1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Математика, информатика, процессы управления
  4. T. 514, № 2, 2023

Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 169-176

РАЗРАБОТКА И ТЕСТИРОВАНИЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ АНАЛИЗА ОКТ ИЗОБРАЖЕНИЙ СЕТЧАТКИ

Л. Е. Аксенова 1, 2, *, К. Д. Аксенов 2, Е. В. Козина 1, В. В. Мясникова 1

1 ФГАУ НМИЦ Межотраслевой научно-технический комплекс “Микрохирургия глаза” им. акад. С.Н. Федорова
Краснодар, Россия

2 ООО “ПРОСТРАНСТВО ИНТЕЛЛЕКТУАЛЬНЫХ РЕШЕНИЙ”
Новороссийск, Россия

* E-mail: axenovalubov@gmail.com

Поступила в редакцию 04.09.2023
После доработки 08.09.2023
Принята к публикации 24.09.2023

Аннотация

Неоваскулярная возрастная макулярная дегенерация (н-ВМД) представляет собой форму ВМД, которая является причиной большинства случаев тяжелой потери зрения. Анти-VEGF терапия, которая является “золотым стандартом” лечения данной патологии, сопровождается ОКТ мониторингом. Тем не менее данный процесс затруднен ввиду отсутствия методов точной количественной оценки ОКТ изображений. Целью настоящего исследования являются разработка и оценка точности автоматизированного расчета количественных характеристик биомаркеров PED, SRF и IRF. Нейронная сеть с архитектурой U-NET была обучена на наборе аннотированных вручную данных, который включал 385 ОКТ изображений. Dice coefficient, измеренный на валидационном наборе, составил 0.9, 0.72 и 0.69 для PED, SRF и IRF. Результаты количественного расчета данных биомаркеров статистически не отличались от измерений врача офтальмолога. Сравнение групп относительно анатомического исхода терапии показали, что высота, протяженность и площадь PED различны для групп с прилеганием и отсутствием прилегания PED, а высота PED, площадь PED и площадь IRF – для групп с отсутствием прилегания и разрывом PED. Таким образом, алгоритм количественного расчета биомаркеров позволяет получить больше информации для оценки результатов терапии, что может улучшить исходы лечения пациентов с н-ВМД.

Ключевые слова: офтальмология, искусственный интеллект, оптическая когерентная томография, глубокое обучение, сегментация, биомаркеры

Список литературы

  1. World Health Organization. World report on vision. URL: https://apps.who.int/iris/handle/10665/328717 (дата обращения: 31.08.2023).

  2. Lai T.T., Hsieh Y.T., Yang C.M., Ho T.C., Yang C.H. Biomarkers of optical coherence tomography in evaluating the treatment outcomes of neovascular age-related macular degeneration: a real-world study. Sci Rep. 24 янвapь 2019 г.. V. 9. № 1. P. 529.

  3. Heier J.S., Brown D.M., Chong V., Korobelnik J.F., Kaiser P.K., Nguyen Q.D., et al. Intravitreal Aflibercept (VEGF Trap-Eye) in Wet Age-related Macular Degeneration. Ophthalmology. 2012. V. 119. № 12. P. 2537–2548.

  4. Funk M., Karl D., Georgopoulos M., Benesch T., Sacu S., Polak K., et al. Neovascular Age-related Macular Degeneration: Intraocular Cytokines and Growth Factors and the Influence of Therapy with Ranibizumab. Ophthalmology. 2009. V. 116. № 12. P. 2393–9.

  5. Kiernan D.F., Mieler W.F., Hariprasad S.M. Spectral-Domain Optical Coherence Tomography: A Comparison of Modern High-Resolution Retinal Imaging Systems. American Journal of Ophthalmology. 2010. V. 149. № 1. P. 18–31.

  6. Joussen A.M., Kirchhof B. Vitrectomy in Retinal Vascular Disease: Surgical Principles. Springer Berlin Heidelberg. 2007. V. 260–273.

