דאנק איר פֿאַר באזוכן Nature.com.איר נוצן אַ בלעטערער ווערסיע מיט לימיטעד CSS שטיצן.פֿאַר דער בעסטער דערפאַרונג, מיר רעקאָמענדירן אַז איר נוצן אַ דערהייַנטיקט בלעטערער (אָדער דיסייבאַל קאַמפּאַטאַבילאַטי מאָדע אין Internet Explorer).אין אַדישאַן, צו ענשור פארבליבן שטיצן, מיר ווייַזן דעם פּלאַץ אָן סטיילז און דזשאַוואַסקריפּט.
סלידערס וואָס ווייַזן דריי אַרטיקלען פּער רוק.ניצן די צוריק און ווייַטער קנעפּלעך צו מאַך דורך די סליידז, אָדער די רוק קאָנטראָללער קנעפּלעך אין די סוף צו מאַך דורך יעדער רוק.
אָפּטיש קאָוכיראַנס טאָמאָגראַפיק אַנגיאָגראַפי (אָקטאַ) איז אַ נייַע אופֿן פֿאַר ניט-ינווייסיוו וויזשוואַלאַזיישאַן פון רעטינאַל כלים.כאָטש OCTA האט פילע פּראַמאַסינג קליניש אַפּלאַקיישאַנז, דיטערמאַנינג בילד קוואַליטעט בלייבט אַ אַרויסרופן.מיר דעוועלאָפּעד אַ טיף לערנען באזירט סיסטעם ניצן די ResNet152 נעוראַל נעץ קלאַסאַפייער פּריטריינד מיט ImageNet צו קלאַסיפיצירן אויבנאויפיקער קאַפּאַלערי פּלעקסוס בילדער פֿון 347 סקאַנז פון 134 פּאַטיענץ.די בילדער זענען אויך מאַניואַלי אַססעססעד ווי אמת אמת דורך צוויי פרייַ רייטערז פֿאַר אַ סופּערווייזד לערנען מאָדעל.ווייַל בילד קוואַליטעט רעקווירעמענץ קען בייַטן דיפּענדינג אויף קליניש אָדער פאָרשונג סעטטינגס, צוויי מאָדעלס זענען טריינד, איינער פֿאַר הויך קוואַליטעט בילד דערקענונג און די אנדערע פֿאַר נידעריק קוואַליטעט בילד דערקענונג.אונדזער נעוראַל נעץ מאָדעל ווייזט אַ ויסגעצייכנט שטח אונטער די ויסבייג (AUC), 95% CI 0.96-0.99, \(\kappa\) = 0.81), וואָס איז באטייטיק בעסער ווי די סיגנאַל מדרגה רעפּאָרטעד דורך די מאַשין (AUC = 0.82, 95) % סי).0.77-0.86, \(\קאַפּפּאַ\) = 0.52 און אַוק = 0.78, 95% סי 0.73-0.83, \(\קאַפּפּאַ\) = 0.27, ריספּעקטיוולי).אונדזער לערנען דעמאַנסטרייץ אַז מאַשין לערנען מעטהאָדס קענען זיין געוויינט צו אַנטוויקלען פלעקסאַבאַל און געזונט קוואַליטעט קאָנטראָל מעטהאָדס פֿאַר OCTA בילדער.
אָפּטיש קאָוכיראַנס טאָמאָגראַפיק (OCTA) איז אַ לעפיערעך נייַע טעכניק באזירט אויף אָפּטיש קאָוכיראַנס טאָמאָגראַפי (אָקט) וואָס קענען זיין געוויינט פֿאַר ניט-ינווייסיוו וויזשוואַלאַזיישאַן פון די רעטינאַל מיקראָוואַסקיאַליישאַן.OCTA מעסטן די חילוק אין אָפּשפּיגלונג פּאַטערנז פון ריפּיטיד ליכט פּאַלסיז אין דער זעלביקער געגנט פון די רעטינאַ, און ריקאַנסטראַקשאַנז קענען זיין קאַלקיאַלייטיד צו אַנטדעקן בלוט כלים אָן די ינווייסיוו נוצן פון דיעס אָדער אנדערע קאַנטראַסט אגענטן.OCTA אויך ינייבאַלז וואַסקיאַלער ימידזשינג טיפקייַט האַכלאָטע, אַלאַוינג קליניסיאַנס צו ונטערזוכן אויבנאויפיקער און טיף שיף לייַערס סעפּעראַטלי, העלפּינג צו דיפערענטשיייט צווישן טשאָריאָרעטינאַל קרענק.
כאָטש דעם טעכניק איז פּראַמאַסינג, בילד קוואַליטעט ווערייישאַן בלייבט אַ הויפּט אַרויסרופן פֿאַר פאַרלאָזלעך בילד אַנאַליסיס, מאכן בילד ינטערפּריטיישאַן שווער און פּרעווענטינג וויידספּרעד קליניש קינדער.ווייַל OCTA ניצט קייפל קאָנסעקוטיווע אָקט סקאַנז, עס איז מער שפּירעוודיק צו בילד אַרטאַפאַקץ ווי נאָרמאַל אָקט.רובֿ געשעפט OCTA פּלאַטפאָרמס צושטעלן זייער אייגענע בילד קוואַליטעט מעטריק גערופֿן סיגנאַל סטרענגטה (סס) אָדער מאל סיגנאַל סטרענגטה אינדעקס (SSI).אָבער, בילדער מיט אַ הויך SS אָדער SSI ווערט טאָן ניט גאַראַנטירן די אַוועק פון בילד אַרטאַפאַקץ, וואָס קענען ווירקן קיין סאַבסאַקוואַנט בילד אַנאַליסיס און פירן צו פאַלש קליניש דיסיזשאַנז.פּראָסט בילד אַרטאַפאַקץ וואָס קענען פּאַסירן אין OCTA ימאַגינג אַרייַננעמען באַוועגונג אַרטאַפאַקץ, סעגמענטאַטיאָן אַרטאַפאַקץ, מידיאַ אָופּאַסאַטי אַרטאַפאַקץ און פּרויעקציע אַרטאַפאַקץ 1,2,3.
