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

Dit artikel introduceert een diep learning-gebaseerde methode voor het segmenteren van retinale beelden van een nieuwe low-cost zelfonderzoek OCT-scan, waarbij een CNN wordt gebruikt voor de segmentatie en een CDAE voor het verfijnen van de resultaten om artefacten te corrigeren.

De kern

Oogopname thuis: Hoe slimme computers de netvliesziekte van ouderen in de gaten houden

Stel je voor dat je oog een heel gevoelige camera is. Bij ouderen kan er soms een probleem ontstaan met het 'centrale scherm' van die camera, het netvlies. Dit heet Maculadegeneratie (AMD). Het is de belangrijkste oorzaak van blindheid in het westen. Gelukkig is er een manier om dit te zien: een speciale oogscan genaamd OCT. Dit is als een 3D-kaart van je netvlies, laag voor laag.

Het probleem: Te weinig scans, te veel gedoe
Voor de behandeling van AMD is het cruciaal om vaak te kijken of het probleem verergert. Maar nu moeten patiënten elke keer naar de dokter. Dat is duur, tijdrovend en niet voor iedereen haalbaar om elke week of elke dag te doen.

Daarom hebben onderzoekers een nieuwe, goedkope oogscanner bedacht die je zelf thuis kunt gebruiken (de SELF-OCT). Het is als een slimme telefoon voor je ogen: klein, goedkoop en makkelijk in gebruik. Maar er zit een addertje onder het gras: omdat het apparaatje zo klein en goedkoop is, zijn de foto's vaak wat wazig, bevatten ze ruis (zoals statische op een oude TV) en soms beweegt je oog een beetje, waardoor de foto 'versmoeft'.

De oplossing: Een slimme computer die 'snapt' wat er mis is
De onderzoekers (uit Lübeck en Kiel) wilden weten of een computer deze wazige foto's kan lezen om te zien of er ziekte is. Ze gebruikten Deep Learning (een soort super-slimme kunstmatige intelligentie).

Ze bouwden een systeem met twee stappen, alsof je een tekening maakt en die daarna verbetert:

1. De Eerste Schets (De U-Net):
   Stel je voor dat een computer een tekening maakt van je netvlies op basis van de wazige foto. Dit doet een programma genaamd U-Net. Het is heel goed in het tekenen van de grote lijnen (het hele netvlies). Maar omdat de foto soms wazig is, maakt de computer hier en daar fouten. Het tekent misschien een lijn waar geen lijn is, of mist een plek waar er wel een is.

   • Analogie: Het is alsof een kind probeert een landschap te tekenen op basis van een foto die door een wazig raam is genomen. De contouren zijn er, maar de details zijn rommelig.

2. De Verbeteraar (De CDAE):
   Hier komt de tweede slimme computer, de CDAE, in beeld. Deze heeft een heel belangrijk geheim: hij heeft duizenden voorbeelden gezien van hoe een gezond netvlies er eruit moet zien. Hij kent de 'anatomische regels'.
   Als de eerste computer (U-Net) een rare, onmogelijke vorm tekent (bijvoorbeeld een netvlies dat in de lucht zweeft of een rare bult heeft door een beweging), kijkt de CDAE en zegt: "Hé, dat kan niet! Een netvlies ziet er zo niet uit."
   De CDAE neemt de ruwe schets en gladstrijkt hem. Hij corrigeert de fouten die door de wazigheid zijn ontstaan, zonder de echte ziekte te verwijderen.

   • Analogie: Het is alsof een ervaren schilder over de ruwe schets van het kind heen gaat en de lijnen recht trekt, zodat het landschap er weer natuurlijk uitziet, zelfs als de originele foto slecht was.

Wat hebben ze ontdekt?

