Segmentation of Retinal Low-Cost Optical Coherence Tomography Images using Deep Learning

Este artículo presenta un enfoque basado en aprendizaje profundo que utiliza una red neuronal convolucional y un autoencoder de denoising para segmentar con alta precisión la retina y detectar desprendimientos del epitelio pigmentario en imágenes de tomografía de coherencia óptica de bajo costo para el monitoreo domiciliario de la degeneración macular asociada a la edad.

Lo esencial

Imagina que tus ojos son como una cámara de seguridad muy sofisticada que necesita revisarse constantemente para asegurarse de que todo funcione bien. En el caso de una enfermedad llamada Degeneración Macular Asociada a la Edad (DMAE), que es la principal causa de ceguera en personas mayores, los médicos necesitan ver el interior del ojo con mucho detalle para saber si el tratamiento está funcionando.

Normalmente, para hacer esta revisión, el paciente tiene que ir al hospital, donde una máquina grande y costosa (llamada OCT) toma "fotografías" en 3D de las capas de la retina. Pero ir al hospital cada semana es cansado, caro y difícil para muchos.

La Gran Idea: Un "Ojo" en Casa

Los autores de este paper (un grupo de científicos alemanes) han creado un prototipo de una máquina OCT barata y pequeña que el paciente puede usar en casa solo. Es como tener un escáner de seguridad personal para tus ojos.

El problema es que esta máquina casera no es tan perfecta como la del hospital. Sus fotos son un poco más borrosas, tienen más "ruido" (como la estática en una radio vieja) y a veces el paciente se mueve un poco, arruinando la imagen.

El Problema: Ver a través de la niebla

Para que este sistema casero funcione, necesita un "cerebro" automático que pueda analizar esas fotos borrosas y decir: "Aquí hay una capa sana del ojo" o "Aquí hay un bulto peligroso llamado PED (un desprendimiento del epitelio pigmentario)".

Hacer esto manualmente es imposible porque hay demasiadas fotos. Necesitamos una Inteligencia Artificial (IA) que lo haga sola. Pero, ¿cómo le pides a una IA que vea bien si las fotos son malas?

La Solución: Dos Detectives en Equipo

Los investigadores diseñaron un sistema de dos pasos, como si fueran dos detectives trabajando juntos:

1. El Detective Rápido (La Red Neuronal U-Net):
   Imagina a un detective muy rápido que mira la foto borrosa y dibuja rápidamente dónde cree que está la retina y dónde está el bulto malo. Como la foto es mala, a veces comete errores. Por ejemplo, si hay una mancha oscura por el movimiento del paciente, el detective podría pensar erróneamente que es un bulto o que falta una parte del ojo.

2. El Detective Experto (El Autoencoder CDAE):
   Aquí entra el segundo detective. Este es un experto que conoce la anatomía del ojo de memoria. No necesita ver la foto borrosa para saber cómo debería verse un ojo sano.

   • La analogía: Imagina que el primer detective dibuja un mapa de un país, pero se le borró una montaña porque hubo una tormenta. El segundo detective, que tiene un mapa mental perfecto de cómo es ese país, mira el dibujo incompleto y dice: "Espera, aquí siempre hay una montaña, así que voy a corregir el dibujo".
   • Este "experto" (el CDAE) toma el dibujo rápido del primer detective, lo limpia, corrige los errores causados por el ruido o el movimiento, y le da una forma más suave y realista.

¿Qué descubrieron?

• Para la retina sana: El sistema funciona increíblemente bien. La IA puede trazar los bordes del ojo con una precisión casi perfecta, incluso con las fotos de baja calidad de la máquina casera.
• Para los bultos (PED): Es un poco más difícil. Como los bultos a veces se mezclan con otras capas brillantes del ojo en estas fotos baratas, a veces es difícil distinguirlos con claridad. La IA los encuentra, pero no con la misma perfección que la retina sana.
• La magia de la corrección: Lo más importante es que el segundo detective (el CDAE) logró arreglar muchos de los errores que cometió el primero cuando la foto estaba muy borrosa o tenía "ruido".

En Resumen

Este paper nos dice que es posible crear un sistema de monitoreo ocular en casa que sea barato y accesible. Aunque la máquina casera toma fotos de menor calidad, combinando dos tipos de Inteligencia Artificial (una que ve rápido y otra que "sabe" cómo es el ojo), podemos obtener resultados muy precisos.

Esto significa que en el futuro, las personas con DMAE podrían revisar sus ojos en casa cada día, enviando los datos automáticamente a su médico, quien podría detectar problemas mucho antes de que causen ceguera, todo gracias a un "cerebro" digital que aprende a ver a través del ruido.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Segmentación de Imágenes de Tomografía de Coherencia Óptica (OCT) de Bajo Costo para la Retina mediante Aprendizaje Profundo

1. Problema y Contexto

La degeneración macular asociada a la edad (DMAE) es la principal causa de ceguera en el mundo occidental. Su tratamiento requiere un monitoreo continuo mediante Tomografía de Coherencia Óptica (OCT) para detectar biomarcadores específicos (como quistes intraretinianos, fluido subretiniano y desprendimientos del epitelio pigmentario - PED).