ווי OCTA-דערייווד מיטלען אַזאַ ווי וואַסקיאַלער געדיכטקייַט זענען ינקריסינגלי געניצט אין טראַנסלאַטיאָן פאָרשונג, קליניש טריאַלס און קליניש פיר, עס איז אַ דרינגלעך נויט צו אַנטוויקלען געזונט און פאַרלאָזלעך בילד קוואַליטעט קאָנטראָל פּראַסעסאַז צו עלימינירן בילד אַרטאַפאַקץ4.האָפּקען קאַנעקשאַנז, אויך באקאנט ווי ריזידזשואַל קאַנעקשאַנז, זענען פּראַדזשעקשאַנז אין נעוראַל נעץ אַרקאַטעקטשער וואָס לאָזן אינפֿאָרמאַציע צו בייפּאַס קאַנוואַלושאַנאַל לייַערס בשעת סטאָרינג אינפֿאָרמאַציע אין פאַרשידענע וואָג אָדער רעזאַלושאַנז 5.ווייַל בילד אַרטאַפאַקץ קענען ווירקן קליין-וואָג און אַלגעמיין גרויס-וואָג בילד פאָרשטעלונג, האָפּקען-פֿאַרבינדונג נעוראַל נעטוואָרקס זענען געזונט סוטאַד צו אָטאַמייט דעם קוואַליטעט קאָנטראָל טאַסק5.לעצטנס ארויס ווערק האט געוויזן עטלעכע צוזאָג פֿאַר טיף קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס טריינד ניצן הויך קוואַליטעט דאַטן פון מענטשלעך עסטאַמאַטערז6.
אין דעם לערנען, מיר באַן אַ קאַנוואַלושאַנאַל נעוראַל נעץ פֿאַר קשר-סקיפּינג צו אויטאָמאַטיש באַשטימען די קוואַליטעט פון OCTA בילדער.מיר בויען אויף פרייַערדיק אַרבעט דורך דעוועלאָפּינג באַזונדער מאָדעלס פֿאַר ידענטיפיינג הויך קוואַליטעט בילדער און נידעריק קוואַליטעט בילדער, ווייַל בילד קוואַליטעט רעקווירעמענץ קען זיין אַנדערש פֿאַר ספּעציפיש קליניש אָדער פאָרשונג סינעריאָוז.מיר פאַרגלייַכן די רעזולטאַטן פון די נעטוואָרקס מיט קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס אָן פעלנדיק קאַנעקשאַנז צו אָפּשאַצן די ווערט פון אַרייַנגערעכנט פֿעיִקייטן אין קייפל לעוועלס פון גראַנולאַריטי אין טיף לערנען.דערנאָך מיר קאַמפּערד אונדזער רעזולטאַטן צו סיגנאַל שטאַרקייט, אַ קאַמאַנלי אנגענומען מאָס פון בילד קוואַליטעט צוגעשטעלט דורך מאַניאַפאַקטשערערז.
אונדזער לערנען אַרייַנגערעכנט פּאַטיענץ מיט צוקערקרענק וואָס אַטענדאַד די ייל אויג צענטער צווישן 11 אויגוסט 2017 און 11 אפריל 2019. פּאַטיענץ מיט קיין ניט-צוקערקרענק טשאָריאָרעטינאַל קרענק זענען יקסקלודיד.עס זענען געווען קיין ינקלוזשאַן אָדער יקסקלוזשאַן קרייטיריאַ באזירט אויף עלטער, דזשענדער, ראַסע, בילד קוואַליטעט אָדער קיין אנדערע פאַקטאָר.
OCTA בילדער זענען קונה מיט די AngioPlex פּלאַטפאָרמע אויף אַ Cirrus HD-OCT 5000 (Carl Zeiss Meditec Inc, Dublin, CA) אונטער 8\(\time\)8 מם און 6\(\time\)6 מם ימאַגינג פּראָטאָקאָלס.ינפאָרמד צושטימען פֿאַר אָנטייל אין דעם לערנען איז געווען באקומען פון יעדער לערנען באַטייליקטער, און די ייל אוניווערסיטעט ינסטיטושאַנאַל איבערבליק באָרד (IRB) באוויליקט די נוצן פון ינפאָרמד צושטימען מיט גלאבאלע פאָטאָגראַפיע פֿאַר אַלע די פּאַטיענץ.לויט די פּרינציפּן פון דער דעקלאַראַציע פון ​​העלסינקי.די לערנען איז באוויליקט דורך די ייל אוניווערסיטעט IRB.
ייבערפלאַך טעלער בילדער זענען עוואַלואַטעד באזירט אויף די פריער דיסקרייבד מאָטיאָן אַרטיפאַקט כעזשבן (MAS), די פריער דיסקרייבד סעגמענטאַטיאָן אַרטיפאַקט כעזשבן (SAS), די פאָוועאַל צענטער, די בייַזייַן פון מידיאַ אָופּאַסאַטי און גוט וויזשוואַלאַזיישאַן פון קליין קאַפּאַלעריז ווי באשלאסן דורך די בילד עוואַלואַטאָר.די בילדער זענען אַנאַלייזד דורך צוויי פרייַ עוואַלואַטאָרס (RD און JW).א בילד האט אַ גראַדעד כעזשבן פון 2 (בארעכטיגט) אויב אַלע די פאלגענדע קרייטיריאַ זענען באגעגנט: בילד איז סענטערד אין די פאָוועאַ (ווייניקער ווי 100 בילדצעלן פון די צענטער פון די בילד), MAS איז 1 אָדער 2, SAS איז 1, און מידיאַ אָופּאַסאַטי איז ווייניקער ווי 1. פאָרשטעלן אויף בילדער פון גרייס / 16, און קליין קאַפּאַלעריז זענען געזען אין בילדער גרעסער ווי 15/16.א בילד איז רייטאַד 0 (קיין ראַנג) אויב איינער פון די פאלגענדע קרייטיריאַ איז באגעגנט: די בילד איז אַוועק-צענטער, אויב MAS איז 4, אויב SAS איז 2, אָדער די דורכשניטלעך אָופּאַסאַטי איז גרעסער ווי 1/4 פון די בילד, און די קליין קאַפּאַלעריז קענען ניט זיין אַדזשאַסטיד מער ווי 1 בילד /4 צו ויסטיילן.אַלע אנדערע בילדער וואָס טאָן ניט טרעפן די כעזשבן קרייטיריאַ 0 אָדער 2 זענען סקאָרד ווי 1 (קליפּינג).
אויף פ.1 ווייזט מוסטער בילדער פֿאַר יעדער פון די סקיילד עסטאַמאַץ און בילד אַרטאַפאַקץ.ינטער-רייטער רילייאַבילאַטי פון יחיד סקאָרז איז אַססעססעד דורך Cohen ס קאַפּאַ ווייטינג 8.די יחיד סקאָרז פון יעדער ראַטער זענען סאַמד צו באַקומען אַ קוילעלדיק כעזשבן פֿאַר יעדער בילד, ריינדזשינג פון 0 צו 4. בילדער מיט אַ גאַנץ כעזשבן פון 4 זענען געהאלטן גוט.בילדער מיט אַ גאַנץ כעזשבן פון 0 אָדער 1 זענען געהאלטן נידעריק קוואַליטעט.
