୍ କୁ ମଧ୍ୟ ଭଲ ଭାବରେ ଅଧ୍ୟୟନ କରୁଥିବା ସ୍ନାୟୁ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟକୁ ତୁଳନା କରିଛୁ, ତୁଳନା ପାଇଁ ସଂଯୋଗ ହରାଇ ନାହିଁ (ଚିତ୍ର 3A.ii) 12 |ସଂଯୋଗ ହରାଇବା ବିନା, ଏହି ନେଟୱାର୍କ ଏକ ଉଚ୍ଚ ଗ୍ରାନୁଲାରିଟିରେ ବ features ଶିଷ୍ଟ୍ୟ କ୍ୟାପଚର୍ କରିବାକୁ ସମର୍ଥ ହେବ ନାହିଁ |
ମୂଳ 8 \ (\ times \) 8mm OCTA13 ପ୍ରତିଛବି ସେଟ୍ ଭୂସମାନ୍ତର ଏବଂ ଭୂଲମ୍ବ ପ୍ରତିଫଳନ କ ques ଶଳ ବ୍ୟବହାର କରି ବୃଦ୍ଧି କରାଯାଇଛି |ତା’ପରେ ସମ୍ପୂର୍ଣ୍ଣ ଡାଟାସେଟକୁ ଚିତ୍ର ସ୍ତରରେ ପ୍ରଶିକ୍ଷଣ (51.2%), ପରୀକ୍ଷଣ (12.8%), ହାଇପରପ୍ୟାରେମିଟର ଟ୍ୟୁନିଂ (16%), ଏବଂ ସ୍କିକିଟ୍-ଲର୍ଣ୍ଣ ଟୁଲ୍ ବକ୍ସ ପାଇଥନ୍ 14 ବ୍ୟବହାର କରି ବ valid ଧତା (20%) ଡାଟାସେଟରେ ବିଭକ୍ତ କରାଯାଇଥିଲା |ଦୁଇଟି ମାମଲା ବିଚାର କରାଯାଇଥିଲା, ଗୋଟିଏ କେବଳ ସର୍ବୋଚ୍ଚ ଗୁଣାତ୍ମକ ଚିତ୍ର (ସାମଗ୍ରିକ ସ୍କୋର 4) ଚିହ୍ନଟ ଉପରେ ଏବଂ ଅନ୍ୟଟି କେବଳ ସର୍ବନିମ୍ନ ଗୁଣାତ୍ମକ ଚିତ୍ର (ସାମଗ୍ରିକ ସ୍କୋର 0 କିମ୍ବା 1) ଚିହ୍ନଟ ଉପରେ ଆଧାରିତ |ପ୍ରତ୍ୟେକ ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ଏବଂ ନିମ୍ନ-ଗୁଣାତ୍ମକ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ, ସ୍ନାୟୁ ନେଟୱାର୍କ ଆମ ପ୍ରତିଛବି ତଥ୍ୟରେ ଥରେ ପୁନ ained ତାଲିମ ପ୍ରାପ୍ତ ହୁଏ |ପ୍ରତ୍ୟେକ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ, ସ୍ନାୟୁ ନେଟୱାର୍କକୁ 10 ଯୁଗ ପାଇଁ ତାଲିମ ଦିଆଯାଇଥିଲା, କେବଳ ସର୍ବୋଚ୍ଚ ସ୍ତରର ଓଜନ ଫ୍ରିଜ୍ ହୋଇଯାଇଥିଲା, ଏବଂ ସମସ୍ତ ଆଭ୍ୟନ୍ତରୀଣ ପାରାମିଟରର ଓଜନ 40 ଯୁଗ ପାଇଁ କ୍ରସ୍-ଏଣ୍ଟ୍ରୋପି କ୍ଷତି କାର୍ଯ୍ୟ 15 ସହିତ ଏକ ଭେଦଭାବପୂର୍ଣ୍ଣ ଶିକ୍ଷଣ ହାର ପଦ୍ଧତି ବ୍ୟବହାର କରି ଶିଖାଯାଇଥିଲା | 16।କ୍ରସ୍ ଏଣ୍ଟ୍ରପି କ୍ଷତି କାର୍ଯ୍ୟ ହେଉଛି ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ନେଟୱାର୍କ ଲେବଲ୍ ଏବଂ ପ୍ରକୃତ ତଥ୍ୟ ମଧ୍ୟରେ ଅସଙ୍ଗତିର ଲୋଗାରିଥମିକ୍ ସ୍କେଲର ଏକ ମାପ |ପ୍ରଶିକ୍ଷଣ ସମୟରେ, କ୍ଷୟକୁ କମ୍ କରିବା ପାଇଁ ସ୍ନାୟୁ ନେଟୱାର୍କର ଆଭ୍ୟନ୍ତରୀଣ ପାରାମିଟରରେ ଗ୍ରେଡିଏଣ୍ଟ୍ ଅବତରଣ କରାଯାଏ |ଶିକ୍ଷଣ ହାର, ଡ୍ରପଆଉଟ୍ ହାର, ଏବଂ ଓଜନ ହ୍ରାସ ହାଇପରପାରାମିଟରଗୁଡିକ 2 ଟି ଅନିୟମିତ ପ୍ରାରମ୍ଭ ପଏଣ୍ଟ ଏବଂ 10 ଟି ପୁନରାବୃତ୍ତି ସହିତ ବାଇସିଆନ୍ ଅପ୍ଟିମାଇଜେସନ୍ ବ୍ୟବହାର କରି ଟ୍ୟୁନ୍ କରାଯାଇଥିଲା ଏବଂ ଡାଟାସେଟରେ ଥିବା AUC 17 ର ଲକ୍ଷ୍ୟ ଭାବରେ ହାଇପରପ୍ୟାମିଟର ବ୍ୟବହାର କରି ଟ୍ୟୁନ୍ କରାଯାଇଥିଲା |
ସୁପରଫିସିଆଲ୍ କ୍ୟାପିଲାରୀ ପ୍ଲେକ୍ସସ୍ ର 8 × 8 mm OCTA ପ୍ରତିଛବିଗୁଡିକର ପ୍ରତିନିଧୀ ଉଦାହରଣ 2 (A, B), 1 (C, D), ଏବଂ 0 (E, F) ସ୍କୋର କରିଛି |ପ୍ରଦର୍ଶିତ ପ୍ରତିଛବି କଳାକୃତିଗୁଡ଼ିକରେ ick ଲସି ଉଠୁଥିବା ରେଖା (ତୀର), ସେଗମେଣ୍ଟେସନ୍ କଳାକୃତି (ଆଷ୍ଟେରିସ୍କ), ଏବଂ ମିଡିଆ ସ୍ୱଚ୍ଛତା (ତୀର) ଅନ୍ତର୍ଭୁକ୍ତ |ପ୍ରତିଛବି (ଇ) ମଧ୍ୟ ଅଫ୍ ସେଣ୍ଟର୍ ଅଟେ |
ରିସିଭର୍ ଅପରେଟିଂ ବ characteristics ଶିଷ୍ଟ୍ୟଗୁଡିକ (ROC) ବକ୍ରଗୁଡିକ ତାପରେ ସମସ୍ତ ସ୍ନାୟୁ ନେଟୱାର୍କ ମଡେଲ୍ ପାଇଁ ସୃଷ୍ଟି ହୁଏ, ଏବଂ ପ୍ରତ୍ୟେକ ନିମ୍ନ-ଗୁଣାତ୍ମକ ଏବଂ ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ବ୍ୟବହାର ମାମଲା ପାଇଁ ଇଞ୍ଜିନ ସିଗନାଲ୍ ଶକ୍ତି ରିପୋର୍ଟ ସୃଷ୍ଟି ହୁଏ |PROC R ପ୍ୟାକେଜ୍ ବ୍ୟବହାର କରି ବକ୍ର (AUC) ଅନ୍ତର୍ଗତ କ୍ଷେତ୍ର ଗଣନା କରାଯାଇଥିଲା, ଏବଂ 95% ଆତ୍ମବିଶ୍ୱାସର ବ୍ୟବଧାନ ଏବଂ p- ମୂଲ୍ୟ DeLong ପଦ୍ଧତି ବ୍ୟବହାର କରି ଗଣନା କରାଯାଇଥିଲା |ସମସ୍ତ ROC ଗଣନା ପାଇଁ ମାନବ ମୂଲ୍ୟାୟନକାରୀଙ୍କ ସଂଗୃହିତ ସ୍କୋରଗୁଡିକ ବେସ୍ ଲାଇନ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ |ମେସିନ୍ ଦ୍ reported ାରା ରିପୋର୍ଟ ହୋଇଥିବା ସିଗ୍ନାଲ୍ ଶକ୍ତି ପାଇଁ, AUC କୁ ଦୁଇଥର ଗଣନା କରାଯାଇଥିଲା: ଥରେ ଉଚ୍ଚମାନର ମାପନୀୟତା ସ୍କୋର କଟଅଫ୍ ପାଇଁ ଏବଂ ଥରେ ନିମ୍ନ ମାନର ମାପନୀୟତା ସ୍କୋର କଟଅଫ୍ ପାଇଁ |ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ନିଜସ୍ୱ ତାଲିମ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ଅବସ୍ଥାକୁ ପ୍ରତିଫଳିତ କରୁଥିବା AUC ସଙ୍କେତ ଶକ୍ତି ସହିତ ତୁଳନା କରାଯାଏ |
