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

Este artigo apresenta o primeiro uso de uma abordagem baseada em aprendizado profundo para segmentar imagens de tomografia de coerência óptica de baixo custo (SELF-OCT), demonstrando que uma rede neural convolucional combinada com um autoencoder denoising pode segmentar com alta precisão a retina total e corrigir erros causados por artefatos, embora a segmentação de descolamentos do epitélio pigmentar permaneça desafiadora.

O essencial

Imagine que os olhos são como uma câmera de alta tecnologia que precisa de manutenção constante para não ficar cega. A Degeneração Macular Relacionada à Idade (DMRI) é como um "ferrugem" que ataca a parte central dessa câmera (a mácula), impedindo as pessoas de ler ou reconhecer rostos.

Para tratar isso, os médicos precisam tirar fotos muito detalhadas do fundo do olho, chamadas de OCT. O problema é que, hoje em dia, essas fotos só podem ser tiradas no hospital, e os intervalos entre as consultas são longos demais. Se a doença piorar rápido entre uma visita e outra, o tratamento pode falhar.

A ideia deste artigo é como se fosse dar um "microscópio caseiro" para o paciente. Eles criaram um aparelho barato e fácil de usar (chamado SELF-OCT) que a pessoa pode usar em casa todos os dias. Mas, como o paciente não é médico, o aparelho precisa de um "cérebro" digital para analisar as fotos sozinho e dizer: "Ei, tem algo errado aqui!".

O Desafio: Fotos "Amadoras"

O problema é que as fotos tiradas em casa não são tão perfeitas quanto as do hospital. Elas têm mais "chiado" (ruído) e podem ficar tremidas se a pessoa piscar ou mexer a cabeça. É como tentar tirar uma foto nítida de um pássaro em movimento com uma câmera de celular antiga: a imagem fica borrada ou com falhas.

Se um computador tentar analisar essas fotos "sujas" e tremidas, ele pode errar feio, achando que há uma doença onde não existe, ou ignorando uma doença real.

A Solução: O "Duplo Time" de Detetives

Os autores criaram um sistema inteligente com dois "detetives" trabalhando juntos para consertar esse problema:

1. O Primeiro Detetive (A Rede Neural U-Net):
   Imagine um estudante de medicina muito rápido e dedicado. Ele olha para a foto do olho e tenta desenhar as bordas da retina (a "tela" do olho) e identificar se há inchaços ou bolhas de líquido (chamados PED).

   • O problema: Como a foto está tremida e com ruído, esse estudante às vezes desenha as linhas tortas ou erra onde termina a retina. Ele é rápido, mas não é perfeito com imagens ruins.

2. O Segundo Detetive (O Autoencoder CDAE - O "Restaurador de Arte"):
   Aqui entra a mágica. Imagine um velho professor de anatomia que conhece a forma exata de um olho saudável de cor. Ele não olha para os detalhes da foto, mas sim para o desenho que o primeiro estudante fez.

   • Se o primeiro estudante desenhou uma linha torta porque a foto estava tremida, o professor diz: "Espere, um olho não é torto assim. Vamos corrigir essa linha para ficar suave e natural, como um olho real deveria ser".
   • Esse segundo sistema foi treinado para "limpar" os erros, ignorando o ruído da foto e focando na forma correta que a retina deve ter.

O Resultado: Uma Equipe Vencedora

O artigo mostra que, quando esses dois trabalham juntos:

• A Retina (a parte principal): O sistema consegue mapear com uma precisão incrível (quase 94% de acerto), mesmo com as fotos caseiras. É como se o professor corrigisse os erros do aluno, deixando o mapa perfeito.
• Os Inchaços (PED): Identificar pequenas bolhas de líquido é mais difícil, como tentar achar uma gota de água dentro de uma piscina turva. O sistema ainda tem dificuldade aqui (cerca de 60% de acerto), mas é um começo promissor.

Por que isso é importante?

Hoje, o tratamento da DMRI depende de o paciente ir ao médico a cada poucos meses. Com esse sistema de monitoramento em casa, o paciente poderia tirar fotos todos os dias. O computador analisaria instantaneamente e avisaria o médico: "O olho do Sr. João mudou hoje!".

Isso permitiria tratar a doença no momento exato em que ela começa a piorar, salvando a visão de muitas pessoas que hoje ficam cegas porque o tratamento chegou tarde demais.

Em resumo: O papel descreve como usar inteligência artificial para transformar um aparelho de olho caseiro e imperfeito em uma ferramenta médica poderosa, usando um "aluno rápido" para tirar a foto e um "professor experiente" para corrigir os erros e garantir que o diagnóstico seja seguro.

Resumo técnico

Resumo Técnico: Segmentação de Imagens de OCT de Baixo Custo para Retina usando Deep Learning

1. Problema e Motivação

A Degeneração Macular Relacionada à Idade (DMRI) é a principal causa de cegueira no mundo ocidental. O tratamento eficaz requer monitoramento frequente para detectar biomarcadores específicos (como cistos intraretinianos, fluido subretiniano e descolamentos do epitélio pigmentar - PED). No entanto, os esquemas de monitoramento atuais, realizados em clínicas, têm intervalos muito grandes e não são adaptados individualmente ao padrão de recorrência do paciente, o que pode atrasar o diagnóstico de mudanças patológicas.