א רעסנעט 152 אַרקאַטעקטשער קאַנוואַלושאַנאַל נעוראַל נעץ (פיג. 3A.i) פאַר-טריינד אויף בילדער פון די ImageNet דאַטאַבייס איז דזשענערייטאַד ניצן fast.ai און די PyTorch פריימווערק5, 9, 10, 11. א קאַנוואַלושאַנאַל נעוראַל נעץ איז אַ נעץ וואָס ניצט די געלערנט. פילטערס פֿאַר סקאַנינג בילד פראַגמאַנץ צו לערנען ספּיישאַל און היגע פֿעיִקייטן.אונדזער טריינד רעסנעט איז אַ 152-שיכטע נעוראַל נעץ קעראַקטערייזד דורך גאַפּס אָדער "ריזידזשואַל קאַנעקשאַנז" וואָס סיימאַלטייניאַסלי יבערשיקן אינפֿאָרמאַציע מיט קייפל רעזאַלושאַנז.דורך פּראַדזשעקטינג אינפֿאָרמאַציע אין פאַרשידענע רעזאַלושאַנז איבער די נעץ, די פּלאַטפאָרמע קענען לערנען די פֿעיִקייטן פון נידעריק-קוואַליטעט בילדער אין קייפל דעטאַל לעוועלס.אין אַדישאַן צו אונדזער ResNet מאָדעל, מיר אויך טריינד AlexNet, אַ געזונט-געלערנט נעוראַל נעץ אַרקאַטעקטשער, אָן פעלנדיק קאַנעקשאַנז פֿאַר פאַרגלייַך (פיגורע 3A.ii)12.אָן פעלנדיק קאַנעקשאַנז, דעם נעץ וועט נישט קענען צו כאַפּן פֿעיִקייטן מיט אַ העכער גראַניאַלעראַטי.
דער אָריגינעל 8 \ (\ מאל \) 8 מם OCTA13 בילד שטעלן איז ימפּרוווד מיט האָריזאָנטאַל און ווערטיקאַל אָפּשפּיגלונג טעקניקס.די פול דאַטאַסעט איז ראַנדאַמלי שפּאַלטן אויף די בילד מדרגה אין טריינינג (51.2%), טעסטינג (12.8%), כייפּערפּאַראַמעטער טונינג (16%) און וואַלאַדיישאַן (20%) דאַטאַסעץ ניצן די סקייט-לערן מכשירים פּיטהאָן 14.צוויי קאַסעס זענען קאַנסידערד, איינער באזירט אויף דיטעקטינג בלויז די העכסטן קוואַליטעט בילדער (אַלגעמיין כעזשבן 4) און די אנדערע באזירט אויף דיטעקטינג בלויז די לאָואַסט קוואַליטעט בילדער (אַלגעמיין כעזשבן 0 אָדער 1).פֿאַר יעדער הויך-קוואַליטעט און נידעריק-קוואַליטעט נוצן פאַל, די נעוראַל נעץ איז ריטריינד אַמאָל אויף אונדזער בילד דאַטן.אין יעדער נוצן פאַל, די נעוראַל נעץ איז טריינד פֿאַר 10 עפּאָס, אַלע אָבער די העכסטן שיכטע ווייץ זענען פאַרפרוירן, און די ווייץ פון אַלע ינערלעך פּאַראַמעטערס זענען געלערנט פֿאַר 40 עפּאָס ניצן אַ דיסקרימינאַטיווע לערנען קורס אופֿן מיט אַ קרייַז-ענטראָפּיע אָנווער פונקציע 15, 16 ..די קרייַז ענטראָפּי אָנווער פֿונקציע איז אַ מאָס פון די לאָגאַריטהמיק וואָג פון די דיסקרעפּאַנסי צווישן פּרעדיקטעד נעץ לאַבעלס און פאַקטיש דאַטן.בעשאַס טריינינג, גראַדיענט אַראָפּגאַנג איז דורכגעקאָכט אויף די ינערלעך פּאַראַמעטערס פון די נעוראַל נעץ צו מינאַמייז לאָססעס.די לערנען קורס, דראָפּאַוט קורס און וואָג רעדוקציע כייפּערפּאַראַמאַטערז זענען טונד מיט Bayesian אַפּטאַמאַזיישאַן מיט 2 טראַפ - סטאַרטינג פונקטן און 10 יטעריישאַנז, און די AUC אויף די דאַטאַסעט איז געווען טונד מיט די כייפּערפּאַראַמעטערס ווי אַ ציל פון 17.
רעפּריזענאַטיוו ביישפילן פון 8 × 8 מם אָקטאַ בילדער פון אויבנאויפיקער קאַפּאַלערי פּלעקסוסעס סקאָרד 2 (א, ב), 1 (C, ד) און 0 (E, F).בילד אַרטאַפאַקץ געוויזן אַרייַננעמען פליקקערינג שורות (אַראָוז), סעגמענטאַטיאָן אַרטאַפאַקץ (אַסטעריסק) און מידיאַ אָופּאַסאַטי (אַראָוז).בילד (E) איז אויך אַוועק-צענטער.
ריסיווער אָפּערייטינג קעראַקטעריסטיקס (ROC) קערווז זענען דאַן דזשענערייטאַד פֿאַר אַלע נעוראַל נעץ מאָדעלס, און מאָטאָר סיגנאַל שטאַרקייט ריפּאָרץ זענען דזשענערייטאַד פֿאַר יעדער נידעריק-קוואַליטעט און הויך-קוואַליטעט נוצן פאַל.שטח אונטער די ויסבייג (AUC) איז קאַלקיאַלייטיד מיט די pROC R פּעקל, און 95% צוטרוי ינטערוואַלז און פּ וואַלועס זענען קאַלקיאַלייטיד מיט די דעלאָנג אופֿן18,19.די קיומיאַלאַטיוו סקאָרז פון מענטשלעך רייטערז זענען געניצט ווי די באַסעלינע פֿאַר אַלע ROC חשבונות.פֿאַר די סיגנאַל שטאַרקייט רעפּאָרטעד דורך די מאַשין, די AUC איז קאַלקיאַלייטיד צוויי מאָל: אַמאָל פֿאַר די הויך קוואַליטעט סקאַלאַביליטי כעזשבן און אַמאָל פֿאַר די נידעריק קוואַליטעט סקאַלאַביליטי כעזשבן.די נעוראַל נעץ איז קאַמפּערד מיט די AUC סיגנאַל שטאַרקייט וואָס ריפלעקס זיין אייגענע טריינינג און אפשאצונג טנאָים.