ଏକ ପୃଥକ ଡାଟାସେଟରେ ତାଲିମ ପ୍ରାପ୍ତ ଗଭୀର ଶିକ୍ଷଣ ମଡେଲକୁ ପରୀକ୍ଷଣ କରିବା ପାଇଁ, ଉଚ୍ଚ ଗୁଣବତ୍ତା ଏବଂ ନିମ୍ନ ମାନର ମଡେଲଗୁଡିକ ୟେଲ ବିଶ୍ୱବିଦ୍ୟାଳୟରୁ ସଂଗୃହିତ 32 ପୂର୍ଣ୍ଣ ଚେହେରା 6 \ (\ times \) 6 ମିମି ଭୂପୃଷ୍ଠ ସ୍ଲାବ ପ୍ରତିଛବିଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନରେ ସିଧାସଳଖ ପ୍ରୟୋଗ କରାଯାଇଥିଲା |ଆଖି ମାସ ଚିତ୍ର 8 \ (\ times \) 8 mm ସହିତ ସମାନ ସମୟରେ କେନ୍ଦ୍ରିତ |6 \ (\ × \) 6 mm ପ୍ରତିଛବିଗୁଡିକ ସମାନ ରେଟର୍ (RD ଏବଂ JW) ଦ୍ୱାରା 8 \ (\ × \) 8 mm ପ୍ରତିଛବି ସହିତ ମାନୁଆଲ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା, AUC ଗଣନା କରାଯିବା ସହିତ ସଠିକତା ଏବଂ କୋହେନଙ୍କ କପ୍ପା | ।ସମାନ ଭାବରେ
ନିମ୍ନ ମାନର ମଡେଲ ପାଇଁ ଶ୍ରେଣୀର ଅସନ୍ତୁଳନ ଅନୁପାତ 158: 189 (\ (\ rho = 1.19 \)) ଏବଂ ଉଚ୍ଚମାନର ମଡେଲ ପାଇଁ 80: 267 (\ (\ rho = 3.3 \)) |କାରଣ ଶ୍ରେଣୀର ଅସନ୍ତୁଳନ ଅନୁପାତ 1: 4 ରୁ କମ୍, ଶ୍ରେଣୀର ଅସନ୍ତୁଳନକୁ ସଂଶୋଧନ କରିବା ପାଇଁ କ specific ଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ଥାପତ୍ୟ ପରିବର୍ତ୍ତନ କରାଯାଇ ନାହିଁ |
ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାକୁ ଭଲ ଭାବରେ ଭିଜୁଆଲାଇଜ୍ କରିବାକୁ, ଚାରୋଟି ତାଲିମପ୍ରାପ୍ତ ଗଭୀର ଶିକ୍ଷଣ ମଡେଲଗୁଡିକ ପାଇଁ ଶ୍ରେଣୀ ସକ୍ରିୟ ମାନଚିତ୍ରଗୁଡିକ ସୃଷ୍ଟି କରାଯାଇଥିଲା: ଉଚ୍ଚମାନର ResNet152 ମଡେଲ୍, ନିମ୍ନ ମାନର ResNet152 ମଡେଲ୍, ଉଚ୍ଚମାନର ଆଲେକ୍ସନେଟ୍ ମଡେଲ୍ ଏବଂ ନିମ୍ନ ମାନର ଆଲେକ୍ସନେଟ୍ ମଡେଲ୍ |ଏହି ଚାରୋଟି ମଡେଲର ଇନପୁଟ୍ କନଭୋଲ୍ୟୁସନ୍ ସ୍ତରରୁ କ୍ଲାସ୍ ଆକ୍ଟିଭେସନ୍ ମାନଚିତ୍ରଗୁଡିକ ସୃଷ୍ଟି ହୋଇଥାଏ, ଏବଂ ଉତ୍ତାପ ମାନଚିତ୍ରଗୁଡିକ 8 × 8 ମିଲିମିଟର ଏବଂ 6 × 6 ମିଲିମିଟର ବ valid ଧତା ସେଟ୍ 22, 23 ରୁ ଉତ୍ସ ଚିତ୍ର ସହିତ ଆକ୍ଟିଭେସନ୍ ମାନଚିତ୍ରକୁ ଓଭରଲିଂ କରି ସୃଷ୍ଟି ହୋଇଥାଏ |
ସମସ୍ତ ପରିସଂଖ୍ୟାନ ଗଣନା ପାଇଁ R ସଂସ୍କରଣ 4.0.3 ବ୍ୟବହୃତ ହୋଇଥିଲା, ଏବଂ ggplot2 ଗ୍ରାଫିକ୍ସ ଟୁଲ୍ ଲାଇବ୍ରେରୀ ବ୍ୟବହାର କରି ଭିଜୁଆଲାଇଜେସନ୍ ସୃଷ୍ଟି କରାଯାଇଥିଲା |
ଆମେ 134 ଜଣଙ୍କ ଠାରୁ 8 \ (\ times \) 8 ମିଲିମିଟର ମାପ କରୁଥିବା ଅତିରିକ୍ତ କ୍ୟାପିଲାରୀ ପ୍ଲେକ୍ସସ୍ ର 347 ଫ୍ରଣ୍ଟାଲ୍ ଚିତ୍ର ସଂଗ୍ରହ କରିଛୁ |ମେସିନ୍ ସମସ୍ତ ପ୍ରତିଛବି ପାଇଁ 0 ରୁ 10 ସ୍କେଲରେ ସିଗନାଲ୍ ଶକ୍ତି ରିପୋର୍ଟ କରିଛି (ଅର୍ଥ = 6.99 ± 2.29) |ହାସଲ ହୋଇଥିବା 347 ଟି ଚିତ୍ର ମଧ୍ୟରୁ ହାରାହାରି ବୟସ 58.7 ± 14.6 ବର୍ଷ ଏବଂ 39.2% ପୁରୁଷ ରୋଗୀଙ୍କଠାରୁ ହୋଇଥିଲା |ସମସ୍ତ ଚିତ୍ର ମଧ୍ୟରୁ 30.8% କାଉକଜିଆନ୍, 32.6% କୃଷ୍ଣଙ୍କ ଠାରୁ, 30.8% ହିସାନିକ୍, 4% ଏସୀୟ ଏବଂ ଅନ୍ୟ ଜାତିରୁ 1.7% ଥିଲା (ସାରଣୀ 1) |)ଚିତ୍ରର ଗୁଣବତ୍ତା ଉପରେ ନିର୍ଭର କରି OCTA ରୋଗୀଙ୍କ ବୟସ ବଣ୍ଟନ ଯଥେଷ୍ଟ ଭିନ୍ନ ଥିଲା (p <0.001) |18-45 ବର୍ଷ ବୟସର ଛୋଟ ରୋଗୀମାନଙ୍କରେ ଉଚ୍ଚମାନର ଚିତ୍ରଗୁଡ଼ିକର ଶତକଡ଼ା .8 33..8% ଥିଲା, ନିମ୍ନ ମାନର ଚିତ୍ରଗୁଡ଼ିକର 12.2% ତୁଳନାରେ (ସାରଣୀ 1) |ମଧୁମେହିକ ରେଟିନୋପାଥି ସ୍ଥିତିର ବଣ୍ଟନ ମଧ୍ୟ ଚିତ୍ର ଗୁଣରେ ଭିନ୍ନ ଭିନ୍ନ ଥିଲା (p <0.017) |ସମସ୍ତ ଉଚ୍ଚମାନର ପ୍ରତିଛବିଗୁଡ଼ିକ ମଧ୍ୟରେ, PDR ରୋଗୀଙ୍କ ସଂଖ୍ୟା 18.8% ଥିଲା, ସମସ୍ତ ନିମ୍ନ ମାନର ଚିତ୍ରଗୁଡ଼ିକର 38.8% ତୁଳନାରେ (ସାରଣୀ 1) |
