Nature.com پر جانے کا شکریہ۔آپ محدود سی ایس ایس سپورٹ کے ساتھ براؤزر کا ورژن استعمال کر رہے ہیں۔بہترین تجربے کے لیے، ہم تجویز کرتے ہیں کہ آپ ایک اپ ڈیٹ شدہ براؤزر استعمال کریں (یا انٹرنیٹ ایکسپلورر میں مطابقت موڈ کو غیر فعال کریں)۔اس کے علاوہ، مسلسل تعاون کو یقینی بنانے کے لیے، ہم سائٹ کو بغیر اسٹائل اور جاوا اسکرپٹ کے دکھاتے ہیں۔
سلائیڈرز فی سلائیڈ تین مضامین دکھا رہے ہیں۔سلائیڈوں کے ذریعے جانے کے لیے پیچھے اور اگلے بٹنوں کا استعمال کریں، یا ہر سلائیڈ سے گزرنے کے لیے آخر میں سلائیڈ کنٹرولر بٹن استعمال کریں۔
آپٹیکل کوہرنس ٹوموگرافک انجیوگرافی (OCTA) ریٹنا کی نالیوں کے غیر حملہ آور تصور کے لیے ایک نیا طریقہ ہے۔اگرچہ OCTA کے پاس بہت سے امید افزا کلینیکل ایپلی کیشنز ہیں، لیکن تصویر کے معیار کا تعین کرنا ایک چیلنج ہے۔ہم نے 134 مریضوں کے 347 اسکینوں سے سطحی کیپلیری پلیکسس امیجز کی درجہ بندی کرنے کے لیے امیج نیٹ کے ساتھ پہلے سے تربیت یافتہ ResNet152 نیورل نیٹ ورک کلاسیفائر کا استعمال کرتے ہوئے ایک گہری سیکھنے پر مبنی نظام تیار کیا۔زیر نگرانی سیکھنے کے ماڈل کے لئے دو آزاد ریٹرز کے ذریعہ تصاویر کو دستی طور پر حقیقی سچائی کے طور پر بھی جانچا گیا۔چونکہ تصویری معیار کے تقاضے طبی یا تحقیقی ترتیبات کے لحاظ سے مختلف ہو سکتے ہیں، اس لیے دو ماڈلز کو تربیت دی گئی، ایک اعلیٰ معیار کی تصویر کی شناخت کے لیے اور دوسرا کم معیار کی تصویر کی شناخت کے لیے۔ہمارا نیورل نیٹ ورک ماڈل منحنی خطوط (AUC) کے نیچے ایک بہترین رقبہ دکھاتا ہے، 95% CI 0.96-0.99، \(\kappa\) = 0.81)، جو کہ مشین کے ذریعے بتائے گئے سگنل کی سطح سے نمایاں طور پر بہتر ہے (AUC = 0.82, 95) % CI)۔0.77–0.86، \(\kappa\) = 0.52 اور AUC = 0.78، 95% CI 0.73–0.83، \(\kappa\) = 0.27، بالترتیب)۔ہمارا مطالعہ یہ ظاہر کرتا ہے کہ مشین لرننگ کے طریقے OCTA امیجز کے لیے لچکدار اور مضبوط کوالٹی کنٹرول کے طریقے تیار کرنے کے لیے استعمال کیے جا سکتے ہیں۔
آپٹیکل کوہرنس ٹوموگرافک انجیوگرافی (OCTA) آپٹیکل کوہرنس ٹوموگرافی (OCT) پر مبنی ایک نسبتاً نئی تکنیک ہے جسے ریٹنا مائیکرو واسکولیچر کے غیر ناگوار تصور کے لیے استعمال کیا جا سکتا ہے۔OCTA ریٹنا کے ایک ہی حصے میں بار بار روشنی کی دالوں سے عکاسی کے نمونوں میں فرق کی پیمائش کرتا ہے، اور پھر رنگوں یا دیگر کنٹراسٹ ایجنٹوں کے ناگوار استعمال کے بغیر خون کی نالیوں کو ظاہر کرنے کے لیے تعمیر نو کا حساب لگایا جا سکتا ہے۔OCTA ڈیپتھ ریزولوشن ویسکولر امیجنگ کو بھی قابل بناتا ہے، جس سے معالجین کو سطحی اور گہرے برتنوں کی پرتوں کا الگ الگ معائنہ کرنے کی اجازت ملتی ہے، جس سے کوریوریٹینل بیماری کے درمیان فرق کرنے میں مدد ملتی ہے۔
اگرچہ یہ تکنیک امید افزا ہے، تصویر کے معیار کی تبدیلی قابل اعتماد تصویری تجزیہ کے لیے ایک بڑا چیلنج بنی ہوئی ہے، جس سے تصویر کی تشریح کو مشکل بناتا ہے اور بڑے پیمانے پر کلینیکل اپنانے کو روکتا ہے۔چونکہ OCTA ایک سے زیادہ مسلسل OCT اسکینوں کا استعمال کرتا ہے، یہ معیاری OCT کے مقابلے تصویری نمونوں کے لیے زیادہ حساس ہے۔زیادہ تر تجارتی OCTA پلیٹ فارم اپنی تصویر کے معیار کا میٹرک فراہم کرتے ہیں جسے سگنل سٹرینتھ (SS) یا بعض اوقات سگنل سٹرینتھ انڈیکس (SSI) کہا جاتا ہے۔تاہم، اعلی SS یا SSI قدر والی تصاویر تصویری نمونوں کی عدم موجودگی کی ضمانت نہیں دیتی ہیں، جو بعد میں آنے والے کسی بھی تصویری تجزیے کو متاثر کر سکتی ہیں اور غلط طبی فیصلوں کا باعث بن سکتی ہیں۔عام تصویری نمونے جو OCTA امیجنگ میں ہوسکتے ہیں ان میں موشن آرٹفیکٹس، سیگمنٹیشن آرٹفیکٹس، میڈیا اوپیسٹی آرٹفیکٹس، اور پروجیکشن آرٹفیکٹس 1,2,3 شامل ہیں۔
