(48-6) 12 * << * >> * Русский * English * Содержание * Все выпуски

Технология выделения и определения подтипов друз на данных оптической когерентной томографии для диагностики возрастной макулярной дегенерации
Н.Ю. Ильясова 1,2, Н.С. Демин 1,2, Д.В. Кирш 1,2

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34;
2 Институт систем обработки изображений, НИЦ «Курчатовский институт»,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

  PDF, 6939 kB

DOI: 10.18287/2412-6179-CO-1556

Страницы: 903-912.

Аннотация:
Целью работы является определение подтипов друз на ОКТ-изображениях для диагностики возрастной макулярной дегенерации. Актуальность проблемы обуславливается не только большим числом людей во всём мире, страдающих данным заболеванием, но и критичностью выявления возрастной макулярной дегенерации на ранних стадиях. В работе предлагается двухэтапная технология: на первом этапе происходит выделение друз на ОКТ-изображениях, на втором этапе выполняется их классификация на основе признаков рефлексивности. Проведенное исследование показало, что предлагаемая технология позволяет достичь точности классификации на уровне 98 %.

Ключевые слова:
возрастная макулярная дегенерация, ОКТ-изображения, рефлективность, бинарная классификация, сегментация.

Благодарности
Работа выполнена в рамках выполнения государственного задания НИЦ «Курчатовский институт».

Цитирование:
Ильясова, Н.Ю. Технология выделения и определения подтипов друз на данных оптической когерентной томографии для диагностики возрастной макулярной дегенерации / Н.Ю. Ильясова, Н.С. Демин, Д.В. Кирш // Компьютерная оптика. – 2024. – Т. 48, № 6. – С. 903-912. – DOI: 10.18287/2412-6179-CO-1556.

Citation:
Ilyasova NYu, Demin NS, Kirsh DV. Technology for detection and subtype classification of drusen using OCT data for diagnosing age-related macular degeneration. Computer Optics 2024; 48(6): 903-912. DOI: 10.18287/2412-6179-CO-1556.

