OPTED: Open Preprocessed Trachoma Eye Dataset Using Zero-Shot SAM 3 Segmentation

Dit paper introduceert OPTED, een open-source, voorverwerkte dataset voor trachoomclassificatie die is gegenereerd met behulp van een reproduceerbare zero-shot SAM 3-pijplijn om de schaarsheid aan data uit de zwaarst getroffen regio's aan te pakken.

De kern

OPTED: De Digitale "Schoonmaakploeg" voor Oogfoto's

Stel je voor dat je een heleboel foto's hebt van mensen die naar de camera kijken, maar op de foto's zie je niet alleen hun oog, maar ook hun vingers, hun huid, en soms zelfs een deel van hun shirt. Als je een computer wilt leren om te zien of iemand een oogziekte heeft (in dit geval: Trachoma, een ziekte die blindheid kan veroorzaken), dan wordt die computer erg verward door al die extra rommel op de foto.

De auteurs van dit artikel, Kibrom, Hadush en Bruk, hebben een oplossing bedacht. Ze hebben een nieuw, gratis dataset gemaakt genaamd OPTED. Laten we uitleggen hoe ze dat deden, met een paar simpele vergelijkingen.

1. Het Probleem: De Rommelige Werkplek

Trachoma is een groot probleem, vooral in Afrika ten zuiden van de Sahara en in Ethiopië. Artsen moeten vaak kijken naar de binnenkant van het ooglid om te zien of er ontstekingen zijn. Maar de foto's die ze maken, zijn vaak "rommelig". Er zitten handschoenen, huid en andere dingen op die niets met de ziekte te maken hebben.

Het is alsof je probeert een specifieke bloem te herkennen in een tuin, maar de foto is zo genomen dat er ook struiken, een hek en een hond op staan. De computer kan de bloem dan niet goed vinden.

2. De Oplossing: De "Slimme Schaar" (SAM 3)

De onderzoekers hebben een heel slimme AI-tool gebruikt, genaamd SAM 3 (Segment Anything Model 3). Je kunt dit zien als een magische, digitale schaar die je kunt aansturen met gewoon taalgebruik.

In plaats van de computer te leren met duizenden voorbeelden, zeggen ze gewoon tegen de schaar: "Knip het rode velletje aan de binnenkant van het ooglid eruit."

De tool kijkt naar de foto, begrijpt wat je bedoelt, en knipt precies dat stukje eruit. Alles wat eromheen zit (de vingers, de achtergrond), wordt weggegooid. Dit noemen ze "zero-shot", wat betekent dat de tool het direct kan doen zonder eerst te moeten oefenen.

3. Het Experiment: Welke zin werkt het beste?

De onderzoekers dachten: "Misschien werkt de zin 'ooglid' wel, of 'rood weefsel', of 'binnenkant van het oog'?" Ze hebben vijf verschillende zinnen (prompt) getest op bijna 3.000 foto's.

Het was alsof ze vijf verschillende sleutels probeerden om een deur te openen.

• Sommige zinnen werkten niet goed; de schaar knipte het verkeerde stukje uit.
• De winnende sleutel bleek te zijn: "Het binnenste oppervlak van het ooglid met rood weefsel".

Met deze zin lukte het om in 99,5% van de gevallen het juiste stukje eruit te knippen. Voor de paar foto's waar het misging, hadden ze een "noodplan" met andere zinnen.

4. De Schoonmaakstap: Het "Fotostudio"-proces

Nadat de AI het stukje eruit heeft geknipt, doen ze nog een paar dingen om de foto perfect te maken voor computers:

1. De achtergrond zwart maken: Alles wat niet het ooglid is, wordt zwart gemaakt, zodat de focus puur op het rode weefsel ligt.
2. Rechttrekken: Soms staat de foto scheef. De software draait de foto zodat het ooglid altijd horizontaal ligt, net als een schilderij in een galerij.
3. Verkleinen: Alle foto's worden op dezelfde manier verkleind naar een vierkantje van 224 bij 224 pixels. Dit is de standaardmaat die de meeste computerprogramma's nodig hebben om te leren. Ze gebruiken een speciale techniek (Lanczos) die zorgt dat de foto niet wazig wordt, maar scherp blijft, net als een goede fotolijst.