צו ווייַטער פּרובירן די טריינד טיף לערנען מאָדעל אויף אַ באַזונדער דאַטאַסעט, הויך קוואַליטעט און נידעריק קוואַליטעט מאָדעלס זענען גלייך געווענדט צו פאָרשטעלונג אפשאצונג פון 32 פול פּנים 6\(\times\) 6 מם ייבערפלאַך פּלאַטע בילדער געזאמלט פֿון ייל אוניווערסיטעט.אויג מאַסע איז צענטערעד אין דער זעלביקער צייט ווי די בילד 8 \(\ מאָל \) 8 מם.די 6\(\×\) 6 מם בילדער זענען מאַניואַלי אַססעססעד דורך די זעלבע רייטערז (RD און JW) אין די זעלבע שטייגער ווי די 8\(\×\) 8 מם בילדער, AUC איז קאַלקיאַלייטיד ווי געזונט ווי אַקיעראַסי און כהן ס קאַפּאַ. .גלײך .
די קלאַס ימבאַלאַנס פאַרהעלטעניש איז 158:189 (\(\rho = 1.19\)) פֿאַר די נידעריק קוואַליטעט מאָדעל און 80:267 (\(\rho = 3.3\)) פֿאַר די הויך קוואַליטעט מאָדעל.ווייַל די קלאַס ימבאַלאַנס פאַרהעלטעניש איז ווייניקער ווי 1: 4, קיין ספּעציפיש אַרקאַטעקטשעראַל ענדערונגען זענען געמאכט צו ריכטיק קלאַס ימבאַלאַנס20,21.
צו בעסער וויזשוואַלייז דעם לערנען פּראָצעס, קלאַס אַקטאַוויישאַן מאַפּס זענען דזשענערייטאַד פֿאַר אַלע פיר טריינד טיף לערנען מאָדעלס: הויך קוואַליטעט ResNet152 מאָדעל, נידעריק קוואַליטעט ResNet152 מאָדעל, הויך קוואַליטעט AlexNet מאָדעל און נידעריק קוואַליטעט AlexNet מאָדעל.קלאַס אַקטאַוויישאַן מאַפּס זענען דזשענערייטאַד פֿון די אַרייַנשרייַב קאַנוואַלושאַנאַל לייַערס פון די פיר מאָדעלס, און היץ מאַפּס זענען דזשענערייטאַד דורך אָוווערלייינג אַקטאַוויישאַן מאַפּס מיט מקור בילדער פֿון די וואַלאַדיישאַן 8 × 8 מם און 6 × 6 מם וואַלאַדיישאַן סעץ22, 23.
ר ווערסיע 4.0.3 איז געניצט פֿאַר אַלע סטאַטיסטיש חשבונות, און וויזשוואַלאַזיישאַנז זענען באשאפן מיט די ggplot2 גראַפיקס געצייַג ביבליאָטעק.
מיר האָבן געזאמלט 347 פראָנטאַל בילדער פון די אויבנאויפיקער קאַפּאַלערי פּלעקסאַס מעסטן 8 \(\ מאל \) 8 מם פון 134 מענטשן.די מאַשין האָט געמאלדן סיגנאַל שטאַרקייט אויף אַ וואָג פון 0 צו 10 פֿאַר אַלע בילדער (מיטן = 6.99 ± 2.29).פון די 347 בילדער קונה, די דורכשניטלעך עלטער ביי דורכקוק איז געווען 58.7 ± 14.6 יאר, און 39.2% זענען פֿון זכר פּאַטיענץ.פון אַלע בילדער, 30.8% זענען פֿון קאַוקאַסיאַנס, 32.6% פֿון שווארצע, 30.8% פֿון היספּאַניק, 4% פֿון אַסיאַנס, און 1.7% פֿון אנדערע ראַסעס (טאַבלע 1).).די עלטער פאַרשפּרייטונג פון פּאַטיענץ מיט OCTA דיפערד באטייטיק דיפּענדינג אויף די קוואַליטעט פון די בילד (פּ <0.001).דער פּראָצענט פון הויך-קוואַליטעט בילדער אין יינגער פּאַטיענץ אַלט 18-45 יאר איז געווען 33.8% קאַמפּערד צו 12.2% פון נידעריק-קוואַליטעט בילדער (טאַבלע 1).די פאַרשפּרייטונג פון צוקערקרענק רעטינאָפּאַטהי סטאַטוס אויך וועריד באטייטיק אין בילד קוואַליטעט (פּ <0.017).צווישן אַלע הויך קוואַליטעט בילדער, דער פּראָצענט פון פּאַטיענץ מיט PDR איז געווען 18.8% קאַמפּערד צו 38.8% פון אַלע נידעריק קוואַליטעט בילדער (טאַבלע 1).
יחיד רייטינגז פון אַלע בילדער האָבן געוויזן מעסיק צו שטאַרק ינטער-רייטינג רילייאַבילאַטי צווישן מענטשן לייענען די בילדער (Cohen ס ווייטיד קאַפּאַ = 0.79, 95% סי: 0.76-0.82), און עס זענען קיין בילד ווייזט ווו רייטערז דיפערד מיט מער ווי 1 (Fig. 2א)..סיגנאַל ינטענסיטי קאָראַלייטיד באטייטיק מיט מאַנואַל סקאָרינג (Pearson פּראָדוקט מאָמענט קאָראַליישאַן = 0.58, 95% סי 0.51-0.65, פּ <0.001), אָבער פילע בילדער זענען יידענאַפייד ווי הויך סיגנאַל ינטענסיטי אָבער נידעריק מאַנואַל סקאָרינג (Fig. .2B).
בעשאַס די טריינינג פון די ResNet152 און AlexNet אַרקאַטעקטשערז, די קרייַז-ענטראָפּי אָנווער אויף וואַלאַדיישאַן און טריינינג פאלן איבער 50 עפּאָס (פיגורע 3 ב, C).וואַלאַדיישאַן אַקיעראַסי אין די לעצט טריינינג עפּאָס איז איבער 90% פֿאַר ביידע הויך קוואַליטעט און נידעריק קוואַליטעט נוצן קאַסעס.