References:
  1. Ilyasova NYu, Demin NS, Shirokanev AS, Kupriyanov AV, Zamytskiy EA. Method for selection macular edema region using optical coherence tomography data. Computer Optics 2020; 44(2): 250-258. DOI: 10.18287/2412-6179-CO-691.
  2. Fursova AG, Gusarevich OG, Tarasov MS, Casilieva MA, Chubar NV, Litvinova NV. Age-related macular degeneration and glaucoma. Epidemiological and clinical-pathogenetic aspects of the combined course [In Russian]. Siberian Scientific Medical Journal 2018; 6: 83-91. DOI: 10.15372/SSMJ20180514.
  3. Gerland P, Hertog S, Kantorova V, Wheldon M. World population prospects 2022: Summary of results. New York: United Nations; 2022. ISBN: 978-92-1-148373-4.
  4. Boiko EV, Doga AV, Egorov VV. Drusen structure as a biomarker of AMD progression [In Russian]. New in Ophthalmology 2016; 4: 5.
  5. Sisternes L, Jonna G, Greven MA, Leng T, Rubin D. Individual drusen segmentation and repeatability and reproducibility of their automated quantification in optical coherence tomography images. Trans Vis Sci Tech 2017; 6(1): 12. DOI: 10.1167/tvst.6.1.12.
  6. Samsonov DY, Yuryeva TN, Zhukova SI. Method for determining structural and functional changes in the retina and optic nerve with optic disc drusen [In Russian]. Pat RF of Invent N 2726072 of July 09, 2020, Russian Bull of Inventions N38, 2020.
  7. Veerappan M, El-Hage-Sleiman AM, Tai V, Chiu S, Winter K, Stinnett S, Hwang T, Baker G, Michelson M, Gunther R, Chew E, Toth C. optical coherence tomography reflective drusen substructures predict progression to geographic atrophy in age-related macular degeneration. Ophthalmology 2016; 123(12): 2554-2570. DOI: 10.1016/j.ophtha.2016.08.047.
  8. Khanifar AA, Koreishi AF, Izatt JA, Toth CA. Drusen ultrastructure imaging with spectral domain optical coherence tomography in age-related macular degeneration. Ophthalmology 2008; 115(11): 1883-1890. DOI: 10.1016/j.ophtha.2008.04.041.
  9. Leuschen JN, Schuman SG, Winter KP, McCall M, Wong W, Chew E, Hwang T, Sarin N, Clemons T, Harrington M, Toth C. Spectral-domain optical coherence tomography characteristics of intermediate age-related macular degeneration. Ophthalmology 2013; 120(1): 140-150. DOI: 10.1016/j.ophtha.2012.07.004.
  10. Ilyasova NY, Kupriyanov AV, Khramov AG. Information technologies for image analysis in medical diagnostic tasks [In Russian]. Moscow: "Radio i Svyaz" Publisher; 2012. ISBN: 5-89776-014-4.
  11. Chen Q, Leng T, Zheng L, Kutzcher L, Ma J, Sisternes L, Rubin D. Automated drusen segmentation and quantification in SD-OCT images. Med Image Anal 2013; 17(8): 1058-1072. DOI: 10.1016/j.media.2013.06.003.
  12. Farsiu S, Chiu SJ, Izatt J, Toth C. Fast detection and segmentation of drusen in retinal optical coherence tomography images. Proc SPIE 2008; 6844: 68440D. DOI: 10.1117/12.768624.
  13. Chiu SJ, Izatt J, O`Connell RV, Winter KP. Validated automatic segmentation of AMD pathology including drusen and geographic atrophy in SD-OCT images. Invest Ophthalmol Vis Sci 2012; 53(1): 53-61. DOI: 10.1167/iovs.11-7640.
  14. Chiu SJ, Li XT, Nicholas P, Toth C, Izatt J, Farsiu S. Automatic segmentation of seven retinal layers in SDOCT images congruent with expert manual segmentation. Opt Express 2010; 18(18): 19413-19428. DOI: 10.1364/OE.18.019413.
  15. Asgari R, Waldstein S, Schlanitz F. U-Net with spatial pyramid pooling for drusen segmentation in optical coherence tomography. In Book: Fu H, Garvin MK, MacGillivray T, Xu Y, Zheng Y, eds. Ophthalmic medical image analysis. Cham: Springer Nature Switzerland AG; 2019: 77-85. DOI: 10.1007/978-3-030-32956-3_10.
  16. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. In Book: Navab N, Hornegger J, Wells WM, Frangi AF, eds. Medical image computing and computer-assisted intervention – MICCAI 2015. Cham: Springer International Publishing Switzerland; 2015: 234-241. DOI: 10.1007/978-3-319-24574-4_28.
  17. Mishra Z, Ganegoda A, Selicha J, Wang Z. Automated retinal layer segmentation using graph-based algorithm incorporating deep-learning-derived information. Sci Rep 2020; 10(1): 9541. DOI: 10.1038/s41598-020-66355-5.
  18. Sousa JA, Paiva A, Silva A, Almedia J, Braz G, Diniz J, Figueredo W, Gattass M. Automatic segmentation of retinal layers in OCT images with intermediate age-related macular degeneration using U-Net and DexiNed. PLoS ONE 2021; 16(5): e0251591. DOI: DOI: 10.1371/journal.pone.0251591.
  19. Wang M, Zhu W, Shi F, Su J, Chen H, Yu K, Zhou Y, Peng Y, Chen Z, Chen X. MsTGANet: Automatic drusen segmentation from retinal OCT images. IEEE Trans Med Imaging 2022; 41(2): 394-406. DOI: 10.1109/TMI.2021.3112716.
  20. Mishra Z, Ganegoda A, Selicha J, Wang Z. Automated retinal layer segmentation using graph-based algorithm incorporating deep-learning-derived information. Sci Rep 2020; 10(1): 9541. DOI: 10.1038/s41598-020-66355-5.
  21. Sherer MV, Lin D, Elguindi S, Duke S, Tan L, Caciedo J, Dahele M, Gillespie E. Metrics to evaluate the performance of auto-segmentation for radiation treatment planning: A critical review. Radiother Oncol 2021; 160: 185-191. DOI: 10.1016/j.radonc.2021.05.003.
  22. Gu Q, Zhu L, Cai Z. Evaluation measures of the classification performance of imbalanced data sets. In Book: Cai Z, Li Z, Kang Z, Liu Y, eds. Computational intelligence and intelligent systems. Berlin, Heidelberg: Springer-Verlag; 2009: 461-471. DOI: 10.1007/978-3-642-04962-0_53.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20