• Het grote netvlies: De computer kon het hele netvlies bijna perfect tekenen, zelfs op de slechte foto's.
• De lastige bulten (PED): Soms vormt er zich een kleine bult onder het netvlies (een 'pigment epitheliale detachement'). Dit was lastiger te zien. De computer had hier meer moeite mee, omdat de grenzen op de wazige foto's erg vaag zijn.
• De kracht van de verbeteraar: De tweede stap (de CDAE) maakte het verschil. Waar de eerste computer door een beweging in de foto een fout maakte, wist de tweede computer die fout te herstellen door te weten hoe een netvlies er normaal uitziet.

Conclusie
Dit onderzoek toont aan dat we in de toekomst met een goedkoop apparaatje thuis onze ogen kunnen scannen. Een slimme computer kan deze niet-perfecte foto's analyseren en de arts waarschuwen als er iets mis is. Het is een enorme stap naar een betere zorg voor ouderen, waarbij we niet afhankelijk zijn van dure apparatuur en lange wachttijden bij de dokter, maar gewoon zelf aan de slag kunnen.

Kortom: Een goedkope camera + een slimme computer die de regels van het oog kent = een betere toekomst voor onze ogen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Segmentation of Retinal Low-Cost Optical Coherence Tomography Images using Deep Learning" in het Nederlands.

Probleemstelling

De behandeling van leeftijdsgebonden maculadegeneratie (AMD) vereist continue oogcontroles met behulp van optische coherentietomografie (OCT). Het succes van de therapie hangt sterk af van de frequentie van deze controles, aangezien veranderingen in ziektespecifieke biomarkers (zoals intraretinale cysten, subretinaal vocht of pigmentepitheelaflossingen/PED) tijdig gedetecteerd moeten worden. Huidige klinische schema's zijn vaak niet individueel afgestemd en de frequentie is te laag om vroege veranderingen te vangen. Een hogere frequentie (bijv. dagelijks) is in de kliniek echter onhaalbaar vanwege de hoge kosten en de belasting voor de patiënt.

De oplossing ligt in thuismonitoring met een zelfonderzoekssysteem voor low-cost full-field OCT (SELF-OCT). Een cruciale vereiste voor dit systeem is een geautomatiseerde, computer-ondersteunde diagnose. De uitdagingen bij SELF-OCT zijn echter:

• Lagere beeldkwaliteit: Een verminderd signaal-ruisverhouding (SNR) vergeleken met klinische OCT-systemen.
• Artefacten: Bewegingsartefacten die de beeldinterpretatie en segmentatie verstoren.
• Beperkt gezichtsveld: Door de snelle acquisitie is het beeldveld kleiner, hoewel dit voldoende is voor diagnose.

Methodologie

De auteurs stellen een deep-learning-framework voor dat bestaat uit twee hoofdstappen: een initiële segmentatie en een vormverfijning (shape refinement).

1. Dataset:

• Gegevens zijn verzameld via een klinische pilootstudie met 51 patiënten (totaal 711 volumebestanden).
• De dataset bevat AMD-patiënten en patiënten met andere retinale aandoeningen (DME, RVO, CSR), evenals gezonde ogen.
• De annotaties omvatten drie klassen: Retina (tussen ILM en Bruch-membraan), PED (Pigment Epithelial Detachment) en achtergrond.
• De beelden hebben een axiale resolutie van 9,1 µm en een transversale resolutie van 6,4/12,8 µm.

2. Stap 1: 3D U-Net Segmentatie:

• Een 3D U-Net (Convolutional Neural Network) wordt gebruikt voor de initiële segmentatie van het totale retinale volume en PED's.
• Het netwerk neemt het volledige 3D-OCT-volume als input (in plaats van losse 2D B-scans) en voert een voxel-voor-voxel classificatie uit.
• Architectuur: Bestaat uit een encoder (contracting path) met 3x3x3 convoluties en max-pooling, en een decoder (expanding path) met deconvoluties. Skip-connections zorgen voor ruimtelijke consistentie.
• Training: Gebruik van de Adam-optimizer, Generalized Dice Loss (om onbalans in klassen aan te pakken) en online data-augmentatie (flip, rotatie, intensiteitsverschuiving) om overfitting te voorkomen.