ସମସ୍ତ ପ୍ରତିଛବିଗୁଡିକର ବ୍ୟକ୍ତିଗତ ମୂଲ୍ୟାୟନ ଚିତ୍ର ପ reading ୁଥିବା ଲୋକଙ୍କ ମଧ୍ୟରେ ମଧ୍ୟମରୁ ଶକ୍ତିଶାଳୀ ଆନ୍ତ - ମୂଲ୍ୟାୟନ ନିର୍ଭରଯୋଗ୍ୟତା ଦେଖାଇଲା (କୋହେନଙ୍କ ଓଜନିଆ କାପା = 0.79, 95% CI: 0.76-0.82), ଏବଂ ସେଠାରେ କ image ଣସି ପ୍ରତିଛବି ପଏଣ୍ଟ ନଥିଲା ଯେଉଁଠାରେ ମୂଲ୍ୟାୟନକାରୀମାନେ 1 ରୁ ଅଧିକ ଭିନ୍ନ ହୋଇଥିଲେ (ଚିତ୍ର) | 2A)।ସିଗନାଲ୍ ତୀବ୍ରତା ମାନୁଆଲ୍ ସ୍କୋରିଂ ସହିତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭାବରେ ସଂଯୁକ୍ତ (ପିଆରସନ୍ ଉତ୍ପାଦ ମୁହୂର୍ତ୍ତର ସମ୍ପର୍କ = 0.58, 95% CI 0.51–0.65, p <0.001), କିନ୍ତୁ ଅନେକ ଚିତ୍ର ଉଚ୍ଚ ସଙ୍କେତ ତୀବ୍ରତା କିନ୍ତୁ ନିମ୍ନ ମାନୁଆଲ ସ୍କୋରିଂ (ଚିତ୍ର .2 ବି) ଭାବରେ ଚିହ୍ନଟ ହୋଇଥିଲା |
ResNet152 ଏବଂ AlexNet ସ୍ଥାପତ୍ୟର ତାଲିମ ସମୟରେ, ବ valid ଧତା ଏବଂ ତାଲିମ ଉପରେ କ୍ରସ୍-ଏଣ୍ଟ୍ରପି କ୍ଷତି 50 ଯୁଗରୁ ଅଧିକ (ଚିତ୍ର 3 ବି, ସି) |ଅନ୍ତିମ ତାଲିମ ଯୁଗରେ ବ id ଧତା ସଠିକତା ଉଭୟ ଉଚ୍ଚ ଗୁଣବତ୍ତା ଏବଂ ନିମ୍ନ ମାନର ବ୍ୟବହାର ମାମଲା ପାଇଁ 90% ରୁ ଅଧିକ ଅଟେ |
ରିସିଭର୍ କାର୍ଯ୍ୟଦକ୍ଷତା ବକ୍ରଗୁଡିକ ଦର୍ଶାଏ ଯେ ResNet152 ମଡେଲ୍ ଉଭୟ ନିମ୍ନ ଏବଂ ଉଚ୍ଚମାନର ବ୍ୟବହାର କ୍ଷେତ୍ରରେ (p <0.001) ମେସିନ୍ ଦ୍ୱାରା ରିପୋର୍ଟ କରାଯାଇଥିବା ସିଗନାଲ୍ ପାୱାର୍କୁ ଯଥେଷ୍ଟ ଅଧିକ କରିଥାଏ |ResNet152 ମଡେଲ୍ ମଧ୍ୟ ଆଲେକ୍ସନେଟ୍ ସ୍ଥାପତ୍ୟକୁ ଯଥେଷ୍ଟ କମ୍ କରିଥାଏ (ଯଥାକ୍ରମେ ନିମ୍ନ ମାନର ଏବଂ ଉଚ୍ଚମାନର ମାମଲା ପାଇଁ p = 0.005 ଏବଂ p = 0.014) |ଏହି ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ପାଇଁ ଫଳାଫଳ ମଡେଲଗୁଡିକ ଯଥାକ୍ରମେ 0.99 ଏବଂ 0.97 ର AUC ମୂଲ୍ୟ ହାସଲ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲେ, ଯାହା ମେସିନ୍ ସିଗନାଲ୍ ଶକ୍ତି ସୂଚକାଙ୍କ ପାଇଁ 0.82 ଏବଂ 0.78 ର ସଂପୃକ୍ତ AUC ମୂଲ୍ୟ କିମ୍ବା ଆଲେକ୍ସନେଟ୍ ପାଇଁ 0.97 ଏବଂ 0.94 ଠାରୁ ଯଥେଷ୍ଟ ଭଲ | ।।(ଚିତ୍ର 3)ଉଚ୍ଚମାନର ପ୍ରତିଛବିଗୁଡ଼ିକୁ ଚିହ୍ନିବାବେଳେ ସଙ୍କେତ ଶକ୍ତିରେ ResNet ଏବଂ AUC ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ ଅଧିକ, ଏହି କାର୍ଯ୍ୟ ପାଇଁ ResNet ବ୍ୟବହାର କରିବାର ଅତିରିକ୍ତ ଲାଭ ସୂଚାଇଥାଏ |
ମେସିନ୍ ଦ୍ reported ାରା ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ଶକ୍ତି ସହିତ ସ୍କୋର ଏବଂ ତୁଳନା କରିବାକୁ ପ୍ରତ୍ୟେକ ସ୍ independent ାଧୀନ ରେଟରର କ୍ଷମତା ଗ୍ରାଫ୍ ଦର୍ଶାଏ |(କ) ମୂଲ୍ୟାଙ୍କନ ହେବାକୁ ଥିବା ପଏଣ୍ଟଗୁଡିକର ସମୁଦାୟ ମୂଲ୍ୟାଙ୍କନ କରିବାକୁ ସମୁଦାୟ ପଏଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ |4 ର ସାମଗ୍ରିକ ମାପନୀୟତା ସ୍କୋର ସହିତ ପ୍ରତିଛବିଗୁଡିକ ଉଚ୍ଚମାନର ନ୍ୟସ୍ତ ହୋଇଥିବାବେଳେ ସାମଗ୍ରିକ ମାପନୀୟତା ସ୍କୋର 1 କିମ୍ବା ତା’ଠାରୁ କମ୍ ଥିବା ପ୍ରତିଛବିଗୁଡିକ ନିମ୍ନ ମାନର ନ୍ୟସ୍ତ |(ଖ) ସିଗନାଲ୍ ତୀବ୍ରତା ମାନୁଆଲ୍ ଆକଳନ ସହିତ ଜଡିତ, କିନ୍ତୁ ଉଚ୍ଚ ସଙ୍କେତ ତୀବ୍ରତା ସହିତ ଚିତ୍ରଗୁଡ଼ିକ ଖରାପ ଗୁଣର ହୋଇପାରେ |ଲାଲ୍ ବିନ୍ଦୁ ରେଖା ସଙ୍କେତ ଶକ୍ତି (ସିଗନାଲ୍ ଶକ୍ତି \ (\ ge \) 6) ଉପରେ ଆଧାର କରି ନିର୍ମାତାଙ୍କ ସୁପାରିଶ କରାଯାଇଥିବା ଗୁଣାତ୍ମକ ସୀମାକୁ ସୂଚିତ କରେ |
ମେସିନ୍-ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ସ୍ତର ତୁଳନାରେ ଉଭୟ ନିମ୍ନ ଗୁଣବତ୍ତା ଏବଂ ଉଚ୍ଚମାନର ବ୍ୟବହାର ମାମଲାଗୁଡ଼ିକ ପାଇଁ ResNet ସ୍ଥାନାନ୍ତର ଶିକ୍ଷା ଏକ ଗୁଣାତ୍ମକ ଉନ୍ନତି ପ୍ରଦାନ କରିଥାଏ |(କ) ପୂର୍ବ-ତାଲିମପ୍ରାପ୍ତ (i) ResNet152 ଏବଂ (ii) ଆଲେକ୍ସନେଟ୍ ସ୍ଥାପତ୍ୟର ସରଳୀକୃତ ସ୍ଥାପତ୍ୟ ଚିତ୍ରଗୁଡ଼ିକ |(ଖ) ମେସିନ୍ ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ଶକ୍ତି ଏବଂ ଆଲେକ୍ସନେଟ୍ ନିମ୍ନ ମାନଦଣ୍ଡ ତୁଳନାରେ ResNet152 ପାଇଁ ଟ୍ରେନିଂ ଇତିହାସ ଏବଂ ରିସିଭର୍ କାର୍ଯ୍ୟଦକ୍ଷତା ବକ୍ର |(ଗ) ମେସିନ୍ ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ଶକ୍ତି ଏବଂ ଆଲେକ୍ସନେଟ୍ ଉଚ୍ଚ ଗୁଣବତ୍ତା ମାନଦଣ୍ଡ ତୁଳନାରେ ResNet152 ରସିଦ ତାଲିମ ଇତିହାସ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ବକ୍ରତା |