ופנעמער פאָרשטעלונג קורוועס ווייַזן אַז די ResNet152 מאָדעל באטייטיק אַוטפּערפאָרמז די סיגנאַל מאַכט רעפּאָרטעד דורך די מאַשין אין ביידע נידעריק און הויך קוואַליטעט נוצן קאַסעס (פּ <0.001).די ResNet152 מאָדעל איז אויך באטייטיק אַוטפּערפאָרמז די AlexNet אַרקאַטעקטשער (פּ = 0.005 און פּ = 0.014 פֿאַר ריספּעקטיוולי נידעריק קוואַליטעט און הויך קוואַליטעט קאַסעס).די ריזאַלטינג מאָדעלס פֿאַר יעדער פון די טאַסקס זענען ביכולת צו דערגרייכן אַוק וואַלועס פון 0.99 און 0.97 ריספּעקטיוולי, וואָס איז באטייטיק בעסער ווי די קאָראַספּאַנדינג AUC וואַלועס פון 0.82 און 0.78 פֿאַר די מאַשין סיגנאַל שטאַרקייט אינדעקס אָדער 0.97 און 0.94 פֿאַר AlexNet ..(פיג. 3).דער חילוק צווישן ResNet און AUC אין סיגנאַל שטאַרקייט איז העכער ווען איר דערקענען הויך קוואַליטעט בילדער, וואָס ינדיקייץ נאָך בענעפיץ פון ניצן ResNet פֿאַר דעם אַרבעט.
די גראַפס ווייַזן די פיייקייט פון יעדער פרייַ ראַטער צו כעזשבן און פאַרגלייַכן מיט די סיגנאַל שטאַרקייט רעפּאָרטעד דורך די מאַשין.(א) די סאַכאַקל פון די פונקטן צו זיין אַססעססעד איז געניצט צו מאַכן די גאַנץ נומער פון ווייזט צו זיין אַססעססעד.בילדער מיט אַ קוילעלדיק סקאַלאַביליטי כעזשבן פון 4 זענען אַסיינד הויך קוואַליטעט, בשעת בילדער מיט אַ קוילעלדיק סקאַלאַביליטי כעזשבן פון 1 אָדער ווייניקער זענען אַסיינד נידעריק קוואַליטעט.(ב) סיגנאַל ינטענסיטי קאָראַלייץ מיט מאַנואַל עסטאַמאַץ, אָבער בילדער מיט הויך סיגנאַל ינטענסיטי קען זיין פון פּורער קוואַליטעט.די רויט דאַטיד שורה ינדיקייץ דער פאַבריקאַנט ס רעקאַמענדיד קוואַליטעט שוועל באזירט אויף סיגנאַל שטאַרקייט (סיגנאַל שטאַרקייַט \(\גע\)6).
ResNet אַריבערפירן לערנען גיט אַ באַטייטיק פֿאַרבעסערונג אין בילד קוואַליטעט לעגיטימאַציע פֿאַר ביידע נידעריק קוואַליטעט און הויך קוואַליטעט נוצן קאַסעס קאַמפּערד מיט מאַשין-רעפּאָרטעד סיגנאַל לעוועלס.(א) סימפּליפיעד אַרקאַטעקטשער דייאַגראַמז פון פאַר-טריינד (איך) ResNet152 און (ii) אַלעקסנעט אַרקאַטעקטשערז.(ב) טראַינינג געשיכטע און ופנעמער פאָרשטעלונג קורוועס פֿאַר ResNet152 קאַמפּערד מיט מאַשין געמאלדן סיגנאַל שטאַרקייט און AlexNet קרייטיריאַ פון נידעריק קוואַליטעט.(C) ResNet152 ופנעמער טריינינג געשיכטע און פאָרשטעלונג קורוועס קאַמפּערד מיט מאַשין געמאלדן סיגנאַל שטאַרקייט און AlexNet קרייטיריאַ פון הויך קוואַליטעט.
נאָך אַדזשאַסטינג די באַשלוס גרענעץ שוועל, די מאַקסימום פאָרויסזאָגן אַקיעראַסי פון די ResNet152 מאָדעל איז 95.3% פֿאַר די נידעריק קוואַליטעט פאַל און 93.5% פֿאַר די הויך קוואַליטעט פאַל (טאַבלע 2).די מאַקסימום פאָרויסזאָגן אַקיעראַסי פון די AlexNet מאָדעל איז 91.0% פֿאַר די נידעריק קוואַליטעט פאַל און 90.1% פֿאַר די הויך קוואַליטעט פאַל (טאַבלע 2).די מאַקסימום פּראָגנאָז פון סיגנאַל שטאַרקייט איז 76.1% פֿאַר די נידעריק קוואַליטעט נוצן פאַל און 77.8% פֿאַר די הויך קוואַליטעט נוצן פאַל.לויט Cohen's kappa (\(\kappa\)), די העסקעם צווישן די ResNet152 מאָדעל און די עסטימאַטאָרס איז 0.90 פֿאַר די נידעריק קוואַליטעט פאַל און 0.81 פֿאַר די הויך קוואַליטעט פאַל.Cohen's AlexNet kappa איז ריספּעקטיוולי 0.82 און 0.71 פֿאַר נידעריק קוואַליטעט און הויך קוואַליטעט נוצן קאַסעס.Cohen ס סיגנאַל שטאַרקייט קאַפּפּאַ איז 0.52 און 0.27 פֿאַר נידעריק און הויך קוואַליטעט נוצן ריספּעקטיוולי.
וואַלאַדיישאַן פון הויך און נידעריק קוואַליטעט דערקענונג מאָדעלס אויף 6\(\x\) בילדער פון אַ 6 מם פלאַך טעלער דעמאַנסטרייץ די פיייקייט פון די טריינד מאָדעל צו באַשטימען בילד קוואַליטעט צווישן פאַרשידן ימאַגינג פּאַראַמעטערס.ווען ניצן 6\(\x\) 6 מם פּליטקע סלאַבז פֿאַר ימידזשינג קוואַליטעט, די נידעריק קוואַליטעט מאָדעל האט אַ AUC פון 0.83 (95% סי: 0.69-0.98) און די הויך קוואַליטעט מאָדעל האט אַ AUC פון 0.85.(95% סי: 0.55-1.00) (טאַבלע 2).
וויסואַל דורכקוק פון די אַרייַנשרייַב שיכטע קלאַס אַקטאַוויישאַן מאַפּס געוויזן אַז אַלע טריינד נעוראַל נעטוואָרקס געניצט בילד פֿעיִקייטן בעשאַס בילד קלאַסאַפאַקיישאַן (Fig. 4A, B).פֿאַר 8 \(\ מאָל \) 8 מם און 6 \ (\ מאָל \) 6 מם בילדער, די ResNet אַקטאַוויישאַן בילדער ענג נאָכפאָלגן די רעטינאַל וואַסקיאַלער.אַלעקסנעט אַקטאַוויישאַן מאַפּס אויך נאָכפאָלגן רעטינאַל כלים, אָבער מיט אַ גראָב האַכלאָטע.