5. Het Resultaat: De OPTED Schatkist

Het eindresultaat is een enorme, gratis verzameling (dataset) van 2.832 opgeschoonde oogfoto's.

• Ze zijn onderverdeeld in drie groepen: Gezonde ogen, lichte ontsteking (TF), en zware ontsteking (TI).
• Alles is openbaar gemaakt. Elke onderzoeker ter wereld kan deze foto's en de code die ze gebruikt hebben, gratis downloaden.

Waarom is dit belangrijk?

Vroeger moesten artsen of onderzoekers deze foto's handmatig schoonmaken, wat duurt en foutgevoelig is. Nu heeft iedereen een kant-en-klare, schone set foto's. Dit helpt artsen om sneller en beter te leren hoe ze Trachoma kunnen herkennen met computers.

Het is alsof ze een hele berg rauwe aardappelen hebben gewassen, geschild en in gelijke stukjes gesneden, zodat elke kok (onderzoeker) er direct een heerlijke maaltijd (een diagnose) van kan maken.

Kortom: Ze hebben een slimme AI gebruikt om rommelige oogfoto's te "schoonmaken" en in een standaardformaat te zetten, zodat computers beter kunnen leren hoe ze blindheid kunnen voorkomen. En ze hebben de recepten en de ingrediënten voor iedereen gratis beschikbaar gesteld.

Technische samenvatting

Probleemstelling

Trachoma is de leidende infectieuze oorzaak van blindheid wereldwijd, waarbij Sub-Saharaans Afrika meer dan 85% van de last draagt en Ethiopië alleen al meer dan de helft van alle gevallen vertegenwoordigt. Ondanks de dringende behoefte aan schaalbare, technologie-gedreven screeningsmethoden (met name voor de WHO-doelstelling van eliminatie tegen 2030), ontbreekt er een gestandaardiseerde aanpak voor automatische classificatie.
De belangrijkste knelpunten zijn:

• Gebrek aan open data: Er zijn geen open-source, voorgeverwerkte datasets voor trachoma die specifiek uit de meest getroffen regio's (zoals Sub-Saharaans Afrika) stammen.
• Ruwe data-uitdagingen: Klinische foto's van oogleden bevatten aanzienlijke achtergrondruis (handschoenen, huid, variabele belichting) die machine learning-pipelines belemmert.
• Gebrek aan reproducibiliteit: Bestaande studies gebruiken vaak handmatige bijsnijdingen of gesloten methoden zonder de voorverwerkingspipelines openbaar te maken.

Methodologie: De OPTED-pipeline

De auteurs presenteren OPTED, een open-source dataset en een volledig reproduceerbare vier-staps pipeline voor het verwerken van ruwe ooglidfoto's, gebaseerd op het Segment Anything Model 3 (SAM 3). De pipeline werkt als volgt:

1. Zero-Shot Segmentatie met SAM 3:

   • In plaats van het model te finetunen, wordt SAM 3 (een foundation model met 848M parameters) gebruikt in een "zero-shot" setting.
   • Het model genereert maskers op basis van tekstprompts. De auteurs testten vijf verschillende prompts om de beste te vinden.
   • De optimale prompt bleek "inner surface of eyelid with red tissue" (binnenkant van het ooglid met rood weefsel) te zijn. Dit illustreert dat visuele beschrijvingen effectiever zijn dan medische terminologie voor dit specifieke model.
   • Een drempelwaarde van 0,5 wordt gebruikt voor de binaire maskers, en een confidence-score van 0,3 dient als kwaliteitsfilter.

2. Achtergrondverwijdering en Bijsnijding:

   • Pixels buiten het masker worden zwart gemaakt (RGB 0,0,0) om contrast te maximaliseren.
   • Er wordt een omhullende rechthoek (bounding box) berekend rond het masker, met een padding van 5% aan elke kant.

3. Uitlijning (Alignment):

   • De afbeeldingen worden georiënteerd zodat de langste as horizontaal ligt (rotatie van 90° indien nodig). Dit zorgt voor een consistente ruimtelijke lay-out.