ନିଷ୍ପତ୍ତି ସୀମା ସୀମାକୁ ସଜାଡିବା ପରେ, ResNet152 ମଡେଲର ସର୍ବାଧିକ ପୂର୍ବାନୁମାନ ସଠିକତା ନିମ୍ନ ମାନର ମାମଲା ପାଇଁ 95.3% ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ମାମଲା ପାଇଁ 93.5% ଅଟେ (ସାରଣୀ 2) |ଆଲେକ୍ସନେଟ ମଡେଲର ସର୍ବାଧିକ ପୂର୍ବାନୁମାନ ସଠିକତା ନିମ୍ନ ଗୁଣବତ୍ତା ମାମଲା ପାଇଁ 91.0% ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ମାମଲା ପାଇଁ 90.1% ଅଟେ (ଟେବୁଲ୍ 2) |ନିମ୍ନ ମାନର ବ୍ୟବହାର ମାମଲା ପାଇଁ ସର୍ବାଧିକ ସଙ୍କେତ ଶକ୍ତି ପୂର୍ବାନୁମାନ ସଠିକତା 76.1% ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବ୍ୟବହାର କ୍ଷେତ୍ରରେ 77.8% |କୋହେନଙ୍କ କପ୍ପା (\ (\ kappa \)) ଅନୁଯାୟୀ, ResNet152 ମଡେଲ ଏବଂ ଆକଳନକାରୀଙ୍କ ମଧ୍ୟରେ ଚୁକ୍ତିନାମା ନିମ୍ନ ମାନର ମାମଲା ପାଇଁ 0.90 ଏବଂ ଉଚ୍ଚମାନର ମାମଲା ପାଇଁ 0.81 ଅଟେ |ନିମ୍ନ ଗୁଣବତ୍ତା ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବ୍ୟବହାର ମାମଲା ପାଇଁ କୋହେନର ଆଲେକ୍ସନେଟ୍ କପ୍ପା ଯଥାକ୍ରମେ 0.82 ଏବଂ 0.71 ଅଟେ |ନିମ୍ନ ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବ୍ୟବହାର ମାମଲାଗୁଡ଼ିକ ପାଇଁ କୋହେନଙ୍କ ସଙ୍କେତ ଶକ୍ତି କପ୍ପା ଯଥାକ୍ରମେ 0.52 ଏବଂ 0.27 ଅଟେ |
6 ମିଲିମିଟର ଫ୍ଲାଟ ପ୍ଲେଟର 6 \ (\ x \) ପ୍ରତିଛବିରେ ଉଚ୍ଚ ଏବଂ ନିମ୍ନ ମାନର ସ୍ୱୀକୃତି ମଡେଲଗୁଡିକର ବ id ଧତା ବିଭିନ୍ନ ଇମେଜିଙ୍ଗ ପାରାମିଟରଗୁଡିକରେ ପ୍ରତିଛବି ଗୁଣ ନିର୍ଣ୍ଣୟ କରିବାର ତାଲିମପ୍ରାପ୍ତ ମଡେଲର କ୍ଷମତା ପ୍ରଦର୍ଶନ କରେ |ଇମେଜିଙ୍ଗ୍ ଗୁଣ ପାଇଁ 6 \ (\ x \) 6 ମିଲିମିଟର ଅସ୍ଥାୟୀ ସ୍ଲାବ୍ ବ୍ୟବହାର କରିବାବେଳେ, ନିମ୍ନ ମାନର ମଡେଲରେ AUC 0.83 (95% CI: 0.69–0.98) ଥିଲା ଏବଂ ଉଚ୍ଚମାନର ମଡେଲରେ AUC 0.85 ଥିଲା |(95% CI: 0.55-1.00) (ସାରଣୀ 2) |
ଇନପୁଟ୍ ସ୍ତର ଶ୍ରେଣୀ ସକ୍ରିୟ ମାନଚିତ୍ରଗୁଡିକର ଭିଜୁଆଲ୍ ଯାଞ୍ଚ ଦର୍ଶାଇଲା ଯେ ସମସ୍ତ ତାଲିମପ୍ରାପ୍ତ ସ୍ନାୟୁ ନେଟୱାର୍କଗୁଡ଼ିକ ଚିତ୍ର ବର୍ଗୀକରଣ ସମୟରେ ଚିତ୍ର ବ features ଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରିଥିଲେ (ଚିତ୍ର 4A, B) |8 \ (\ times \) 8 mm ଏବଂ 6 \ (\ times \) 6 mm ପ୍ରତିଛବି ପାଇଁ, ResNet ଆକ୍ଟିଭେସନ୍ ପ୍ରତିଛବିଗୁଡ଼ିକ ରେଟିନାଲ୍ ଭାସ୍କୁଲ୍ୟୁଚରକୁ ଅତି ନିକଟରୁ ଅନୁସରଣ କରନ୍ତି |ଆଲେକ୍ସନେଟ ଆକ୍ଟିଭେସନ୍ ମାନଚିତ୍ରଗୁଡିକ ମଧ୍ୟ ରେଟିନାଲ୍ ପାତ୍ରଗୁଡିକ ଅନୁସରଣ କରନ୍ତି, କିନ୍ତୁ ଏକତ୍ର ରିଜୋଲ୍ୟୁସନ୍ ସହିତ |
ResNet152 ଏବଂ AlexNet ମଡେଲଗୁଡିକ ପାଇଁ ଶ୍ରେଣୀ ସକ୍ରିୟ ମାନଚିତ୍ରଗୁଡ଼ିକ ପ୍ରତିଛବି ଗୁଣ ସହିତ ଜଡିତ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକୁ ହାଇଲାଇଟ୍ କରେ |)ନିମ୍ନ ମାନଦଣ୍ଡ ଉପରେ ତାଲିମ ପ୍ରାପ୍ତ LQ ମଡେଲ୍, ଉଚ୍ଚମାନର ମାନଦଣ୍ଡରେ ତାଲିମ ପ୍ରାପ୍ତ HQ ମଡେଲ୍ |
ଏହା ପୂର୍ବରୁ ଦର୍ଶାଯାଇଛି ଯେ OCTA ପ୍ରତିଛବିଗୁଡ଼ିକର ଯେକ quant ଣସି ପରିମାଣକୁ ପ୍ରତିଛବି ଗୁଣ ବହୁତ ପ୍ରଭାବିତ କରିଥାଏ |ଏହା ସହିତ, ରେଟିନୋପାଥିର ଉପସ୍ଥିତି ପ୍ରତିଛବି କଳାକୃତିର ଘଟଣାକୁ 7,26 ବ increases ାଇଥାଏ |ବାସ୍ତବରେ, ଆମର ତଥ୍ୟରେ, ପୂର୍ବ ଅଧ୍ୟୟନଗୁଡ଼ିକ ସହିତ ସମାନ, ଆମେ ରେଟିନାଲ୍ ରୋଗର ବୟସ ଏବଂ ଗମ୍ଭୀରତା ଏବଂ ପ୍ରତିଛବି ଗୁଣର ଅବନତି ମଧ୍ୟରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସଙ୍ଗଠନ ପାଇଲୁ (ଯଥାକ୍ରମେ ବୟସ ଏବଂ DR ସ୍ଥିତି ପାଇଁ p <0.001, p = 