די קלאַס אַקטאַוויישאַן מאַפּס פֿאַר די ResNet152 און AlexNet מאָדעלס הויכפּונקט פֿעיִקייטן שייַכות צו בילד קוואַליטעט.(א) קלאַס אַקטאַוויישאַן מאַפּע ווייזונג קאָוכיראַנט אַקטאַוויישאַן נאָך אויבנאויפיקער רעטינאַל וואַסקיאַלער אויף 8 \(\ מאל \) 8 מם וואַלאַדיישאַן בילדער און (ב) מאָס אויף קלענערער 6 \ (\ מאל \) 6 מם וואַלאַדיישאַן בילדער.LQ מאָדעל טריינד אויף נידעריק קוואַליטעט קרייטיריאַ, HQ מאָדעל טריינד אויף הויך קוואַליטעט קרייטיריאַ.
עס איז פריער געוויזן אַז בילד קוואַליטעט קענען זייער ווירקן קיין קוואַנטאַפאַקיישאַן פון OCTA בילדער.אין אַדישאַן, די בייַזייַן פון רעטינאָפּאַטהי ינקריסאַז די ינסידאַנס פון בילד אַרטאַפאַקץ7,26.אין פאַקט, אין אונדזער דאַטן, קאָנסיסטענט מיט פרייַערדיק שטודיום, מיר געפֿונען אַ באַטייטיק פאַרבאַנד צווישן ינקריסינג עלטער און שטרענגקייַט פון רעטינאַל קרענק און דיטיריעריישאַן אין בילד קוואַליטעט (פּ <0.001, פּ = 0.017 פֿאַר עלטער און דר סטאַטוס, ריספּעקטיוולי; טיש 1) 27 דעריבער, עס איז קריטיש צו אַססעסס בילד קוואַליטעט איידער דורכפירן קיין קוואַנטיטאַטיווע אַנאַליסיס פון OCTA בילדער.רובֿ שטודיום אַנאַלייזינג OCTA בילדער נוצן מאַשין-רעפּאָרטעד סיגנאַל ינטענסיטי טרעשכאָולדז צו ויסשליסן נידעריק קוואַליטעט בילדער.כאָטש סיגנאַל ינטענסיטי איז געוויזן צו ווירקן די קוואַנטאַפאַקיישאַן פון OCTA פּאַראַמעטערס, הויך סיגנאַל ינטענסיטי אַליין קען נישט זיין גענוג צו ויסשליסן בילדער מיט בילד אַרטאַפאַקץ 2,3,28,29.דעריבער, עס איז נייטיק צו אַנטוויקלען אַ מער פאַרלאָזלעך אופֿן פון בילד קוואַליטעט קאָנטראָל.צו דעם סוף, מיר אָפּשאַצן די פאָרשטעלונג פון סופּערווייזד טיף לערנען מעטהאָדס קעגן די סיגנאַל שטאַרקייט רעפּאָרטעד דורך די מאַשין.
מיר האָבן דעוועלאָפּעד עטלעכע מאָדעלס פֿאַר יוואַליוייטינג בילד קוואַליטעט ווייַל פאַרשידענע OCTA נוצן קאַסעס קען האָבן פאַרשידענע בילד קוואַליטעט רעקווירעמענץ.פֿאַר בייַשפּיל, בילדער זאָל זיין פון העכער קוואַליטעט.אין דערצו, ספּעציפיש קוואַנטיטאַטיווע פּאַראַמעטערס פון אינטערעס זענען אויך וויכטיק.פֿאַר בייַשפּיל, די געגנט פון די פאָוועאַל אַוואַסקיאַלער זאָנע איז נישט אָפענגען אויף די טערבידאַטי פון די ניט-צענטראל מיטל, אָבער אַפעקץ די געדיכטקייַט פון די כלים.כאָטש אונדזער פאָרשונג האלט צו פאָקוס אויף אַ גענעראַל צוגאַנג צו בילד קוואַליטעט, ניט טייד צו די רעקווירעמענץ פון קיין באַזונדער פּראָבע, אָבער בדעה צו גלייך פאַרבייַטן די סיגנאַל שטאַרקייט רעפּאָרטעד דורך די מאַשין, מיר האָפן צו געבן ניצערס אַ גרעסערע גראַד פון קאָנטראָל אַזוי אַז זיי קענען אויסקלייַבן די ספּעציפיש מעטריק פון אינטערעס צו דער באַניצער.קלייַבן אַ מאָדעל וואָס קאָראַספּאַנדז צו די מאַקסימום גראַד פון בילד אַרטאַפאַקץ געהאלטן פּאַסיק.
פֿאַר נידעריק-קוואַליטעט און הויך-קוואַליטעט סינז, מיר ווייַזן ויסגעצייכנט פאָרשטעלונג פון פֿאַרבינדונג-פעלנדיק טיף קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס, מיט אַוק פון 0.97 און 0.99 און נידעריק-קוואַליטעט מאָדעלס ריספּעקטיוולי.מיר אויך באַווייַזן די העכער פאָרשטעלונג פון אונדזער טיף לערנען צוגאַנג ווען קאַמפּערד מיט סיגנאַל לעוועלס רעפּאָרטעד בלויז דורך מאשינען.האָפּקען קאַנעקשאַנז לאָזן נעוראַל נעטוואָרקס צו לערנען פֿעיִקייטן אין קייפל לעוועלס פון דעטאַל, קאַפּטשערינג פיינער אַספּעקץ פון בילדער (למשל קאַנטראַסט) ווי געזונט ווי אַלגעמיין פֿעיִקייטן (למשל בילד סענטערינג30,31).זינט בילד אַרטאַפאַקץ וואָס ווירקן בילד קוואַליטעט זענען מיסטאָמע בעסטער יידענאַפייד איבער אַ ברייט קייט, נעוראַל נעץ אַרקאַטעקטשערז מיט פעלנדיק קאַנעקשאַנז קען ויסשטעלונג בעסער פאָרשטעלונג ווי יענע אָן בילד קוואַליטעט פעסטקייַט טאַסקס.