چونکہ OCTA سے ماخوذ اقدامات جیسے کہ عروقی کثافت ترجمے کی تحقیق، کلینیکل ٹرائلز اور کلینیکل پریکٹس میں تیزی سے استعمال ہو رہی ہے، اس لیے تصویری نوادرات کو ختم کرنے کے لیے مضبوط اور قابل اعتماد امیج کوالٹی کنٹرول کے عمل کو تیار کرنے کی فوری ضرورت ہے۔سکیپ کنکشنز، جسے بقایا کنکشن بھی کہا جاتا ہے، نیورل نیٹ ورک کے فن تعمیر میں ایسے تخمینے ہیں جو معلومات کو مختلف پیمانوں یا ریزولیوشنز پر محفوظ کرتے ہوئے قنوطی تہوں کو نظرانداز کرنے کی اجازت دیتے ہیں۔چونکہ تصویری نمونے چھوٹے پیمانے پر اور عام بڑے پیمانے پر تصویری کارکردگی کو متاثر کر سکتے ہیں، اس لیے اسکپ کنکشن نیورل نیٹ ورک اس کوالٹی کنٹرول ٹاسک5 کو خودکار کرنے کے لیے موزوں ہیں۔حال ہی میں شائع شدہ کام نے انسانی تخمینہ کرنے والوں کے اعلیٰ معیار کے ڈیٹا کا استعمال کرتے ہوئے تربیت یافتہ گہرے عصبی نیٹ ورکس کے لیے کچھ وعدہ دکھایا ہے۔
اس مطالعہ میں، ہم OCTA امیجز کے معیار کا خود بخود تعین کرنے کے لیے کنکشن کو چھوڑنے والے کنوولیشنل نیورل نیٹ ورک کو تربیت دیتے ہیں۔ہم اعلیٰ کوالٹی امیجز اور کم کوالٹی امیجز کی شناخت کے لیے الگ الگ ماڈل تیار کر کے پچھلے کام کو آگے بڑھاتے ہیں، کیونکہ تصویر کے معیار کے تقاضے مخصوص طبی یا تحقیقی منظرناموں کے لیے مختلف ہو سکتے ہیں۔ہم ان نیٹ ورکس کے نتائج کا موازنہ کنوولیشنل نیورل نیٹ ورکس کے ساتھ کرتے ہیں جن میں کنکشن غائب نہیں ہوتے ہیں تاکہ گہرائی سے سیکھنے کے اندر گرانولیریٹی کی متعدد سطحوں پر خصوصیات کو شامل کرنے کی قدر کا اندازہ کیا جا سکے۔اس کے بعد ہم نے اپنے نتائج کا سگنل کی طاقت سے موازنہ کیا، جو کہ مینوفیکچررز کے ذریعہ فراہم کردہ تصویری معیار کا عام طور پر قبول کیا جاتا ہے۔
ہمارے مطالعے میں ذیابیطس کے مریض شامل تھے جنہوں نے 11 اگست 2017 سے 11 اپریل 2019 کے درمیان ییل آئی سنٹر میں شرکت کی۔عمر، جنس، نسل، تصویر کے معیار، یا کسی دوسرے عنصر کی بنیاد پر کوئی شمولیت یا اخراج کا معیار نہیں تھا۔
Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) پر AngioPlex پلیٹ فارم کا استعمال کرتے ہوئے OCTA امیجز 8\(\times\)8 mm اور 6\(\times\)6 mm امیجنگ پروٹوکول کے تحت حاصل کی گئیں۔مطالعہ میں شرکت کے لیے باخبر رضامندی ہر مطالعہ کے شریک سے حاصل کی گئی تھی، اور ییل یونیورسٹی انسٹیٹیوشنل ریویو بورڈ (IRB) نے ان تمام مریضوں کے لیے عالمی فوٹو گرافی کے ساتھ باخبر رضامندی کے استعمال کی منظوری دی۔ہیلسنکی کے اعلامیے کے اصولوں پر عمل کرتے ہوئےیہ مطالعہ ییل یونیورسٹی IRB کی طرف سے منظور کیا گیا تھا.
سرفیس پلیٹ امیجز کا اندازہ پہلے بیان کردہ موشن آرٹفیکٹ سکور (MAS)، پہلے بیان کردہ Segmentation Artifact Score (SAS)، فوول سینٹر، میڈیا کی دھندلاپن کی موجودگی، اور چھوٹے کیپلیریوں کی اچھی ویژولائزیشن کی بنیاد پر کیا گیا جیسا کہ امیج ایویلیویٹر کے ذریعے طے کیا گیا ہے۔تصاویر کا تجزیہ دو آزاد تشخیص کاروں (RD اور JW) نے کیا۔ایک تصویر کا درجہ بندی کا اسکور 2 (اہل) ہے اگر مندرجہ ذیل تمام معیارات پورے کیے جائیں: تصویر فووا پر مرکوز ہے (تصویر کے مرکز سے 100 پکسلز سے کم)، MAS 1 یا 2 ہے، SAS 1 ہے، اور میڈیا کی دھندلاپن 1 سے کم ہے۔ سائز / 16 کی تصاویر پر موجود ہے، اور 15/16 سے بڑی تصاویر میں چھوٹے کیپلیریاں نظر آتی ہیں۔تصویر کو 0 (کوئی درجہ بندی نہیں) کی درجہ بندی کی جاتی ہے اگر مندرجہ ذیل میں سے کسی ایک معیار کو پورا کیا جاتا ہے: تصویر مرکز سے باہر ہے، اگر MAS 4 ہے، اگر SAS 2 ہے، یا اوسط دھندلاپن تصویر کے 1/4 سے زیادہ ہے، اور چھوٹی کیپلیریوں کو فرق کرنے کے لیے 1 امیج /4 سے زیادہ ایڈجسٹ نہیں کیا جا سکتا۔دیگر تمام تصاویر جو اسکورنگ کے معیار 0 یا 2 پر پورا نہیں اترتی ہیں انہیں 1 (کلپنگ) کے طور پر اسکور کیا جاتا ہے۔