A solução proposta é o monitoramento domiciliar utilizando um sistema de Tomografia de Coerência Óptica (OCT) de baixo custo e autoexame, chamado SELF-OCT. Contudo, este sistema apresenta desafios significativos:

• Qualidade de Imagem Inferior: Comparado aos sistemas clínicos comerciais, o SELF-OCT possui uma relação sinal-ruído (SNR) reduzida.
• Artefatos: A aquisição rápida (aprox. 0,9 segundos por volume) e a geometria de imageamento geram artefatos de movimento e perda de sinal que dificultam a interpretação visual e a segmentação automática.
• Necessidade de Automação: A grande quantidade de dados gerada no monitoramento domiciliar torna a avaliação manual inviável, exigindo diagnóstico auxiliado por computador robusto.

2. Metodologia

O artigo propõe um pipeline de segmentação baseado em aprendizado profundo, composto por duas etapas principais: uma segmentação inicial e um refinamento baseado em forma.

A. Dados e Pré-processamento

• Dataset: Dados de 51 pacientes (92 olhos) adquiridos pelo sistema SELF-OCT. Inclui casos de DMRI, edema macular diabético, oclusão de veia retiniana e olhos saudáveis.
• Anotação: Os volumes foram reduzidos em uma dimensão lateral para viabilizar a anotação manual por especialistas. As classes de anotação são: Retina (entre a membrana limitante interna e a membrana de Bruch), PED e fundo.
• Filtragem: Aplicação de filtro de média móvel para melhorar o SNR e seleção de volumes de alta qualidade por especialistas.

B. Arquitetura de Segmentação (U-Net 3D)

• Modelo: Utilização de uma arquitetura 3D U-Net para classificar cada voxel do volume OCT em uma das três classes.
• Entrada: Volumes completos de OCT (em vez de cortes 2D isolados), aproveitando a amostragem densa lateral do SELF-OCT.
• Treinamento: Otimizador Adam, função de perda Generalized Dice (ponderada para lidar com desequilíbrio de classes) e aumento de dados online (flips, transformações de similaridade, deslocamentos de intensidade).

C. Refinamento Baseado em Forma (CDAE)

• Motivação: Para corrigir erros causados por artefatos de imagem e baixo SNR, integrando conhecimento anatômico prévio.
• Modelo: Um Autoencoder Convolucional de Remoção de Ruído (CDAE).
• Processo:
  1. A saída binarizada da U-Net (considerando o PED como parte da retina) é alimentada no CDAE.
  2. O CDAE foi treinado com dados de "ground truth" binarizados que tiveram ruído artificial e distorções elásticas adicionados. O objetivo é aprender a reconstruir a forma anatômica correta a partir de entradas corrompidas.
  3. A forma refinada é fundida com a previsão original da U-Net. Se a U-Net não detectar PED, usa-se apenas a retina refinada; caso contrário, a previsão multiclasse é mascarada pela forma refinada, ajustando a fronteira inferior do PED se necessário.

3. Contribuições Principais

1. Primeira Aplicação em SELF-OCT: É o primeiro trabalho a segmentar volumes de retina e PEDs em dados de OCT de autoexame de baixo custo (SELF-OCT) usando aprendizado profundo.
2. Pipeline Híbrido Robusto: Desenvolvimento de uma abordagem que combina uma U-Net 3D para segmentação inicial e um CDAE para refinamento baseado em forma, demonstrando eficácia na correção de artefatos típicos de sistemas de baixo custo.
3. Validação em Dados Reais: Avaliação rigorosa em um conjunto de dados clínicos piloto, incluindo pacientes com diversas patologias retinianas, validando a viabilidade do monitoramento domiciliar automatizado.

4. Resultados

A avaliação foi realizada usando validação cruzada de 5 dobras e métricas como Coeficiente de Similaridade de Dice (DSC), Distância Simétrica Média de Superfície (ASSD) e Distância de Hausdorff (HD).

• Segmentação da Retina (Total):
  • A U-Net alcançou alta precisão (DSC: 0,939).
  • O refinamento com CDAE manteve a precisão (DSC: 0,939) e melhorou ligeiramente a suavidade das superfícies, corrigindo erros visuais causados por artefatos de movimento (listras horizontais escuras).
• Segmentação de PED:
  • A segmentação de PED foi mais desafiadora devido à baixa definição de bordas no SELF-OCT (DSC da U-Net: 0,593).
  • O refinamento do CDAE resultou em uma leve melhoria (DSC: 0,60), mas a precisão absoluta permanece moderada.
• Qualidade Visual: A análise qualitativa (Figura 4) mostrou que o CDAE consegue corrigir segmentações falsas causadas por baixa SNR e artefatos de movimento, gerando superfícies mais suaves e anatomicamente plausíveis.

5. Significância e Conclusão

O estudo demonstra que é possível automatizar a análise de imagens de OCT de baixo custo para monitoramento domiciliar de DMRI. Embora a segmentação de estruturas complexas como o PED ainda apresente desafios devido à qualidade da imagem, a abordagem proposta (U-Net + CDAE) prova ser robusta contra artefatos comuns nesses sistemas.

A integração de conhecimento anatômico via autoencoders de remoção de ruído é uma estratégia eficaz para compensar as limitações de hardware de sistemas de baixo custo. À medida que a tecnologia SELF-OCT for otimizada e a qualidade da imagem melhorar, espera-se que o desempenho de segmentação aumente, viabilizando plenamente o monitoramento frequente e individualizado de pacientes com DMRI em casa, o que pode impactar positivamente os resultados terapêuticos.