0.017; ସାରଣୀ 1) 27 ତେଣୁ, OCTA ପ୍ରତିଛବିଗୁଡ଼ିକର କ quant ଣସି ପରିମାଣିକ ବିଶ୍ଳେଷଣ କରିବା ପୂର୍ବରୁ ପ୍ରତିଛବି ଗୁଣର ମୂଲ୍ୟାଙ୍କନ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |OCTA ପ୍ରତିଛବିଗୁଡ଼ିକୁ ବିଶ୍ଳେଷଣ କରୁଥିବା ଅଧିକାଂଶ ଅଧ୍ୟୟନଗୁଡ଼ିକ ନିମ୍ନ ମାନର ପ୍ରତିଛବିଗୁଡ଼ିକୁ ଏଡ଼ାଇବା ପାଇଁ ମେସିନ୍-ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ତୀବ୍ରତା ସୀମା ବ୍ୟବହାର କରନ୍ତି |ଯଦିଓ OCTA ପାରାମିଟରଗୁଡିକର ପରିମାଣକୁ ପ୍ରଭାବିତ କରିବା ପାଇଁ ସିଗନାଲ୍ ତୀବ୍ରତା ଦେଖାଯାଇଛି, କେବଳ ଚିତ୍ରକଳା କଳାକୃତି ସହିତ ଚିତ୍ରଗୁଡ଼ିକୁ ଏଡ଼ାଇବା ପାଇଁ କେବଳ ଉଚ୍ଚ ସଙ୍କେତର ତୀବ୍ରତା ପର୍ଯ୍ୟାପ୍ତ ନୁହେଁ |ତେଣୁ, ପ୍ରତିଛବି ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣର ଏକ ଅଧିକ ନିର୍ଭରଯୋଗ୍ୟ ପଦ୍ଧତି ବିକାଶ କରିବା ଆବଶ୍ୟକ |ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ମେସିନ୍ ଦ୍ୱାରା ରିପୋର୍ଟ କରାଯାଇଥିବା ସଙ୍କେତ ଶକ୍ତି ବିରୁଦ୍ଧରେ ତଦାରଖକାରୀ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ |
ପ୍ରତିଛବି ଗୁଣର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଆମେ ଅନେକ ମଡେଲ୍ ବିକଶିତ କରିଛୁ କାରଣ ବିଭିନ୍ନ OCTA ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ଭିନ୍ନ ଚିତ୍ର ଗୁଣ ଆବଶ୍ୟକତା ରହିପାରେ |ଉଦାହରଣ ସ୍ୱରୂପ, ପ୍ରତିଛବିଗୁଡ଼ିକ ଉଚ୍ଚ ଗୁଣର ହେବା ଉଚିତ |ଏହା ସହିତ, ଆଗ୍ରହର ନିର୍ଦ୍ଦିଷ୍ଟ ପରିମାଣିକ ପାରାମିଟରଗୁଡିକ ମଧ୍ୟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |ଉଦାହରଣ ସ୍ୱରୂପ, ଫୋଭାଲ୍ ଆଭାସ୍କୁଲାର୍ ଜୋନର କ୍ଷେତ୍ର ଅଣ-କେନ୍ଦ୍ରୀୟ ମାଧ୍ୟମର ଅସ୍ଥିରତା ଉପରେ ନିର୍ଭର କରେ ନାହିଁ, କିନ୍ତୁ ଜାହାଜଗୁଡ଼ିକର ଘନତ୍ୱକୁ ପ୍ରଭାବିତ କରେ |ଆମର ଅନୁସନ୍ଧାନ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ଉପରେ ଏକ ସାଧାରଣ ଆଭିମୁଖ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେବା ଜାରି ରଖିଛି, କ particular ଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ପରୀକ୍ଷଣର ଆବଶ୍ୟକତା ସହିତ ବାନ୍ଧି ହୋଇ ନାହିଁ, କିନ୍ତୁ ମେସିନ୍ ଦ୍ୱାରା ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ଶକ୍ତିକୁ ସିଧାସଳଖ ବଦଳାଇବାକୁ ଉଦ୍ଦିଷ୍ଟ, ଆମେ ଉପଭୋକ୍ତାମାନଙ୍କୁ ଏକ ଅଧିକ ନିୟନ୍ତ୍ରଣ ପ୍ରଦାନ କରିବାକୁ ଆଶା କରୁଛୁ ଯାହା ଦ୍ they ାରା ସେମାନେ ଉପଭୋକ୍ତା ପାଇଁ ଆଗ୍ରହର ନିର୍ଦ୍ଦିଷ୍ଟ ମେଟ୍ରିକ୍ ଚୟନ କରିପାରିବ |ଗ୍ରହଣୀୟ ବିବେଚିତ ପ୍ରତିଛବି କଳାକୃତିର ସର୍ବାଧିକ ଡିଗ୍ରୀ ସହିତ ଅନୁରୂପ ଏକ ମଡେଲ୍ ବାଛନ୍ତୁ |
ନିମ୍ନ ମାନର ଏବଂ ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ଦୃଶ୍ୟ ପାଇଁ, ଆମେ ଯଥାକ୍ରମେ 0.97 ଏବଂ 0.99 ଏବଂ ନିମ୍ନ ମାନର ମଡେଲଗୁଡିକ ସହିତ ସଂଯୋଗ-ନିଖୋଜ ଗଭୀର କନଭୋଲ୍ୟୁସନାଲ ସ୍ନାୟୁ ନେଟୱାର୍କର ଉତ୍କୃଷ୍ଟ ପ୍ରଦର୍ଶନ ପ୍ରଦର୍ଶନ କରୁ |କେବଳ ମେସିନ୍ ଦ୍ୱାରା ରିପୋର୍ଟ ହୋଇଥିବା ସିଗନାଲ୍ ସ୍ତର ତୁଳନାରେ ଆମେ ଆମର ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତିର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରୁ |ସ୍କିପ୍ ସଂଯୋଗଗୁଡିକ ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ଏକାଧିକ ସ୍ତରର ସବିଶେଷ ବ features ଶିଷ୍ଟ୍ୟ ଶିଖିବାକୁ ଅନୁମତି ଦିଏ, ପ୍ରତିଛବିଗୁଡ଼ିକର ସୂକ୍ଷ୍ମ ଦିଗଗୁଡିକ (ଯଥା ବିପରୀତ) ଏବଂ ସାଧାରଣ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ (ଯେପରିକି ପ୍ରତିଛବି କେନ୍ଦ୍ର 30,31) କ୍ୟାପଚର୍ କରିଥାଏ |ଯେହେତୁ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ଉପରେ ପ୍ରଭାବ ପକାଉଥିବା ପ୍ରତିଛବି କଳାକୃତିଗୁଡିକ ବୋଧହୁଏ ଏକ ବ୍ୟାପକ ସୀମା ମଧ୍ୟରେ ସର୍ବୋତ୍ତମ ଭାବରେ ଚିହ୍ନଟ ହୋଇଛି, ନିଖୋଜ ସଂଯୋଗ ସହିତ ସ୍ନାୟୁ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ଚିତ୍ର ଗୁଣବତ୍ତା ନିର୍ଣ୍ଣୟ କାର୍ଯ୍ୟ ନଥିବା ଲୋକଙ୍କ ଅପେକ୍ଷା ଉତ୍ତମ ପ୍ରଦର୍ଶନ ପ୍ରଦର୍ଶନ କରିପାରନ୍ତି |