انجیر پر۔1 پیمانہ تخمینوں اور تصویری نمونوں میں سے ہر ایک کے لیے نمونے کی تصاویر دکھاتا ہے۔کوہن کے کپا ویٹنگ 8 کے ذریعے انفرادی اسکورز کی انٹر ریٹر اعتبار کا اندازہ لگایا گیا۔ہر ریٹر کے انفرادی اسکور کا خلاصہ ہر تصویر کے لیے مجموعی اسکور حاصل کرنے کے لیے کیا جاتا ہے، 0 سے 4 تک۔ 4 کے کل اسکور والی تصاویر اچھی سمجھی جاتی ہیں۔0 یا 1 کے کل سکور والی تصاویر کو کم معیار سمجھا جاتا ہے۔
امیج نیٹ ڈیٹا بیس سے تصاویر پر پہلے سے تربیت یافتہ ایک ResNet152 آرکیٹیکچر convolutional عصبی نیٹ ورک (Fig. 3A.i) fast.ai اور PyTorch فریم ورک 5، 9، 10، 11 کا استعمال کرتے ہوئے تیار کیا گیا تھا۔ مقامی اور مقامی خصوصیات کا مطالعہ کرنے کے لیے تصویر کے ٹکڑوں کو اسکین کرنے کے لیے فلٹرز۔ہمارا تربیت یافتہ ResNet ایک 152 پرت والا نیورل نیٹ ورک ہے جس کی خصوصیات گیپس یا "بقیہ کنکشنز" سے ہوتی ہے جو بیک وقت متعدد ریزولوشنز کے ساتھ معلومات کی ترسیل کرتا ہے۔نیٹ ورک پر مختلف ریزولوشنز پر معلومات کو پیش کرنے سے، پلیٹ فارم تفصیل کے متعدد سطحوں پر کم معیار کی تصاویر کی خصوصیات سیکھ سکتا ہے۔اپنے ResNet ماڈل کے علاوہ، ہم نے AlexNet کو بھی تربیت دی، جو کہ ایک اچھی طرح سے زیر مطالعہ عصبی نیٹ ورک فن تعمیر ہے، بغیر کسی رابطے کے مقابلے کے لیے (شکل 3A.ii) 12۔لاپتہ کنکشن کے بغیر، یہ نیٹ ورک اعلی درجے کی خصوصیات پر قبضہ نہیں کر سکے گا۔
اصل 8\(\times\)8mm OCTA13 امیج سیٹ کو افقی اور عمودی عکاسی تکنیک کا استعمال کرتے ہوئے بڑھایا گیا ہے۔اس کے بعد مکمل ڈیٹاسیٹ کو تصویری سطح پر تصادفی طور پر تربیت (51.2%)، ٹیسٹنگ (12.8%)، ہائپر پیرامیٹر ٹیوننگ (16%)، اور تصدیق (20%) ڈیٹا سیٹس میں scikit-learn Toolbox python14 میں تقسیم کیا گیا۔دو معاملات پر غور کیا گیا، ایک صرف اعلیٰ ترین کوالٹی کی تصاویر (مجموعی اسکور 4) کا پتہ لگانے پر مبنی اور دوسرا صرف سب سے کم معیار کی تصاویر (مجموعی اسکور 0 یا 1) کا پتہ لگانے پر مبنی۔ہر اعلیٰ معیار اور کم معیار کے استعمال کے معاملے کے لیے، ہمارے تصویری ڈیٹا پر نیورل نیٹ ورک کو ایک بار دوبارہ تربیت دی جاتی ہے۔ہر استعمال کے معاملے میں، عصبی نیٹ ورک کو 10 عہدوں کے لیے تربیت دی گئی تھی، سب سے زیادہ پرت کے وزن کے علاوہ سبھی کو منجمد کر دیا گیا تھا، اور تمام داخلی پیرامیٹرز کے وزن کو 40 دوروں کے لیے سیکھا گیا تھا جس میں کراس اینٹروپی نقصان کے فنکشن کے ساتھ امتیازی سیکھنے کی شرح کا طریقہ استعمال کیا گیا تھا، 16۔.کراس اینٹروپی نقصان کا فنکشن پیش گوئی شدہ نیٹ ورک لیبلز اور حقیقی ڈیٹا کے درمیان فرق کے لوگارتھمک پیمانے کا ایک پیمانہ ہے۔تربیت کے دوران، نقصانات کو کم کرنے کے لیے اعصابی نیٹ ورک کے اندرونی پیرامیٹرز پر گریڈینٹ ڈیسنٹ کیا جاتا ہے۔سیکھنے کی شرح، ڈراپ آؤٹ کی شرح، اور وزن میں کمی کے ہائپر پیرامیٹرس کو بایسیئن آپٹیمائزیشن کا استعمال کرتے ہوئے 2 رینڈم سٹارٹنگ پوائنٹس اور 10 تکرار کے ساتھ بنایا گیا تھا، اور ڈیٹاسیٹ پر AUC کو 17 کے ہدف کے طور پر ہائپر پیرامیٹرز کا استعمال کرتے ہوئے ٹیون کیا گیا تھا۔
سطحی کیپلیری پلیکسس کی 8 × 8 ملی میٹر OCTA امیجز کی نمائندہ مثالوں نے 2 (A, B), 1 (C, D) اور 0 (E, F) اسکور کیا۔دکھائے گئے تصویری نمونوں میں جھلملاتی لکیریں (تیر)، سیگمنٹیشن آرٹفیکٹ (ستارے) اور میڈیا کی دھندلاپن (تیر) شامل ہیں۔تصویر (E) بھی مرکز سے باہر ہے۔
وصول کنندہ آپریٹنگ خصوصیات (ROC) کے منحنی خطوط اس کے بعد تمام عصبی نیٹ ورک ماڈلز کے لیے تیار کیے جاتے ہیں، اور ہر کم معیار اور اعلیٰ معیار کے استعمال کے کیس کے لیے انجن سگنل کی طاقت کی رپورٹیں تیار کی جاتی ہیں۔منحنی خطوط (AUC) کے تحت پی آر او سی آر پیکج کا استعمال کرتے ہوئے شمار کیا گیا تھا، اور ڈی لانگ طریقہ 18,19 کا استعمال کرتے ہوئے 95٪ اعتماد کے وقفے اور p-values ​​کا حساب لگایا گیا تھا۔ہیومن ریٹرز کے مجموعی اسکور کو تمام ROC حسابات کے لیے بنیادی لائن کے طور پر استعمال کیا جاتا ہے۔مشین کی طرف سے اطلاع دی گئی سگنل کی طاقت کے لیے، AUC کا دو بار حساب کیا گیا: ایک بار اعلیٰ معیار کے سکیل ایبلٹی سکور کٹ آف کے لیے اور ایک بار کم معیار کے سکیل ایبلٹی سکور کٹ آف کے لیے۔نیورل نیٹ ورک کا موازنہ AUC سگنل کی طاقت سے کیا جاتا ہے جو اس کی اپنی تربیت اور تشخیص کے حالات کی عکاسی کرتا ہے۔