  7. Hee M.R. Optical Coherence Tomography of the Human Retina. Arch Ophthalmol. 1995. V. 113. № 3. P. 325.

  8. Kim J.E., Tomkins-Netzer O., Elman M.J., Lally D.R., Goldstein M., Goldenberg D., et al. Evaluation of a self-imaging SD-OCT system designed for remote home monitoring. BMC Ophthalmol. 2022. V. 22. № 1. P. 261.

  9. Michl M., Neschi M., Kaider A., Hatz K., Deak G., Gerendas B.S., et al. A systematic evaluation of human expert agreement on optical coherence tomography biomarkers using multiple devices. Eye. 2023. V. 37. № 12. P. 2573–2579.

  10. Schmidt-Erfurth U., Sadeghipour A., Gerendas B.S., Waldstein S.M., Bogunović H. Artificial intelligence in retina. Progress in Retinal and Eye Research. 2018. V. 67. P. 1–29.

  11. Danese C., Kale A.U., Aslam T., Lanzetta P., Barratt J., Chou Y.B., et al. The impact of artificial intelligence on retinal disease management: Vision Academy retinal expert consensus. Current Opinion in Ophthalmology. 2023. V. 34. № 5. P. 396–402.

  12. Bhuiyan A., Govindaiah A., Alauddin S., Otero-Marquez O., Smith R.T. Combined automated screening for age-related macular degeneration and diabetic retinopathy in primary care settings. Ann Eye Sci. 2021. V. 6. P. 12–12.

  13. Gallardo M., Munk M.R., Kurmann T., De Zanet S., Mosinska A., Karagoz I.K., et al. Machine Learning Can Predict Anti–VEGF Treatment Demand in a Treat-and-Extend Regimen for Patients with Neovascular AMD, DME, and RVO Associated Macular Edema. Ophthalmology Retina. 2021. V. 5. № 7. P. 604–624.

  14. Mantel I., Mosinska A., Bergin C., Polito M.S., Guidotti J., Apostolopoulos S., et al. Automated Quantification of Pathological Fluids in Neovascular Age-Related Macular Degeneration, and Its Repeatability Using Deep Learning. Trans Vis Sci Tech. 2021. V. 10. № 4. P. 17.

  15. Malyugin B.E., Sakhnov S.N., Axenova L.E., et al. A deep machine learning model development for the biomarkers of the anatomical and functional anti-VEGF therapy outcome detection on retinal OCT images. JOS. 2023. № 1S. P. 77–84.

  16. Ложкин И.А., Дунаев М.Е., Зайцев К.С., Гармаш А.А. Аугментация наборов изображений для обучения нейронных сетей при решении задач семантической сегментации. International Journal of Open Information Technologies. 2023. Т. 11. № 1. С. 109.

  17. Taha A.A., Hanbury A. Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Med Imaging. 2015. V. 15. № 1. P. 29.

  18. Suzuki S., Be K. Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing. 1985. V. 30. № 1. P. 32–46.

  19. Lee C.S., Tyring A.J., Deruyter N.P., Wu Y., Rokem A., Lee A.Y. Deep-Learning Based, Automated Segmentation of Macular Edema in Optical Coherence Tomography. Bioinformatics; 2017; preprint.

  20. Tennakoon R., Gostar A.K., Hoseinnezhad R., Bab-Hadiashar A. Retinal fluid segmentation in OCT images using adversarial loss based convolutional neural networks. B: 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018). Washington, DC: IEEE; 2018. P. 1436–1440.

  21. Keenan T.D.L., Goldstein M., Goldenberg D., Zur D., Shulman S., Loewenstein A. Prospective, Longitudinal Pilot Study. Ophthalmology Science. 2021. V. 1. № 2. P. 100034.

  22. Nagata J., Shiose S., Ishikawa K., Fukui T., Kano K., Mori K., et al. Clinical Characteristics of Eyes with Neovascular Age-Related Macular Degeneration and Retinal Pigment Epithelium Tears. JCM. 2023. V. 12. № 17. P. 5496.

  23. Sarraf D., Chan C., Rahimy E., Abraham P. Prospective evaluation of the incidence and risk factors for the development of rpe tears after high- and low-dose ranibizumab therapy. Retina. 2013. V. 33. № 8. P. 1551–1557.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Математика, информатика, процессы управления

Архивы выпусков Информация о журнале Отправить рукопись в журнал