6 \ (\ × 6mm) OCTA ପ୍ରତିଛବିଗୁଡ଼ିକରେ ଆମର ମଡେଲ୍ ପରୀକ୍ଷା କରିବାବେଳେ, ଆମେ ଉଚ୍ଚମାନର ଏବଂ ନିମ୍ନ ମାନର ମଡେଲ୍ (ଚିତ୍ର 2) ପାଇଁ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ରାସ ପାଇଥିବାର ଲକ୍ଷ୍ୟ କରିଥିଲୁ, ଶ୍ରେଣୀକରଣ ପାଇଁ ତାଲିମ ପ୍ରାପ୍ତ ମଡେଲର ଆକାର ତୁଳନାରେ |ResNet ମଡେଲ୍ ତୁଳନାରେ, ଆଲେକ୍ସନେଟ୍ ମଡେଲର ଏକ ବଡ଼ ଖସିବା ଅଛି |ResNet ର ଅପେକ୍ଷାକୃତ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ଏକାଧିକ ମାପରେ ସୂଚନା ପଠାଇବା ପାଇଁ ଅବଶିଷ୍ଟ ସଂଯୋଗଗୁଡ଼ିକର କ୍ଷମତା ହେତୁ ହୋଇପାରେ, ଯାହା ବିଭିନ୍ନ ମାପ ଏବଂ / କିମ୍ବା ବୃଦ୍ଧିରେ କଏଦ ହୋଇଥିବା ଚିତ୍ରଗୁଡ଼ିକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ମଡେଲକୁ ଅଧିକ ଦୃ ust କରିଥାଏ |
8 \ (\ × \) 8 ମିମି ପ୍ରତିଛବି ଏବଂ 6 \ (\ × \) 6 ମିମି ପ୍ରତିଛବି ମଧ୍ୟରେ କିଛି ପାର୍ଥକ୍ୟ ଖରାପ ବର୍ଗୀକରଣକୁ ନେଇପାରେ, ଯେଉଁଥିରେ ଫୋଭାଲ୍ ଆଭାସ୍କୁଲାର୍ କ୍ଷେତ୍ର ଧାରଣ କରିଥିବା ଚିତ୍ରଗୁଡ଼ିକର ଅପେକ୍ଷାକୃତ ଅଧିକ ଅନୁପାତ, ଦୃଶ୍ୟମାନତାର ପରିବର୍ତ୍ତନ, ଭାସ୍କୁଲାର୍ ଆର୍କେଡ୍, ଏବଂ ପ୍ରତିଛବି ଉପରେ କ opt ଣସି ଅପ୍ଟିକ୍ ସ୍ନାୟୁ 6 × 6 mm |ଏହା ସତ୍ତ୍ our େ, ଆମର ଉଚ୍ଚମାନର ResNet ମଡେଲ୍ 6 \ (\ x \) 6 mm ପ୍ରତିଛବି ପାଇଁ 85% AUC ହାସଲ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲା, ଏକ ସଂରଚନା ଯାହା ପାଇଁ ମଡେଲ୍ ତାଲିମପ୍ରାପ୍ତ ନୁହେଁ, ପରାମର୍ଶ ଦେଇଥାଏ ଯେ ଚିତ୍ର ଗୁଣବତ୍ତା ସୂଚନା ସ୍ନାୟୁ ନେଟୱାର୍କରେ ଏନକୋଡ୍ ହୋଇଛି | ଉପଯୁକ୍ତ ଅଟେ |ଏହାର ତାଲିମ ବାହାରେ ଗୋଟିଏ ପ୍ରତିଛବି ଆକାର କିମ୍ବା ମେସିନ୍ ବିନ୍ୟାସ ପାଇଁ (ସାରଣୀ 2) |ଆଶ୍ uring ାସନାଦାୟକ ଭାବରେ, ResNet- ଏବଂ ଆଲେକ୍ସନେଟ୍ ପରି ଆକ୍ଟିଭେସନ୍ ମାନଚିତ୍ରଗୁଡିକ 8 \ (\ times \) 8 mm ଏବଂ 6 \ (\ times \) 6 mm ପ୍ରତିଛବିଗୁଡିକ ଉଭୟ କ୍ଷେତ୍ରରେ ରେଟିନା ପାତ୍ରକୁ ହାଇଲାଇଟ୍ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲେ, ଏହି ମଡେଲରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୂଚନା ଅଛି ବୋଲି ମତ ଦେଇଥିଲେ |ଉଭୟ ପ୍ରକାରର OCTA ପ୍ରତିଛବିଗୁଡିକ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ପ୍ରଯୁଜ୍ୟ (ଚିତ୍ର 4) |
ଲାଉରମ୍ୟାନ୍ ଏବଂ ଅନ୍ୟମାନେ |OCTA ପ୍ରତିଛବିଗୁଡ଼ିକ ଉପରେ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ମୂଲ୍ୟାଙ୍କନ ସମାନ ଭାବରେ ଇନସେପ୍ଟ ସ୍ଥାପତ୍ୟ ବ୍ୟବହାର କରି କରାଯାଇଥିଲା, ଗଭୀର ଶିକ୍ଷା କ ques ଶଳ ବ୍ୟବହାର କରି ଅନ୍ୟ ଏକ ସ୍କିପ୍-ସଂଯୋଗ କନଭୋଲ୍ୟୁସନ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ 6,32 |ସେମାନେ ଅଧ୍ୟୟନକୁ ଅତିରିକ୍ତ କ୍ୟାପିଲାରୀ ପ୍ଲେକ୍ସସ୍ ର ପ୍ରତିଛବିରେ ସୀମିତ ରଖିଥିଲେ, କିନ୍ତୁ କେବଳ ଅପ୍ଟୋଭୋ ଆଞ୍ଜିଓଭ୍ୟୁରୁ ଛୋଟ × × mm ମିଲିମିଟର ଚିତ୍ର ବ୍ୟବହାର କରିଥିଲେ, ଯଦିଓ ବିଭିନ୍ନ କୋରିଓରେଟିନାଲ୍ ରୋଗରେ ପୀଡିତ ରୋଗୀମାନେ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଥିଲେ |ଆମର କାର୍ଯ୍ୟ ସେମାନଙ୍କର ମୂଳଦୁଆ ଉପରେ ନିର୍ମିତ, ବିଭିନ୍ନ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ସୀମାକୁ ସମାଧାନ କରିବା ଏବଂ ବିଭିନ୍ନ ଆକାରର ଚିତ୍ର ପାଇଁ ଫଳାଫଳକୁ ବ valid ଧ କରିବା ପାଇଁ ଏକାଧିକ ମଡେଲ୍ ଅନ୍ତର୍ଭୁକ୍ତ କରି |ଆମେ ମଧ୍ୟ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲଗୁଡିକର AUC ମେଟ୍ରିକ୍ ରିପୋର୍ଟ କରୁ ଏବଂ ଉଭୟ ନିମ୍ନ ଗୁଣବତ୍ତା (96%) ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା (95.7%) ମଡେଲଗୁଡିକ ପାଇଁ ସେମାନଙ୍କର ପୂର୍ବରୁ ପ୍ରଭାବଶାଳୀ ସଠିକତା (90%) 6 ବୃଦ୍ଧି କରୁ |