ווען טעסטינג אונדזער מאָדעל אויף 6 \ (\ × 6 מם) OCTA בילדער, מיר באמערקט אַ פאַרקלענערן אין קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר ביידע הויך קוואַליטעט און נידעריק קוואַליטעט מאָדעלס (פיגורע 2), אין קאַנטראַסט צו די גרייס פון די מאָדעל טריינד פֿאַר קלאַסאַפאַקיישאַן.קאַמפּערד צו די ResNet מאָדעל, די AlexNet מאָדעל האט אַ גרעסערע פאַלאָפף.די לעפיערעך בעסער פאָרשטעלונג פון ResNet קען זיין רעכט צו דער פיייקייט פון די ריזידזשואַל קאַנעקשאַנז צו יבערשיקן אינפֿאָרמאַציע אין קייפל וואָג, וואָס מאכט די מאָדעל מער געזונט פֿאַר קלאַסאַפייינג בילדער קאַפּטשערד אין פאַרשידענע וואָג און / אָדער מאַגנאַפאַקיישאַנז.
עטלעכע דיפעראַנסיז צווישן 8 \(\×\) 8 מם בילדער און 6 \(\×\) 6 מם בילדער קענען פירן צו אַ נעבעך קלאַסאַפאַקיישאַן, אַרייַנגערעכנט אַ לעפיערעך הויך פּראָפּאָרציע פון ​​בילדער מיט פאָוועאַל אַוואַסקיאַלער געביטן, ענדערונגען אין וויזאַביליטי, וואַסקיאַלער אַרקיידז, און קיין אָפּטיש נערוו אויף די בילד 6 × 6 מם.טראָץ דעם, אונדזער הויך-קוואַליטעט ResNet מאָדעל איז ביכולת צו דערגרייכן אַ AUC פון 85% פֿאַר 6 \(\x\) 6 מם בילדער, אַ קאַנפיגיעריישאַן פֿאַר וואָס די מאָדעל איז נישט טריינד, סאַגדזשעסטינג אַז די בילד קוואַליטעט אינפֿאָרמאַציע קאָדעד אין די נעוראַל נעץ. איז פּאַסיק.פֿאַר איין בילד גרייס אָדער מאַשין קאַנפיגיעריישאַן אַרויס פון זייַן טריינינג (טאַבלע 2).ריאַסורינגלי, ResNet- און AlexNet-ווי אַקטאַוויישאַן מאַפּס פון 8 \ (\ מאל \) 8 מם און 6 \ (\ מאָל \) 6 מם בילדער זענען ביכולת צו הויכפּונקט רעטינאַל כלים אין ביידע קאַסעס, סאַגדזשעסטינג אַז דער מאָדעל האט וויכטיק אינפֿאָרמאַציע.זענען אָנווענדלעך פֿאַר קלאַסאַפייינג ביידע טייפּס פון אָקטאַ בילדער (פיגורע 4).
לאַוערמאַן עט על.בילד קוואַליטעט אַסעסמאַנט אויף OCTA בילדער איז געווען סימילאַרלי דורכגעקאָכט מיט די ינסעפּשאַן אַרקאַטעקטשער, אן אנדער האָפּקען-פֿאַרבינדונג קאַנוואַלושאַנאַל נעוראַל נעץ 6,32 ניצן טיף לערנען טעקניקס.זיי אויך לימיטעד די לערנען צו בילדער פון די אויבנאויפיקער קאַפּאַלערי פּלעקסוס, אָבער בלויז ניצן די קלענערער 3 × 3 מם בילדער פֿון Optovue AngioVue, כאָטש פּאַטיענץ מיט פאַרשידן טשאָריאָרעטינאַל חולאתן זענען אויך אַרייַנגערעכנט.אונדזער אַרבעט איז באזירט אויף זייער יסודות, אַרייַנגערעכנט קייפל מאָדעלס צו אַדרעס פאַרשידן בילד קוואַליטעט טרעשאַלז און וואַלאַדייט רעזולטאַטן פֿאַר בילדער פון פאַרשידענע סיזעס.מיר אויך באַריכט די AUC מעטריק פון מאַשין לערנען מאָדעלס און פאַרגרעסערן זייער שוין ימפּרעסיוו אַקיעראַסי (90%) 6 פֿאַר ביידע נידעריק קוואַליטעט (96%) און הויך קוואַליטעט (95.7%) מאָדעלס6.
דעם טריינינג האט עטלעכע לימיטיישאַנז.ערשטער, די בילדער זענען קונה מיט בלויז איין OCTA מאַשין, אַרייַנגערעכנט בלויז בילדער פון די אויבנאויפיקער קאַפּאַלערי פּלעקסוס ביי 8\(\time\)8 מם און 6\(\time\)6 מם.די סיבה פֿאַר עקסקלודינג בילדער פון דיפּער לייַערס איז אַז פּרויעקציע אַרטאַפאַקץ קענען מאַכן מאַנואַל יוואַליויישאַן פון בילדער מער שווער און עפשער ווייניקער קאָנסיסטענט.דערצו, בילדער זענען בלויז קונה אין צוקערקרענק פּאַטיענץ, פֿאַר וועמען OCTA איז ימערדזשינג ווי אַ וויכטיק דיאַגנאָסטיק און פּראָגנאָסטיק געצייַג33,34.כאָטש מיר זענען ביכולת צו פּרובירן אונדזער מאָדעל אויף בילדער פון פאַרשידענע סיזעס צו ענשור אַז די רעזולטאַטן זענען געזונט, מיר זענען נישט ביכולת צו ידענטיפיצירן פּאַסיק דאַטאַסעץ פון פאַרשידענע סענטערס, וואָס לימיטעד אונדזער אַסעסמאַנט פון די גענעראַליזאַביליטי פון די מאָדעל.כאָטש די בילדער זענען באקומען פון בלויז איין צענטער, זיי זענען באקומען פון פּאַטיענץ פון פאַרשידענע עטניק און ראַסיש באַקגראַונדז, וואָס איז אַ יינציק שטאַרקייַט פון אונדזער לערנען.דורך אַרייַנגערעכנט דייווערסיטי אין אונדזער טריינינג פּראָצעס, מיר האָפן אַז אונדזער רעזולטאַטן וועלן זיין גענעראַליזעד אין אַ ברייטערער זינען, און אַז מיר וועלן ויסמיידן קאָדירונג פון ראַסיש פאָרורטייל אין די מאָדעלס וואָס מיר באַן.
אונדזער לערנען ווייזט אַז נעוראַל נעטוואָרקס קענען זיין טריינד צו דערגרייכן הויך פאָרשטעלונג אין דיטערמאַנינג OCTA בילד קוואַליטעט.מיר צושטעלן די מאָדעלס ווי מכשירים פֿאַר ווייַטער פאָרשונג.ווייַל פאַרשידענע מעטריקס קען האָבן פאַרשידענע בילד קוואַליטעט רעקווירעמענץ, אַ יחיד קוואַליטעט קאָנטראָל מאָדעל קענען זיין דעוועלאָפּעד פֿאַר יעדער מעטריק ניצן די סטרוקטור געגרינדעט דאָ.