ایک علیحدہ ڈیٹاسیٹ پر تربیت یافتہ ڈیپ لرننگ ماڈل کو مزید جانچنے کے لیے، اعلیٰ معیار اور کم معیار کے ماڈلز کو Yale یونیورسٹی سے جمع کی گئی 32 مکمل چہرہ 6\(\times\) 6mm سطحی سلیب تصاویر کی کارکردگی کی جانچ پر براہ راست لاگو کیا گیا۔آنکھ کا ماس اسی وقت مرکز میں ہے جیسا کہ تصویر 8 \(\times \) 8 ملی میٹر ہے۔6\(\×\) 6 ملی میٹر امیجز کا دستی طور پر اسی ریٹرز (RD اور JW) کے ذریعے اندازہ لگایا گیا جس طرح 8\(\×\) 8 ملی میٹر کی تصاویر، AUC کا حساب درستگی اور کوہن کے کپا کے ساتھ کیا گیا۔ .برابر ۔
کم معیار کے ماڈل کے لیے طبقاتی عدم توازن کا تناسب 158:189 (\(\rho = 1.19\)) اور اعلیٰ معیار کے ماڈل کے لیے 80:267 (\(\rho = 3.3\)) ہے۔چونکہ طبقاتی عدم توازن کا تناسب 1:4 سے کم ہے، اس لیے طبقاتی عدم توازن20,21 کو درست کرنے کے لیے کوئی خاص تعمیراتی تبدیلیاں نہیں کی گئی ہیں۔
سیکھنے کے عمل کو بہتر انداز میں دیکھنے کے لیے، چاروں تربیت یافتہ ڈیپ لرننگ ماڈلز کے لیے کلاس ایکٹیویشن کے نقشے بنائے گئے تھے: اعلیٰ معیار کا ResNet152 ماڈل، کم معیار کا ResNet152 ماڈل، اعلیٰ معیار کا AlexNet ماڈل، اور کم معیار کا AlexNet ماڈل۔کلاس ایکٹیویشن کے نقشے ان چار ماڈلز کی ان پٹ کنوولوشنل لیئرز سے تیار کیے جاتے ہیں، اور ہیٹ میپس 8 × 8 ملی میٹر اور 6 × 6 ملی میٹر توثیق سیٹ 22، 23 سے سورس امیجز کے ساتھ ایکٹیویشن نقشوں کو اوورلی کر کے تیار کیے جاتے ہیں۔
R ورژن 4.0.3 تمام شماریاتی حسابات کے لیے استعمال کیا گیا تھا، اور تصورات ggplot2 گرافکس ٹول لائبریری کا استعمال کرتے ہوئے بنائے گئے تھے۔
ہم نے 134 لوگوں سے سطحی کیپلیری پلیکسس کی 8 \(\times \)8 ملی میٹر کی 347 سامنے والی تصاویر اکٹھی کیں۔مشین نے تمام امیجز کے لیے 0 سے 10 کے پیمانے پر سگنل کی طاقت کی اطلاع دی ہے (مطلب = 6.99 ± 2.29)۔حاصل کی گئی 347 تصاویر میں سے، امتحان میں اوسط عمر 58.7 ± 14.6 سال تھی، اور 39.2٪ مرد مریضوں کی تھیں۔تمام تصاویر میں سے، 30.8% کاکیشین، 32.6% سیاہ فام، 30.8% ھسپانکس، 4% ایشیائی، اور 1.7% دوسری نسلوں سے تھیں (ٹیبل 1)۔)۔OCTA والے مریضوں کی عمر کی تقسیم تصویر کے معیار (p <0.001) کے لحاظ سے نمایاں طور پر مختلف تھی۔18-45 سال کی عمر کے کم عمر مریضوں میں اعلیٰ معیار کی تصاویر کا فیصد 33.8 فیصد کم معیار کی تصاویر کے 12.2 فیصد کے مقابلے میں تھا (ٹیبل 1)۔ذیابیطس ریٹینوپیتھی کی حیثیت کی تقسیم بھی تصویر کے معیار (p <0.017) میں نمایاں طور پر مختلف ہے۔تمام اعلیٰ کوالٹی امیجز میں، PDR والے مریضوں کا فیصد 18.8% تھا جب کہ 38.8% تمام کم کوالٹی امیجز (ٹیبل 1)۔
تمام امیجز کی انفرادی ریٹنگز نے امیجز پڑھنے والے لوگوں کے درمیان اعتدال سے لے کر مضبوط انٹر ریٹنگ کی وشوسنییتا ظاہر کی (کوہن کا وزنی کپا = 0.79، 95% CI: 0.76-0.82)، اور کوئی تصویری پوائنٹس نہیں تھے جہاں ریٹرز میں 1 سے زیادہ فرق ہو۔ 2A)۔.سگنل کی شدت دستی اسکورنگ کے ساتھ نمایاں طور پر منسلک ہے (پیئرسن پروڈکٹ لمحے کا ارتباط = 0.58، 95% CI 0.51–0.65، p <0.001)، لیکن بہت سی تصاویر کی نشاندہی کی گئی ہے کہ سگنل کی شدت زیادہ ہے لیکن کم دستی اسکورنگ (تصویر .2B)۔
ResNet152 اور AlexNet architectures کی تربیت کے دوران، توثیق اور تربیت پر کراس اینٹروپی نقصان 50 عہدوں سے زیادہ ہوتا ہے (شکل 3B,C)۔آخری تربیتی دور میں توثیق کی درستگی اعلیٰ معیار اور کم معیار کے استعمال کے معاملات کے لیے 90% سے زیادہ ہے۔