ଏହି ତାଲିମର ଅନେକ ସୀମା ଅଛି |ପ୍ରଥମେ, ପ୍ରତିଛବିଗୁଡ଼ିକ କେବଳ ଗୋଟିଏ OCTA ମେସିନ୍ ସହିତ ଅର୍ଜନ କରାଯାଇଥିଲା, କେବଳ 8 \ (\ times \) 8 mm ଏବଂ 6 \ (\ times \) 6 mm ରେ ଥିବା ସୁପରଫିସିଆଲ୍ କ୍ୟାପିଲାରୀ ପ୍ଲେକ୍ସସ୍ ର ଚିତ୍ର ଅନ୍ତର୍ଭୁକ୍ତ କରି |ଗଭୀର ସ୍ତରରୁ ପ୍ରତିଛବିଗୁଡ଼ିକୁ ବାଦ ଦେବାର କାରଣ ହେଉଛି ପ୍ରୋଜେକସନ କଳାକୃତି ଚିତ୍ରଗୁଡ଼ିକର ମାନୁଆଲ ମୂଲ୍ୟାଙ୍କନକୁ ଅଧିକ କଷ୍ଟସାଧ୍ୟ ଏବଂ ସମ୍ଭବତ less କମ୍ ସ୍ଥିର କରିପାରେ |ଅଧିକନ୍ତୁ, ଚିତ୍ର କେବଳ ମଧୁମେହ ରୋଗୀଙ୍କଠାରେ ହାସଲ କରାଯାଇଛି, ଯେଉଁମାନଙ୍କ ପାଇଁ OCTA ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନିଦାନ ଏବଂ ପ୍ରଗ୍ନୋଷ୍ଟିକ୍ ଉପକରଣ ଭାବରେ ଉଭା ହେଉଛି 33,34 |ଯଦିଓ ଫଳାଫଳଗୁଡିକ ଦୃ ust ବୋଲି ନିଶ୍ଚିତ କରିବାକୁ ଆମେ ବିଭିନ୍ନ ଆକାରର ଚିତ୍ର ଉପରେ ଆମର ମଡେଲ୍ ପରୀକ୍ଷା କରିବାକୁ ସକ୍ଷମ ହୋଇଥିଲେ, ଆମେ ବିଭିନ୍ନ କେନ୍ଦ୍ରରୁ ଉପଯୁକ୍ତ ଡାଟାସେଟ୍ ଚିହ୍ନଟ କରିବାରେ ଅସମର୍ଥ, ଯାହା ମଡେଲର ସାଧାରଣତା ଉପରେ ଆମର ମୂଲ୍ୟାଙ୍କନକୁ ସୀମିତ କରିଥିଲା ​​|ଯଦିଓ ଚିତ୍ରଗୁଡ଼ିକ କେବଳ ଗୋଟିଏ କେନ୍ଦ୍ରରୁ ମିଳିଥିଲା, ସେଗୁଡିକ ବିଭିନ୍ନ ଜାତି ଏବଂ ଜାତିଗତ ବର୍ଗର ରୋଗୀଙ୍କଠାରୁ ମିଳିଥିଲା, ଯାହା ଆମର ଅଧ୍ୟୟନର ଏକ ନିଆରା ଶକ୍ତି |ଆମର ପ୍ରଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାରେ ବିବିଧତାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି, ଆମେ ଆଶା କରୁ ଯେ ଆମର ଫଳାଫଳଗୁଡିକ ବ୍ୟାପକ ଅର୍ଥରେ ସାଧାରଣ ହେବ ଏବଂ ଆମେ ପ୍ରଶିକ୍ଷଣ ଦେଉଥିବା ମଡେଲଗୁଡିକରେ ଜାତିଗତ ପକ୍ଷପାତକୁ ଏନକୋଡିଂ କରିବା ଠାରୁ ଦୂରେଇ ରହିବୁ |
ଆମର ଅଧ୍ୟୟନ ଦର୍ଶାଏ ଯେ OCTA ପ୍ରତିଛବି ଗୁଣ ନିର୍ଣ୍ଣୟ କରିବାରେ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବାକୁ ସଂଯୋଗ-ସ୍କିପିଂ ସ୍ନାୟୁ ନେଟୱାର୍କଗୁଡ଼ିକୁ ତାଲିମ ଦିଆଯାଇପାରିବ |ପରବର୍ତ୍ତୀ ଅନୁସନ୍ଧାନ ପାଇଁ ଆମେ ଏହି ମଡେଲଗୁଡିକୁ ସାଧନ ଭାବରେ ପ୍ରଦାନ କରୁ |କାରଣ ବିଭିନ୍ନ ମେଟ୍ରିକ୍ସରେ ଭିନ୍ନ ଭିନ୍ନ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ଆବଶ୍ୟକତା ରହିପାରେ, ଏଠାରେ ସ୍ଥାପିତ ସଂରଚନାକୁ ବ୍ୟବହାର କରି ପ୍ରତ୍ୟେକ ମେଟ୍ରିକ୍ ପାଇଁ ଏକ ବ୍ୟକ୍ତିଗତ ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ମଡେଲ୍ ବିକଶିତ ହୋଇପାରିବ |
ଭବିଷ୍ୟତର ଅନୁସନ୍ଧାନରେ ବିଭିନ୍ନ ଗଭୀରତା ଏବଂ ବିଭିନ୍ନ OCTA ମେସିନ୍ ଠାରୁ ବିଭିନ୍ନ ଆକାରର ଚିତ୍ର ଅନ୍ତର୍ଭୂକ୍ତ କରାଯିବା ଉଚିତ ଯାହା ଏକ ଗଭୀର ଶିକ୍ଷଣ ପ୍ରତିଛବି ଗୁଣାତ୍ମକ ମୂଲ୍ୟାଙ୍କନ ପ୍ରକ୍ରିୟା ପାଇବା ପାଇଁ ଯାହା OCTA ପ୍ଲାଟଫର୍ମ ଏବଂ ଇମେଜିଂ ପ୍ରୋଟୋକଲରେ ସାଧାରଣ ହୋଇପାରିବ |ସାମ୍ପ୍ରତିକ ଅନୁସନ୍ଧାନ ମଧ୍ୟ ତଦାରଖ ହୋଇଥିବା ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ ଯାହା ମାନବ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ପ୍ରତିଛବି ମୂଲ୍ୟାଙ୍କନ ଆବଶ୍ୟକ କରେ, ଯାହା ବୃହତ ଡାଟାବେସ୍ ପାଇଁ ଶ୍ରମ ଅଧିକ ଏବଂ ସମୟ ସାପେକ୍ଷ ହୋଇପାରେ |ଏହା ଦେଖିବାକୁ ବାକି ରହିଲା କି ଅସୁରକ୍ଷିତ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତିଗୁଡ଼ିକ ନିମ୍ନ ମାନର ପ୍ରତିଛବି ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ପ୍ରତିଛବିଗୁଡିକ ମଧ୍ୟରେ ଯଥେଷ୍ଟ ପାର୍ଥକ୍ୟ କରିପାରିବ କି ନାହିଁ |