• Limitación actual: Los esquemas de tratamiento actuales tienen intervalos de monitoreo insuficientes y no se adaptan individualmente al paciente. Aumentar la frecuencia de visitas a la clínica es inviable debido a la carga para el paciente y los costos de personal.
• Solución propuesta: Sistemas de monitoreo domiciliario utilizando un OCT de campo completo de bajo costo y autoexamen (SELF-OCT).
• Desafío técnico: Las imágenes del SELF-OCT tienen una calidad inferior a los sistemas clínicos comerciales, caracterizada por una relación señal-ruido (SNR) reducida y la presencia de artefactos de movimiento. Esto dificulta la interpretación manual y la segmentación automática precisa de biomarcadores, haciendo necesaria una solución de diagnóstico asistido por computadora robusta.

2. Metodología

El artículo propone un marco de trabajo de aprendizaje profundo en dos etapas para segmentar el volumen retinal total y los desprendimientos del epitelio pigmentario (PED) en datos 3D del SELF-OCT.

• Datos: Se utilizó un conjunto de datos de un estudio piloto con 51 pacientes (incluyendo DMAE, edema macular diabético, etc.), generando 711 volúmenes de imagen anotados manualmente por expertos. Las imágenes tienen una resolución axial de 9.1 µm.
• Etapa 1: Segmentación Inicial con U-Net 3D
  • Se emplea una arquitectura U-Net 3D (basada en la popular U-Net 2D pero adaptada para volúmenes) para clasificar cada vóxel en tres clases: Retina, PED y Fondo.
  • La red utiliza un codificador contraído para capturar contexto y un decodificador expansivo para predicciones densas.
  • Se aplicó aumento de datos en línea (flips, transformaciones de similitud, desplazamientos de intensidad) para evitar el sobreajuste debido al tamaño limitado del conjunto de datos.
  • Se utilizó la función de pérdida Generalized Dice ponderada para manejar el desequilibrio de clases.
• Etapa 2: Refinamiento de Forma con Autoencoder Denoising Convolucional (CDAE)
  • Para corregir errores causados por artefactos y bajo SNR, se introduce un paso de refinamiento basado en conocimiento anatómico previo.
  • Se binariza la salida de la U-Net (tratando el PED como parte de la retina para la forma) y se alimenta a un CDAE.
  • El CDAE se entrena con versiones "ruidosas" de las segmentaciones verdaderas (añadiendo ruido binario, transformaciones elásticas y elipsoides aleatorios) para aprender a reconstruir la forma retinal correcta.
  • Fusión: La forma retinal refinada por el CDAE se fusiona con la predicción multietiqueta de la U-Net. Si la U-Net no detecta PED, se usa solo la forma refinada; si detecta PED, la predicción se ajusta a la nueva frontera inferior aprendida por el CDAE.

3. Contribuciones Clave

• Primera aplicación en SELF-OCT: Es el primer trabajo que realiza la segmentación de la retina total y PED en datos de imágenes de un sistema OCT de autoexamen de bajo costo utilizando aprendizaje profundo.
• Arquitectura Híbrida: Propone una combinación innovadora de una red de segmentación (U-Net) con un autoencoder de refinamiento (CDAE) para integrar conocimiento anatómico previo y corregir artefactos específicos de dispositivos de bajo costo.
• Robustez ante Artefactos: Demuestra cómo el refinamiento basado en forma puede mitigar errores de segmentación causados por la baja SNR y los artefactos de movimiento, que son comunes en el monitoreo domiciliario.

4. Resultados

La evaluación se realizó mediante validación cruzada de 5 pliegues utilizando el Coeficiente de Similitud de Dice (DSC), la Distancia Simétrica Promedio de Superficie (ASSD) y la Distancia de Hausdorff (HD).

• Segmentación de la Retina: El enfoque logró una alta precisión.
  • DSC: 0.939 (tanto para U-Net como para U-Net + CDAE).
  • ASSD: ~13.5 µm.
  • HD: ~270 µm.
  • El refinamiento con CDAE mantuvo la precisión de la retina, corrigiendo visualmente los bordes irregulares causados por artefactos.
• Segmentación de PED: Fue más desafiante debido a la delimitación poco clara en las imágenes SELF-OCT.
  • DSC: 0.593 (U-Net) mejoró ligeramente a 0.600 (U-Net + CDAE).
  • La dificultad se atribuye a la reflectividad de la capa de epitelio pigmentario (RPE) que oculta la membrana de Bruch (límite inferior del PED).
• Evaluación Visual: Las imágenes cualitativas (Figura 4) muestran que el CDAE corrige exitosamente segmentaciones falsas causadas por franjas oscuras (pérdida de señal) y genera superficies de segmentación más suaves.

5. Significado y Conclusión

Este trabajo es fundamental para el avance del monitoreo domiciliario de la DMAE. Al demostrar que es posible segmentar biomarcadores críticos en imágenes de baja calidad obtenidas por dispositivos de bajo costo, se habilita la viabilidad de sistemas de autoexamen automatizados.

• La integración del CDAE como paso de refinamiento es una estrategia efectiva para compensar las limitaciones hardware de los sistemas de bajo costo mediante conocimiento anatómico aprendido.
• Aunque la segmentación de PED sigue siendo un reto, la alta precisión en la segmentación de la retina total permite el cálculo de volúmenes retinianos, un biomarcador fiable para la actividad de la enfermedad.
• A medida que la tecnología SELF-OCT mejore su calidad de imagen, se espera que el rendimiento de la segmentación aumente, facilitando una detección temprana y un tratamiento más efectivo de la DMAE.