وصول کنندگان کی کارکردگی کے منحنی خطوط سے پتہ چلتا ہے کہ ResNet152 ماڈل کم اور اعلیٰ معیار کے استعمال کے معاملات (p <0.001) دونوں صورتوں میں مشین کے ذریعہ رپورٹ کردہ سگنل پاور کو نمایاں طور پر پیچھے چھوڑ دیتا ہے۔ResNet152 ماڈل بھی نمایاں طور پر AlexNet فن تعمیر (p = 0.005 اور p = 0.014 کم معیار اور اعلی معیار کے معاملات کے لیے بالترتیب) کو پیچھے چھوڑ دیتا ہے۔ان میں سے ہر ایک کام کے نتیجے میں آنے والے ماڈل بالترتیب 0.99 اور 0.97 کی AUC قدریں حاصل کرنے میں کامیاب رہے، جو کہ مشین سگنل کی طاقت کے اشاریہ کے لیے 0.82 اور 0.78 کی متعلقہ AUC اقدار یا AlexNet کے لیے 0.97 اور 0.94 سے نمایاں طور پر بہتر ہے۔ ..(تصویر 3)۔سگنل کی طاقت میں ResNet اور AUC کے درمیان فرق اس وقت زیادہ ہوتا ہے جب اعلیٰ کوالٹی کی تصاویر کو پہچانا جاتا ہے، جو اس کام کے لیے ResNet کے استعمال کے اضافی فوائد کی نشاندہی کرتا ہے۔
گراف ہر ایک آزاد ریٹر کی مشین کے ذریعہ رپورٹ کردہ سگنل کی طاقت کے ساتھ سکور کرنے اور موازنہ کرنے کی صلاحیت کو ظاہر کرتے ہیں۔(A) پوائنٹس کی مجموعی تعداد کا استعمال کیا جائے گا جس کا اندازہ لگایا جائے گا۔4 کے مجموعی اسکیل ایبلٹی اسکور والی تصاویر کو اعلیٰ معیار تفویض کیا جاتا ہے، جبکہ 1 یا اس سے کم کے مجموعی اسکیل ایبلٹی اسکور والی تصاویر کو کم معیار تفویض کیا جاتا ہے۔(B) سگنل کی شدت دستی اندازوں کے ساتھ منسلک ہے، لیکن زیادہ سگنل کی شدت والی تصاویر خراب معیار کی ہو سکتی ہیں۔سرخ نقطے والی لائن سگنل کی طاقت (سگنل کی طاقت \(\ge\)6) کی بنیاد پر صنعت کار کی تجویز کردہ معیار کی حد کی نشاندہی کرتی ہے۔
ResNet ٹرانسفر لرننگ مشین کی طرف سے رپورٹ کردہ سگنل لیولز کے مقابلے میں کم کوالٹی اور اعلی کوالٹی کے استعمال کے کیسز کے لیے امیج کوالٹی کی شناخت میں نمایاں بہتری فراہم کرتی ہے۔(A) پہلے سے تربیت یافتہ (i) ResNet152 اور (ii) AlexNet architectures کے آسان فن تعمیر کا خاکہ۔(B) مشین کی اطلاع کردہ سگنل کی طاقت اور AlexNet کے کم معیار کے معیار کے مقابلے ResNet152 کے لیے تربیت کی تاریخ اور وصول کنندہ کی کارکردگی کے منحنی خطوط۔(C) مشین کی اطلاع کردہ سگنل کی طاقت اور AlexNet کے اعلی معیار کے معیار کے مقابلے ResNet152 ریسیور کی تربیت کی تاریخ اور کارکردگی کے منحنی خطوط۔
فیصلے کی حد کی حد کو ایڈجسٹ کرنے کے بعد، ResNet152 ماڈل کی زیادہ سے زیادہ پیشین گوئی کی درستگی کم کوالٹی کیس کے لیے 95.3% اور ہائی کوالٹی کیس کے لیے 93.5% ہے (ٹیبل 2)۔AlexNet ماڈل کی پیشن گوئی کی زیادہ سے زیادہ درستگی کم کوالٹی کیس کے لیے 91.0% اور ہائی کوالٹی کیس کے لیے 90.1% ہے (ٹیبل 2)۔کم معیار کے استعمال کے کیس کے لیے زیادہ سے زیادہ سگنل کی طاقت کی پیشن گوئی کی درستگی 76.1% اور اعلیٰ معیار کے استعمال کے کیس کے لیے 77.8% ہے۔Cohen's kappa (\(\kappa\)) کے مطابق، ResNet152 ماڈل اور تخمینہ لگانے والوں کے درمیان معاہدہ کم کوالٹی کیس کے لیے 0.90 اور ہائی کوالٹی کیس کے لیے 0.81 ہے۔کم معیار اور اعلیٰ معیار کے استعمال کے معاملات کے لیے کوہن کا AlexNet کاپا بالترتیب 0.82 اور 0.71 ہے۔کم اور اعلیٰ معیار کے استعمال کے معاملات کے لیے کوہن کی سگنل کی طاقت کاپا بالترتیب 0.52 اور 0.27 ہے۔
6 ملی میٹر فلیٹ پلیٹ کی 6\(\x\) امیجز پر اعلیٰ اور کم معیار کے شناختی ماڈلز کی توثیق مختلف امیجنگ پیرامیٹرز میں تصویر کے معیار کا تعین کرنے کے تربیت یافتہ ماڈل کی صلاحیت کو ظاہر کرتی ہے۔امیجنگ کوالٹی کے لیے 6\(\x\) 6 ملی میٹر اتلی سلیب استعمال کرتے وقت، کم معیار کے ماڈل کا AUC 0.83 (95% CI: 0.69–0.98) تھا اور اعلیٰ معیار کے ماڈل کا AUC 0.85 تھا۔(95% CI: 0.55–1.00) (ٹیبل 2)۔
ان پٹ لیئر کلاس ایکٹیویشن نقشوں کے بصری معائنے سے معلوم ہوا کہ تمام تربیت یافتہ نیورل نیٹ ورک تصویر کی درجہ بندی کے دوران تصویری خصوصیات کا استعمال کرتے ہیں (تصویر 4A، B)۔8 \(\times \) 8 ملی میٹر اور 6 \(\times \) 6 ملی میٹر امیجز کے لیے، ResNet ایکٹیویشن امیجز ریٹینل ویسکولیچر کو قریب سے فالو کرتی ہیں۔AlexNet ایکٹیویشن کے نقشے بھی ریٹنا کے برتنوں کی پیروی کرتے ہیں، لیکن موٹے ریزولوشن کے ساتھ۔