3. Stap 2: Vormverfijning met Convolutional Denoising Autoencoder (CDAE):

• Om fouten veroorzaakt door artefacten en lage SNR te corrigeren, wordt een CDAE ingezet als naslagstap.
• Principe: De CDAE is getraind om "corrupte" (ruis- of artefact-bevattende) binaire segmentaties te herstellen naar de anatomisch correcte vorm.
• Input: De binaire output van de U-Net (waarbij PED als onderdeel van de retina wordt behandeld voor de vormherkenning).
• Training: De CDAE leert door input te corrupten met kunstmatige ruis (binair ruis, elastische transformaties, willekeurige ellipsoïden) en het netwerk te trainen om de originele, schone ground-truth vorm te reconstrueren.
• Fusie: De gecorrigeerde retinale vorm wordt gefuseerd met de oorspronkelijke U-Net-predictie. Als er PED-structuren zijn, worden deze aangepast aan de nieuwe, gecorrigeerde onderste retinale grens.

Kernbijdragen

• Eerste toepassing op SELF-OCT: Dit is het eerste werk dat retinale scans van een nieuw low-cost SELF-OCT-systeem segmenteert met deep learning.
• Hybride Architectuur: Combinatie van een 3D U-Net voor directe segmentatie en een CDAE voor vormgebaseerde verfijning, specifiek ontworpen om robuust te zijn tegen de lage kwaliteit en artefacten van thuis-OCT-systemen.
• Integratie van anatomische kennis: Door de CDAE te gebruiken, wordt anatomische prior-kennis (de verwachte vorm van het netvlies) geïntegreerd om segmentatiefouten te corrigeren die door beeldkwaliteit worden veroorzaakt.

Resultaten

De prestaties zijn geëvalueerd via 5-voudige cross-validatie met de Dice Similarity Coefficient (DSC), Average Symmetric Surface Distance (ASSD) en Hausdorff Distance (HD).

• Retina-segmentatie:
  • De U-Net presteerde al zeer goed (DSC: 0,939).
  • De CDAE-verfijning behield deze hoge nauwkeurigheid (DSC: 0,939) en verbeterde de gladheid van de oppervlakken (HD daalde licht van 274,01 µm naar 269,61 µm).
  • Visueel is duidelijk dat de CDAE fouten veroorzaakt door bewegingsartefacten (donkere horizontale strepen) corrigeert.
• PED-segmentatie:
  • Dit bleek uitdagender door de minder duidelijke afbakening in de SELF-OCT-beelden (vooral door de reflecterende RPE-laag boven de Bruch-membraan).
  • De U-Net behaalde een DSC van 0,593.
  • De CDAE-verfijning leverde een minimale verbetering op (DSC: 0,60), wat aangeeft dat de vormverfijning hier minder effectief is dan bij de totale retina, waarschijnlijk omdat de ondergrens van de PED moeilijk te detecteren is.

Betekenis en Conclusie

Het onderzoek toont aan dat het mogelijk is om retinale biomarkers in low-cost, thuis-gebruikte OCT-systemen automatisch te segmenteren met hoge nauwkeurigheid, ondanks de lagere beeldkwaliteit.

• De CDAE-verfijning is effectief in het corrigeren van artefacten en het produceren van gladdere, anatomisch plausibele segmentaties, wat essentieel is voor betrouwbare thuismonitoring.
• Hoewel de PED-segmentatie nog verbetering behoeft (vooral door de beperkte beeldkwaliteit), vormt deze methologie een solide basis voor toekomstige ontwikkelingen.
• Naarmate de SELF-OCT-technologie verder wordt geoptimaliseerd, wordt verwacht dat de beeldkwaliteit en daarmee de segmentatieprestaties (vooral voor PED) zullen verbeteren. Dit systeem kan uiteindelijk bijdragen aan een hogere monitoringfrequentie en betere uitkomsten voor AMD-patiënten.