צוקונפֿט פאָרשונג זאָל אַרייַננעמען בילדער פון פאַרשידענע סיזעס פון פאַרשידענע טיפענישן און פאַרשידענע OCTA מאשינען צו באַקומען אַ טיף לערנען בילד קוואַליטעט אפשאצונג פּראָצעס וואָס קענען זיין דזשענעראַלייזד צו OCTA פּלאַטפאָרמס און ימאַגינג פּראָטאָקאָלס.קראַנט פאָרשונג איז אויך באזירט אויף סופּערווייזד טיף לערנען אַפּראָוטשיז וואָס דאַרפן מענטש יוואַליויישאַן און בילד אפשאצונג, וואָס קענען זיין אַרבעט אינטענסיווע און צייט קאַנסומינג פֿאַר גרויס דאַטאַסעץ.עס בלייבט צו זען צי ניט-סופּערווייזד טיף לערנען מעטהאָדס קענען אַדאַקוואַטלי ויסטיילן צווישן נידעריק קוואַליטעט בילדער און הויך קוואַליטעט בילדער.
ווי OCTA טעכנאָלאָגיע האלט צו יוואַלוו און סקאַנינג ספּידז פאַרגרעסערן, די ינסידאַנס פון בילד אַרטאַפאַקץ און נעבעך קוואַליטעט בילדער קען פאַרמינערן.ימפּרווומאַנץ אין די ווייכווארג, אַזאַ ווי די לעצטנס ינטראָודוסט באַזייַטיקונג שטריך פון פּרויעקציע אַרטאַפאַקט, קענען אויך גרינגער מאַכן די לימיטיישאַנז.אָבער, פילע פּראָבלעמס בלייבן ווי ימאַגינג פון פּאַטיענץ מיט נעבעך פיקסיישאַן אָדער באַטייטיק מידיאַ טורבידאַטי שטענדיק רעזולטאַט אין בילד אַרטאַפאַקץ.ווי OCTA ווערט מער וויידלי געניצט אין קליניש טריאַלס, אָפּגעהיט באַטראַכטונג איז דארף צו פאַרלייגן קלאָר גיידליינז פֿאַר פּאַסיק בילד אַרטאַפאַקט לעוועלס פֿאַר בילד אַנאַליסיס.די אַפּלאַקיישאַן פון טיף לערנען מעטהאָדס צו OCTA בילדער האלט גרויס צוזאָג און ווייַטער פאָרשונג איז דארף אין דעם געגנט צו אַנטוויקלען אַ געזונט צוגאַנג צו בילד קוואַליטעט קאָנטראָל.
דער קאָד געניצט אין דעם קראַנט פאָרשונג איז בנימצא אין די octa-qc ריפּאַזאַטאָרי, https://github.com/rahuldhodapkar/octa-qc.דאַטאַסעטס דזשענערייטאַד און / אָדער אַנאַלייזד בעשאַס דעם קראַנט לערנען זענען בארעכטיגט פֿון די ריספּעקטיוו מחברים אויף גלייַך בעטן.
Spaide, RF, Fujimoto, JG & Waheed, NK בילד אַרטאַפאַקץ אין אָפּטיש קאָוכיראַנס אַנגיאָגראַפי.רעטינאַ 35, 2163-2180 (2015).
Fenner, BJ עט על.לעגיטימאַציע פון ​​ימאַגינג פֿעיִקייטן וואָס באַשטימען די קוואַליטעט און רעפּראָדוסיביליטי פון רעטינאַל קאַפּאַלערי פּלעקסוס געדיכטקייַט מעזשערמאַנץ אין אָקט אַנגיאָגראַפי.בר.י אָפטאַלמאָל.102, 509-514 (2018).
Lauerman, JL עט על.השפּעה פון אויג-טראַקינג טעכנאָלאָגיע אויף די בילד קוואַליטעט פון אָקט אַנגיאָגראַפי אין עלטער-פֿאַרבונדענע מאַקולאַר דידזשענעריישאַן.גראבער אַרטש.קליניש.עקספּ.אַפטאַלמאָלאָגי.255, 1535-1542 (2017).
Babyuch AS et al.OCTA קאַפּאַלערי פּערפוסיאָן געדיכטקייַט מעזשערמאַנץ זענען געניצט צו דעטעקט און אָפּשאַצן מאַקולאַר יסטשעמיאַ.אַפטאַממיק כירורגיע.רעטינאַל לאַזער ימאַגינג 51, S30–S36 (2020).
ער, קיי, זשאַנג, X., Ren, S., און Sun, J. Deep Residual Learning for Image Recognition.אין 2016 ביי די IEEE קאָנפערענסע אויף קאָמפּיוטער זעאונג און מוסטער דערקענונג (2016).
Lauerman, JL עט על.אָטאַמייטיד אָקט אַנגיאָגראַפיק בילד קוואַליטעט אַסעסמאַנט ניצן טיף לערנען אַלגערידאַמז.גראבער אַרטש.קליניש.עקספּ.אַפטאַלמאָלאָגי.257, 1641-1648 (2019).
Lauermann, J. עט על.די פּרעוואַלאַנס פון סעגמאַנטיישאַן ערראָרס און באַוועגונג אַרטאַפאַקץ אין אָקט אַנגיאָגראַפי דעפּענדס אויף די קרענק פון די רעטינאַ.גראבער אַרטש.קליניש.עקספּ.אַפטאַלמאָלאָגי.256, 1807-1816 (2018).
פאסק, אדם עט על.פּיטאָרטש: אַן ימפּעראַטיוו, הויך-פאָרשטעלונג טיף לערנען ביבליאָטעק.אַוואַנסירטע פּראַסעסינג פון נעוראַל אינפֿאָרמאַציע.סיסטעם.32, 8026-8037 (2019).
דענג, י עט על.ImageNet: אַ גרויס-סקאַלע כייעראַרקאַקאַל בילד דאַטאַבאַסע.2009 IEEE קאָנפֿערענץ אויף קאָמפּיוטער זעאונג און מוסטער דערקענונג.248–255.(2009).
Krizhevsky A., Sutzkever I. און Hinton GE Imagenet קלאַסאַפאַקיישאַן ניצן טיף קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס.אַוואַנסירטע פּראַסעסינג פון נעוראַל אינפֿאָרמאַציע.סיסטעם.25, 1 (2012).