ResNet152 اور AlexNet ماڈلز کے لیے کلاس ایکٹیویشن کے نقشے تصویر کے معیار سے متعلق خصوصیات کو نمایاں کرتے ہیں۔(A) کلاس ایکٹیویشن کا نقشہ 8 \(\times \) 8 ملی میٹر کی توثیق امیجز پر سطحی ریٹنا ویسکولیچر کے بعد مربوط ایکٹیویشن دکھا رہا ہے اور (B) چھوٹی 6 \(\times \) 6 ملی میٹر کی توثیق کی تصاویر پر حد۔کم معیار کے معیار پر تربیت یافتہ LQ ماڈل، اعلیٰ معیار کے معیار پر تربیت یافتہ HQ ماڈل۔
یہ پہلے دکھایا گیا ہے کہ تصویر کا معیار OCTA امیجز کی کسی بھی مقدار کو بہت زیادہ متاثر کر سکتا ہے۔اس کے علاوہ، retinopathy کی موجودگی تصویری نمونے 7,26 کے واقعات کو بڑھاتی ہے۔درحقیقت، ہمارے اعداد و شمار میں، پچھلے مطالعات سے مطابقت رکھتے ہوئے، ہمیں بڑھتی عمر اور ریٹنا کی بیماری کی شدت اور تصویر کے معیار میں بگاڑ کے درمیان ایک اہم تعلق پایا گیا (p <0.001، p = 0.017 عمر اور DR کی حیثیت کے لیے، بالترتیب؛ جدول 1) 27 لہذا، OCTA امیجز کا کوئی بھی مقداری تجزیہ کرنے سے پہلے تصویر کے معیار کا جائزہ لینا ضروری ہے۔OCTA امیجز کا تجزیہ کرنے والے زیادہ تر مطالعات کم معیار کی تصاویر کو مسترد کرنے کے لیے مشین سے رپورٹ شدہ سگنل کی شدت کی حدوں کا استعمال کرتے ہیں۔اگرچہ سگنل کی شدت کو OCTA پیرامیٹرز کی مقدار کو متاثر کرنے کے لیے دکھایا گیا ہے، لیکن صرف اعلی سگنل کی شدت تصویری نمونے 2,3,28,29 والی تصاویر کو مسترد کرنے کے لیے کافی نہیں ہو سکتی۔اس لیے امیج کوالٹی کنٹرول کا زیادہ قابل اعتماد طریقہ تیار کرنا ضروری ہے۔اس مقصد کے لیے، ہم مشین کی طرف سے اطلاع دی گئی سگنل کی طاقت کے خلاف زیر نگرانی گہری سیکھنے کے طریقوں کی کارکردگی کا جائزہ لیتے ہیں۔
ہم نے تصویر کے معیار کو جانچنے کے لیے کئی ماڈلز تیار کیے ہیں کیونکہ OCTA کے استعمال کے مختلف کیسز میں تصویر کے معیار کے تقاضے مختلف ہو سکتے ہیں۔مثال کے طور پر، تصاویر اعلی معیار کی ہونی چاہئیں۔اس کے علاوہ، دلچسپی کے مخصوص مقداری پیرامیٹرز بھی اہم ہیں۔مثال کے طور پر، فوول ایوسکولر زون کا رقبہ غیر مرکزی میڈیم کی گندگی پر منحصر نہیں ہے، لیکن یہ برتنوں کی کثافت کو متاثر کرتا ہے۔جب کہ ہماری تحقیق تصویر کے معیار کے لیے ایک عمومی نقطہ نظر پر توجہ مرکوز کرتی رہتی ہے، جو کسی خاص ٹیسٹ کے تقاضوں سے منسلک نہیں، بلکہ مشین کے ذریعے بتائے گئے سگنل کی طاقت کو براہ راست تبدیل کرنے کا ارادہ رکھتی ہے، ہم امید کرتے ہیں کہ صارفین کو زیادہ سے زیادہ کنٹرول فراہم کیا جائے تاکہ وہ صارف کی دلچسپی کا مخصوص میٹرک منتخب کر سکتا ہے۔ایک ایسا ماڈل منتخب کریں جو قابل قبول سمجھے جانے والے تصویری نمونے کی زیادہ سے زیادہ ڈگری سے مطابقت رکھتا ہو۔
کم معیار اور اعلیٰ معیار کے مناظر کے لیے، ہم بالترتیب 0.97 اور 0.99 کے AUCs اور کم معیار کے ماڈلز کے ساتھ کنکشن سے محروم گہرے کنوولیشنل نیورل نیٹ ورکس کی بہترین کارکردگی دکھاتے ہیں۔جب صرف مشینوں کے ذریعہ اطلاع دی گئی سگنل کی سطحوں کے مقابلے میں ہم اپنے گہری سیکھنے کے نقطہ نظر کی اعلی کارکردگی کا مظاہرہ کرتے ہیں۔کنکشن کو چھوڑنا عصبی نیٹ ورکس کو تفصیلات کی متعدد سطحوں پر خصوصیات سیکھنے کی اجازت دیتا ہے، تصویروں کے باریک پہلوؤں (مثلاً کنٹراسٹ) کے ساتھ ساتھ عمومی خصوصیات (مثلاً تصویر کا مرکز 30,31)۔چونکہ تصویری نمونے جو تصویر کے معیار پر اثرانداز ہوتے ہیں ان کی شاید ایک وسیع رینج میں بہترین شناخت کی جاتی ہے، اس لیے گمشدہ کنکشن والے عصبی نیٹ ورک کے فن تعمیر تصویر کے معیار کے تعین کے کاموں کے بغیر بہتر کارکردگی کا مظاہرہ کر سکتے ہیں۔