ଯେହେତୁ OCTA ଟେକ୍ନୋଲୋଜି ବିକଶିତ ହେବାରେ ଲାଗିଛି ଏବଂ ସ୍କାନିଂ ବେଗ ବ increase ୁଛି, ପ୍ରତିଛବି କଳାକୃତି ଏବଂ ଖରାପ ଗୁଣାତ୍ମକ ଚିତ୍ରଗୁଡ଼ିକର ଘଟଣା ହ୍ରାସ ହୋଇପାରେ |ସଫ୍ଟୱେୟାରରେ ଉନ୍ନତି, ଯେପରିକି ନିକଟରେ ପ୍ରବର୍ତ୍ତିତ ପ୍ରୋଜେକସନ ଆର୍ଟିଫାକ୍ଟ ଅପସାରଣ ବ feature ଶିଷ୍ଟ୍ୟ, ଏହି ସୀମାକୁ ମଧ୍ୟ ହ୍ରାସ କରିପାରେ |ଅବଶ୍ୟ, ଅନେକ ସମସ୍ୟା ଖରାପ ଫିକ୍ସିଂ କିମ୍ବା ମହତ୍ media ପୂର୍ଣ୍ଣ ମିଡିଆ ଟର୍ବିଡିଟି ଥିବା ରୋଗୀଙ୍କ ଇମେଜିଙ୍ଗ୍ ଭାବରେ ଇମେଜ୍ ଆର୍ଟିଫାକ୍ଟରେ ପରିଣତ ହୁଏ |ଯେହେତୁ OCTA କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣରେ ଅଧିକ ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ, ପ୍ରତିଛବି ବିଶ୍ଳେଷଣ ପାଇଁ ଗ୍ରହଣୀୟ ପ୍ରତିଛବି କଳାକୃତି ସ୍ତର ପାଇଁ ସ୍ପଷ୍ଟ ନିର୍ଦ୍ଦେଶାବଳୀ ପ୍ରତିଷ୍ଠା କରିବା ପାଇଁ ଯତ୍ନର ସହ ବିଚାର କରିବା ଆବଶ୍ୟକ |OCTA ପ୍ରତିଛବିଗୁଡିକରେ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତିର ପ୍ରୟୋଗ ବହୁତ ପ୍ରତିଜ୍ holds ା ରଖେ ଏବଂ ପ୍ରତିଛବି ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ପାଇଁ ଏକ ଦୃ ust ଼ ଆଭିମୁଖ୍ୟ ବିକଶିତ କରିବା ପାଇଁ ଏହି କ୍ଷେତ୍ରରେ ଅଧିକ ଗବେଷଣା ଆବଶ୍ୟକ |
ସାମ୍ପ୍ରତିକ ଅନୁସନ୍ଧାନରେ ବ୍ୟବହୃତ କୋଡ୍ ଅକ୍ଟା- qc ରେପୋଜିଟୋରୀ, https://github.com/rahuldhodapkar/octa-qc ରେ ଉପଲବ୍ଧ |ସାମ୍ପ୍ରତିକ ଅଧ୍ୟୟନ ସମୟରେ ସୃଷ୍ଟି ହୋଇଥିବା ଏବଂ / କିମ୍ବା ବିଶ୍ଳେଷଣ କରାଯାଇଥିବା ଡାଟାବେସଗୁଡ଼ିକ ଯଥାର୍ଥ ଅନୁରୋଧ ପରେ ସମ୍ପୃକ୍ତ ଲେଖକମାନଙ୍କଠାରୁ ଉପଲବ୍ଧ |
ସ୍ପାଇଡ୍, ଆରଏଫ୍, ଫୁଜିମୋଟୋ, ଜେଜି ଏବଂ ୱାହିଦ୍, ଅପ୍ଟିକାଲ୍ ସମନ୍ୱୟ ଆଙ୍ଗିଓଗ୍ରାଫିରେ NK ପ୍ରତିଛବି କଳାକୃତି |ରେଟିନା 35, 2163–2180 (2015) |
ଫେନର୍, ବିଜୁ ଇତ୍ୟାଦି |ଇମେଜିଙ୍ଗ୍ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକର ଚିହ୍ନଟ ଯାହା OCT ଆଙ୍ଗିଓଗ୍ରାଫିରେ ରେଟିନାଲ୍ କ୍ୟାପିଲାରୀ ପ୍ଲେକ୍ସସ୍ ସାନ୍ଦ୍ରତା ମାପର ଗୁଣ ଏବଂ ପୁନ oduc ପ୍ରବୃତ୍ତି ନିର୍ଣ୍ଣୟ କରେ |BR।J. Ophthalmol102, 509-514 (2018) |
ଲାଉରମ୍ୟାନ୍, ଜେ.ଏଲ୍।ବୟସ ସମ୍ବନ୍ଧୀୟ ମାକୁଲାର ଡିଜେରେନ୍ସରେ OCT ଆଙ୍ଗିଓଗ୍ରାଫିର ପ୍ରତିଛବି ଗୁଣ ଉପରେ ଆଖି-ଟ୍ରାକିଂ ଟେକ୍ନୋଲୋଜିର ପ୍ରଭାବ |କବର ଆର୍।କ୍ଲିନିକାଲ୍ଏକ୍ସ।ଚକ୍ଷୁ ଚିକିତ୍ସା255, 1535-1542 (2017) |
Babyuch AS et al।ମାକୁଲାର ଇସକେମିଆକୁ ଚିହ୍ନଟ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ OCTA କ୍ୟାପିଲାରୀ ସୁଗନ୍ଧ ଘନତା ମାପ ବ୍ୟବହୃତ ହୁଏ |ଚକ୍ଷୁ ଅସ୍ତ୍ରୋପଚାର |ରେଟିନାଲ୍ ଲେଜର ଇମେଜିଙ୍ଗ୍ 51, S30 - S36 (2020) |
ସେ, କେ।, Zhang ାଙ୍ଗ, ଏକ୍ସ।, ରେନ୍, ଏସ୍, ଏବଂ ସୂର୍ଯ୍ୟ, ପ୍ରତିଛବି ଚିହ୍ନିବା ପାଇଁ ଜେ।2016 ରେ IEEE ସମ୍ମିଳନୀରେ କମ୍ପ୍ୟୁଟର ଭିଜନ ଏବଂ ପାଟର୍ନ ସ୍ୱୀକୃତି (2016) ରେ |
ଲାଉରମ୍ୟାନ୍, ଜେ.ଏଲ୍।ଗଭୀର ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ସ୍ୱୟଂଚାଳିତ OCT ଆଙ୍ଗିଓଗ୍ରାଫିକ୍ ପ୍ରତିଛବି ଗୁଣାତ୍ମକ ମୂଲ୍ୟାଙ୍କନ |କବର ଆର୍।କ୍ଲିନିକାଲ୍ଏକ୍ସ।ଚକ୍ଷୁ ଚିକିତ୍ସା257, 1641–1648 (2019) |
ଲାଉର୍ମାନ୍, ଜେ।OCT ଆଙ୍ଗିଓଗ୍ରାଫିରେ ସେଗମେଣ୍ଟେସନ୍ ତ୍ରୁଟି ଏବଂ ଗତି କଳାକୃତିର ପ୍ରସାର ରେଟିନା ରୋଗ ଉପରେ ନିର୍ଭର କରେ |କବର ଆର୍।କ୍ଲିନିକାଲ୍ଏକ୍ସ।ଚକ୍ଷୁ ଚିକିତ୍ସା256, 1807-1816 (2018) |
ପାସ୍କ, ଆଦାମ ଏବଂ ଅନ୍ୟମାନେ |ପାଇଚର୍: ଏକ ଇମ୍ପେରେଟିଭ୍, ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ଗଭୀର ଶିକ୍ଷା ଲାଇବ୍ରେରୀ |ସ୍ନାୟୁ ସୂଚନାର ଉନ୍ନତ ପ୍ରକ୍ରିୟାକରଣ |ସିଷ୍ଟମ୍32, 8026–8037 (2019) |
ଡେଙ୍ଗ୍, ଜେ।ଇମେଜ୍ ନେଟ: ଏକ ବଡ଼-ମାପ ହାଇରାର୍କିକାଲ୍ ଇମେଜ୍ ଡାଟାବେସ୍ |2009 କମ୍ପ୍ୟୁଟର ଭିଜନ ଏବଂ ପାଟର୍ନ ସ୍ୱୀକୃତି ଉପରେ IEEE ସମ୍ମିଳନୀ |248-255(2009)
କ୍ରିଜୋଭସ୍କି ଏ।ସ୍ନାୟୁ ସୂଚନାର ଉନ୍ନତ ପ୍ରକ୍ରିୟାକରଣ |ସିଷ୍ଟମ୍25, 1 (2012)