4. Herschalen met Lanczos-interpolatie:

   • De afbeeldingen worden herschaald naar 224 × 224 pixels.
   • Lanczos-interpolatie werd gekozen boven Nearest Neighbor, Bilinear en Bicubic, omdat deze methode de hoogste PSNR (39,16 dB) en SSIM (0,9713) opleverde. Dit is cruciaal voor het behoud van fijne weefseldetails zoals follikels en vaatpatronen, essentieel voor trachoma-diagnose.

Prompt-selectie:
De auteurs voerden een systematische evaluatie uit van vijf prompts op 2.832 gelabelde afbeeldingen. De gekozen prompt ("inner surface of eyelid with red tissue") behaalde een gemiddelde confidence-score van 0,873, een detectiepercentage van 99,5%, en het grootste maskeroppervlak (29,8%). De resterende 13 afbeeldingen die door de primaire prompt werden gemist, werden succesvol hersteld via een fallback-mechanisme.

Key Contributions

1. Eerste open-source dataset uit Sub-Saharaans Afrika: OPTED is de eerste voorgeverwerkte dataset voor trachoma die afkomstig is van veldstudies in deze regio, waar de meeste ziektegevallen voorkomen.
2. Volledige reproduceerbare pipeline: De auteurs publiceren niet alleen de data, maar ook de volledige code voor de voorverwerking, inclusief de prompt-evaluatie en kwaliteitscontrole.
3. Systematische prompt-evaluatie: Het paper biedt inzicht in hoe tekstprompts voor vision-language modellen (zoals SAM 3) in medische contexten geoptimaliseerd moeten worden (visuele vs. klinische taal).
4. Twee dataformaten: De dataset wordt geleverd in twee formaten:
   • Bijgesneden en uitgelijnde afbeeldingen (behoud van origineel aspectratio).
   • Gestandaardiseerde 224 × 224 afbeeldingen, direct klaar voor gebruik in pre-getrainde architecturen (zoals ResNet, ViT).

Resultaten en Dataset Statistieken

• Totale dataset: 2.832 afbeeldingen met bekende labels, afkomstig van Tropical Data (multi-country, inclusief Ethiopië, Tanzania, etc.).
• Klassenverdeling:
  • Normal (Gezond): 2.487 afbeeldingen (87,8%).
  • TF (Trachomatous Inflammation - Follicular): 324 afbeeldingen (11,4%).
  • TI (Trachomatous Inflammation - Intense): 21 afbeeldingen (0,7%).
• Kwaliteit: De gemiddelde confidence-score van het segmentatiemodel is 0,872 (std 0,070). TI-afbeeldingen hebben de hoogste scores (0,902), waarschijnlijk vanwege het visueel onderscheidende ontstoken weefsel.
• Verdeling: De dataset is gesplitst in Train/Val/Test (ongeveer 70/15/15) met behoud van de klassenverdeling.

Betekenis en Toekomstperspectief

OPTED vult een kritieke lacune in de medische beeldanalyse voor trachoma op. Door een gestandaardiseerde, open-source pipeline te bieden, kunnen onderzoekers zich richten op het trainen van classificatiemodellen in plaats van data-opschoning.

• Reproduceerbaarheid: Het openbaar maken van de code en de splits zorgt voor eerlijke vergelijkingen tussen verschillende modellen.
• Medische impact: Het faciliteert de ontwikkeling van schaalbare screeningstools die nodig zijn om de WHO-doelstelling van eliminatie van trachoma tegen 2030 te bereiken.
• Beperkingen: De dataset vertoont een sterke klasse-ongelijkheid (weinig TI-gevallen), wat cross-validatie vereist voor het evalueren van de zeldzame, ernstige vormen. De auteurs plannen toekomstig werk met expert-validatie (IoU/Dice metrics) en uitbreiding naar andere beeldvormingsmodaliteiten.

De dataset en code zijn beschikbaar onder een CC-BY-NC 4.0 licentie (data) en MIT licentie (code), wat de adoptie in de academische gemeenschap stimuleert.