6\(\×6mm) OCTA امیجز پر اپنے ماڈل کی جانچ کرتے وقت، ہم نے درجہ بندی کے لیے تربیت یافتہ ماڈل کے سائز کے برعکس، اعلیٰ معیار اور کم معیار کے ماڈلز (تصویر 2) کے لیے درجہ بندی کی کارکردگی میں کمی دیکھی۔ResNet ماڈل کے مقابلے میں، AlexNet ماڈل کا فال آف بڑا ہے۔ResNet کی نسبتاً بہتر کارکردگی ایک سے زیادہ پیمانوں پر معلومات کی ترسیل کے لیے بقایا کنکشنز کی صلاحیت کی وجہ سے ہو سکتی ہے، جو مختلف پیمانوں اور/یا میگنیفیکیشنز پر کی گئی تصویروں کی درجہ بندی کے لیے ماڈل کو زیادہ مضبوط بناتا ہے۔
8 \(\×\) 8 ملی میٹر امیجز اور 6 \(\×\) 6 ملی میٹر امیجز کے درمیان کچھ فرق ناقص درجہ بندی کا باعث بن سکتے ہیں، بشمول فوول ایواسکولر ایریاز پر مشتمل تصاویر کا نسبتاً زیادہ تناسب، مرئیت میں تبدیلی، ویسکولر آرکیڈز، اور تصویر 6×6 ملی میٹر پر کوئی آپٹک اعصاب نہیں ہے۔اس کے باوجود، ہمارا اعلیٰ معیار کا ResNet ماڈل 6 \(\x\) 6 ملی میٹر تصاویر کے لیے 85% کا AUC حاصل کرنے میں کامیاب رہا، ایک ایسی ترتیب جس کے لیے ماڈل کو تربیت نہیں دی گئی تھی، یہ تجویز کرتی ہے کہ تصویر کے معیار کی معلومات کو نیورل نیٹ ورک میں انکوڈ کیا گیا ہے۔ موزوں ہے.اس کی تربیت سے باہر ایک تصویر کے سائز یا مشین کی ترتیب کے لیے (ٹیبل 2)۔یقین دہانی کے ساتھ، ResNet- اور AlexNet کی طرح ایکٹیویشن کے نقشے 8 \(\times \) 8 mm اور 6 \(\times \) 6 mm تصاویر دونوں صورتوں میں ریٹنا کی نالیوں کو نمایاں کرنے کے قابل تھے، یہ تجویز کرتے ہیں کہ ماڈل کے پاس اہم معلومات ہیں۔OCTA امیجز کی دونوں اقسام کی درجہ بندی کے لیے لاگو ہوتے ہیں (تصویر 4)۔
Lauerman et al.OCTA امیجز پر امیج کوالٹی اسسمنٹ اسی طرح انسیپشن آرکیٹیکچر کا استعمال کرتے ہوئے انجام دیا گیا، ایک اور سکپ کنکشن کنوولوشنل نیورل نیٹ ورک 6,32 گہری سیکھنے کی تکنیک کا استعمال کرتے ہوئے۔انہوں نے مطالعہ کو سطحی کیپلیری پلیکسس کی تصاویر تک بھی محدود رکھا، لیکن صرف Optovue AngioVue سے چھوٹی 3×3 ملی میٹر کی تصاویر کا استعمال کرتے ہوئے، حالانکہ مختلف کوریوریٹینل امراض کے مریض بھی شامل تھے۔ہمارا کام ان کی بنیادوں پر استوار ہے، جس میں مختلف تصویری معیار کی حدوں کو حل کرنے اور مختلف سائز کی تصاویر کے نتائج کی توثیق کرنے کے لیے متعدد ماڈلز شامل ہیں۔ہم مشین لرننگ ماڈلز کے AUC میٹرک کی بھی اطلاع دیتے ہیں اور کم معیار (96%) اور اعلیٰ معیار (95.7%) دونوں ماڈلز6 کے لیے پہلے سے ہی متاثر کن درستگی (90%)6 میں اضافہ کرتے ہیں۔
اس تربیت کی کئی حدود ہیں۔سب سے پہلے، تصاویر صرف ایک OCTA مشین سے حاصل کی گئیں، بشمول صرف سطحی کیپلیری پلیکسس کی تصاویر 8\(\times\)8 ملی میٹر اور 6\(\times\)6 ملی میٹر۔گہری تہوں سے تصاویر کو خارج کرنے کی وجہ یہ ہے کہ پروجیکشن آرٹفیکٹس تصاویر کی دستی تشخیص کو زیادہ مشکل اور ممکنہ طور پر کم مستقل بنا سکتے ہیں۔مزید برآں، تصاویر صرف ذیابیطس کے مریضوں میں حاصل کی گئی ہیں، جن کے لیے OCTA ایک اہم تشخیصی اور تشخیصی ٹول کے طور پر ابھر رہا ہے 33,34۔اگرچہ ہم نتائج کے مضبوط ہونے کو یقینی بنانے کے لیے مختلف سائز کی تصاویر پر اپنے ماڈل کی جانچ کرنے کے قابل تھے، لیکن ہم مختلف مراکز سے موزوں ڈیٹاسیٹس کی شناخت کرنے سے قاصر تھے، جس نے ماڈل کے عمومی ہونے کے ہمارے جائزے کو محدود کر دیا۔اگرچہ یہ تصاویر صرف ایک مرکز سے حاصل کی گئی تھیں، لیکن وہ مختلف نسلی اور نسلی پس منظر کے مریضوں سے حاصل کی گئی تھیں، جو کہ ہمارے مطالعے کی منفرد طاقت ہے۔اپنے تربیتی عمل میں تنوع کو شامل کرنے سے، ہم امید کرتے ہیں کہ ہمارے نتائج کو وسیع تر معنوں میں عام کیا جائے گا، اور یہ کہ ہم جن ماڈلز کو تربیت دیتے ہیں ان میں نسلی تعصب کو انکوڈ کرنے سے گریز کریں گے۔
ہمارے مطالعے سے پتہ چلتا ہے کہ OCTA امیج کوالٹی کا تعین کرنے میں اعلیٰ کارکردگی حاصل کرنے کے لیے کنکشن چھوڑنے والے نیورل نیٹ ورکس کو تربیت دی جا سکتی ہے۔ہم ان ماڈلز کو مزید تحقیق کے لیے بطور ٹولز فراہم کرتے ہیں۔چونکہ مختلف میٹرکس میں تصویر کے معیار کے مختلف تقاضے ہو سکتے ہیں، اس لیے یہاں قائم کردہ ڈھانچے کا استعمال کرتے ہوئے ہر میٹرک کے لیے ایک انفرادی کوالٹی کنٹرول ماڈل تیار کیا جا سکتا ہے۔
