توصيفگر ها :
زوال ماكولا وابسته به سن , نو رگ زايي , آنژيوگرافي توموگرافي انسجام نوري , شبكه هاي عصبي پيچشي
چكيده فارسي :
زوال ماكولا وابسته به سن (AMD) يكي از عوامل اصلي اختلال بينايي در افراد مسن است. نو رگ‌زايي (CNV) يك ويژگي بارز AMD در مراحل پيشرفته است كه با رشد عروق خوني از بخش مشيميه چشم بطور غيرطبيعي به داخل شبكيه رخ مي‌دهد.
بررسي وجود CNV در بيماران مبتلا به AMD توسط آنژيوگرافي توموگرافي انسجام نوري (OCTA) و نشانگرهاي زيستي كيفي و كمي تركيب‌شده، مي‌تواند منجر به تشخيص با دقت بالايي براي هدايت تصميمات درماني شود. تصاوير OCTA تجسم مقطعي و بصري CNV را امكان‌پذير مي‌كنند. با اين حال، شناسايي و بخش‌بندي CNV به دليل حضور نويز در اين تصاوير با استفاده از روش‌هاي كلاسيك دشوار است. در سال‌هاي اخير، روش‌هاي مبتني‌بر يادگيري عميق در حوزه‌هاي مختلف از جمله بخش‌بندي و دسته‌بندي تصاوير به پيشرفت قابل ملاحظه‌اي دست يافته‌اند.
در تشخيص AMD پيشرفته، ويژگي‌هاي حضور CNV در تصاوير آنژيوگرافي عبارتند از: حضور شاخه، حلقه، آناستوموز، شكل و هاله تاريك. اين در حالي است كه روش‌هاي تصويربرداري در گذشته قادر به نمايش هيچ يك از اين ويژگي‌ها نبوده و فقط رگ‌هاي بزرگ و حجيم را آشكار مي‌كردند. شناسايي هر يك از اين ويژگي‌ها در تصويربرداري از شبكيه نشان دهنده پيشرفت بيماري بوده و مي‌تواند در دسته‌بندي بيماري بكار رود. اين اطلاعات مي‌تواند در تجويز دوز مناسب دارو و جلوگيري از كاهش شديد بينايي چشم بيمار مفيد باشد. همچنين وجود يا عدم وجود هر يك از اين ويژگي‌ها در تصاوير، امكان دسته‌بندي صحيح بيماران را فراهم مي‌كند. با توجه به اهميت اين موضوع، پياده‌سازي الگوريتم خودكار براي چنين دسته‌بندي به پزشكان كمك مي‌كند تا تصاوير را در كوتاه‌ترين زمان ممكن با دقت دسته‌بندي كنند.
در اين مطالعه، 125 تصوير OCTA از بيماران بيمارستان فوق تخصصي فارابي تهران تحت نظر دو پزشك جمع‌آوري شده‌است. داده‌هاي OCTA جمع‌آوري شده، از دولايه‌ي خروجي شبكيه و كوريوكاپيلاريس ثبت شده‌اند. برچسب‌گذاري داده‌ها به منظور بخش‌بندي و دسته‌بندي داده‌هاي جمع‌آوري شده نيز توسط هر يك از پزشكان انجام گرفته است. ما يك الگوريتم مبتني‌بر CNN شامل دو بخش ايجاد كرده‌ايم. پس از انجام پيش‌پردازش‌هاي مناسب در قسمت اول، CNV در تصاوير لايه خروجي OCTA توسط شبكه UNet بخش‌بندي مي‌شود. در قسمت دوم، برمبناي وجود يا عدم وجود هر يك از 5 ويژگي CNV دسته‌بندي با دو روش يادگيري عميق و يادگيري انتقالي با استفاده از شبكه VGG16 انجام مي‌شود. دقت الگوريتم بخش‌بندي براساس معيار Dice 90 درصد و براي دسته‌بندي شاخه 84 درصد، آناستوموز 80 درصد، شكل 84 درصد، حلقه 79 درصد و هاله تاريك 86 درصد بدست آمده است. هر داده بطور موازي توسط هركدام از 5 شبكه دسته‌بندي مورد بررسي قرار مي‌گيرد و در نهايت به هر تصوير نمره‌اي اختصاص داده مي‌شود. نتايج بدست‌آمده در اختيار پزشك متخصص قرار مي‌گيرد تا از آن در تشخيص بيماري به عنوان يك كمك جانبي استفاده نمايد.
چكيده انگليسي :
Age-related macular degeneration (AMD) is one of the primary causes of impaired vision in elderly people in industrialized countries. Choroidal neovascularisation (CNV) is a distinctive feature of AMD and is characterized by the growth of unnatural blood vessels from the choroid through the Bruch’s membrane. Wet AMD is considered as a prevalent subcategory of AMD which is distinguished with the embodiment of new vessels. Optical Coherence Tomography Angiogeraphy (OCTA) is a new technology that visualizes depth-resolved images of a given retinal or choroidal texture and provides a layer-by-layer conception of the complete choroidal neovascularization (CNV). OCTA makes it feasible to understand, quantify, and explore the CNVs after the presence of new small vessels, which were not visible in previous imaging modalities.
At the time of diagnosis of AMD, the criteria for the activity of this disease (indicating the progression of AMD) include the presence of branch, loops, dark halo, shape, and anastomoses. These features can eventually yield the correct diagnosis and the right dose of prescribed medication.
Given five classes of activity criteria, it is important to identify the presence or absence of each criterion in OCTA images. The presence of any criteria in each image assigns the correct label to the corresponding patient. The implementation of an automated algorithm for this classification can help physicians to categorize images quickly, accurately, and less subjectively.
In this study, 125 OCTA images of patients referring to Farabi Hospital, Tehran, Iran were collected. The OCTA data were recorded from the outer retinal and choriocapillaris layers. Data labeling was performed by two expert ophthalmologists to provide the gold standard for the segmentation and classification of the collected data. The proposed CNN-based algorithm consists of two parts. The first block includes pre-processing and segmentation of CNVs in OCTA images using the U-Net network. The second block consists of 5 distinct binary classification networks, each implemented from scratch and using transfer learning from a pre-trained network (VGG16). To evaluate the performance of the segmentation block, a dice coefficient of 0.90 is calculated. Regarding the second block, for five classifiers corresponding to the presence of branch, loops, dark halo, shape, and anastomoses, the accuracies are 0.84, 0.80, 0.84, 0.79, and 0.86, respectively.