مستقبل کی تحقیق میں مختلف گہرائیوں اور مختلف OCTA مشینوں سے مختلف سائز کی تصاویر شامل ہونی چاہئیں تاکہ گہرے سیکھنے کی تصویر کے معیار کی جانچ کے عمل کو حاصل کیا جا سکے جسے OCTA پلیٹ فارمز اور امیجنگ پروٹوکول میں عام کیا جا سکتا ہے۔موجودہ تحقیق بھی زیر نگرانی گہری سیکھنے کے طریقوں پر مبنی ہے جس کے لیے انسانی تشخیص اور تصویری تشخیص کی ضرورت ہوتی ہے، جو بڑے ڈیٹا سیٹس کے لیے محنت طلب اور وقت طلب ہو سکتی ہے۔یہ دیکھنا باقی ہے کہ آیا غیر زیر نگرانی گہری سیکھنے کے طریقے کم معیار کی تصاویر اور اعلیٰ معیار کی تصاویر کے درمیان مناسب طور پر فرق کر سکتے ہیں۔
جیسا کہ OCTA ٹیکنالوجی کا ارتقاء جاری ہے اور اسکیننگ کی رفتار بڑھ رہی ہے، تصویری نمونے اور خراب معیار کی تصاویر کے واقعات کم ہو سکتے ہیں۔سافٹ ویئر میں بہتری، جیسے کہ حال ہی میں متعارف کرائی گئی پروجیکشن آرٹفیکٹ ہٹانے کی خصوصیت، بھی ان حدود کو ختم کر سکتی ہے۔تاہم، بہت سے مسائل بدستور خراب فکسیشن یا اہم میڈیا ٹربڈیٹی والے مریضوں کی امیجنگ کے نتیجے میں ہمیشہ تصویری نمونے بنتے ہیں۔چونکہ OCTA کلینکل ٹرائلز میں زیادہ وسیع پیمانے پر استعمال ہوتا ہے، تصویری تجزیہ کے لیے قابل قبول تصویری نمونے کی سطح کے لیے واضح رہنما خطوط قائم کرنے کے لیے محتاط غور و فکر کی ضرورت ہے۔OCTA امیجز پر گہرے سیکھنے کے طریقوں کا اطلاق بہت اچھا وعدہ رکھتا ہے اور تصویر کے معیار پر قابو پانے کے لیے ایک مضبوط نقطہ نظر تیار کرنے کے لیے اس شعبے میں مزید تحقیق کی ضرورت ہے۔
موجودہ تحقیق میں استعمال شدہ کوڈ octa-qc ریپوزٹری، https://github.com/rahuldhodapkar/octa-qc میں دستیاب ہے۔موجودہ مطالعے کے دوران تیار کردہ اور/یا تجزیہ کیے گئے ڈیٹاسیٹس متعلقہ مصنفین سے معقول درخواست پر دستیاب ہیں۔
آپٹیکل کوہرنس انجیوگرافی میں اسپائیڈ، آر ایف، فوجیموٹو، جے جی اور وحید، این کے امیج آرٹفیکٹس۔ریٹنا 35، 2163–2180 (2015)۔
فینر، بی جے وغیرہ۔امیجنگ خصوصیات کی شناخت جو OCT انجیوگرافی میں ریٹنا کیپلیری پلیکسس کثافت کی پیمائش کے معیار اور تولیدی صلاحیت کا تعین کرتی ہے۔بی آرJ. Ophthalmol.102، 509–514 (2018)۔
Lauerman، JL et al.عمر سے متعلق میکولر انحطاط میں OCT انجیوگرافی کے امیج کوالٹی پر آئی ٹریکنگ ٹیکنالوجی کا اثر۔قبر کا محراب۔طبیختمامراض چشم255، 1535–1542 (2017)۔
Babyuch AS et al.OCTA کیپلیری پرفیوژن کثافت کی پیمائش میکولر اسکیمیا کا پتہ لگانے اور جانچنے کے لیے استعمال کی جاتی ہے۔آنکھوں کی سرجری.ریٹینل لیزر امیجنگ 51، S30–S36 (2020)۔
He, K., Zhang, X., Ren, S., and Sun, J. تصویری شناخت کے لیے گہری بقایا تعلیم۔2016 میں کمپیوٹر ویژن اور پیٹرن ریکگنیشن (2016) پر آئی ای ای ای کانفرنس میں۔
Lauerman، JL et al.گہری سیکھنے کے الگورتھم کا استعمال کرتے ہوئے خودکار OCT انجیوگرافک امیج کے معیار کا جائزہ۔قبر کا محراب۔طبیختمامراض چشم257، 1641–1648 (2019)۔
Lauremann، J. et al.OCT انجیوگرافی میں سیگمنٹیشن کی غلطیوں اور حرکت کے نمونے کا پھیلاؤ ریٹنا کی بیماری پر منحصر ہے۔قبر کا محراب۔طبیختمامراض چشم256، 1807–1816 (2018)۔
پاسک، آدم وغیرہ۔Pytorch: ایک ضروری، اعلیٰ کارکردگی والی گہری سیکھنے کی لائبریری۔اعصابی معلومات کی اعلی درجے کی پروسیسنگ۔نظام32، 8026–8037 (2019)۔
ڈینگ، جے وغیرہ۔امیج نیٹ: ایک بڑے پیمانے پر درجہ بندی کی تصویری ڈیٹا بیس۔کمپیوٹر ویژن اور پیٹرن کی شناخت پر 2009 IEEE کانفرنس۔248–255۔(2009)۔
کرزیفسکی اے، سوٹزکیور I. اور ہنٹن جی ای امیج نیٹ کی درجہ بندی گہرے عصبی اعصابی نیٹ ورکس کا استعمال کرتے ہوئے۔اعصابی معلومات کی اعلی درجے کی پروسیسنگ۔نظام25، 1 (2012)۔