Отправить статью по E-mail 
Опубликовать комментарии Искусственный интеллект и машинное обучение в диагностике центральной серозной хориоретинопатии на основании оптической когерентной томографии
- Авторы: Куликов А.Н.1, Малахова Е.Ю.2, Мальцев Д.С.1
-
Учреждения:
- ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова» Минобороны России
- Институт физиологии им. И.П. Павлова Российской академии наук
- Выпуск: Том 12, № 1 (2019)
- Страницы: 13-20
- Раздел: Оригинальные статьи
- URL: https://journals.rcsi.science/ov/article/view/10997
- DOI: https://doi.org/10.17816/OV2019113-20
- ID: 10997
Цитировать
Аннотация
Цель данного исследования состояла в изучении возможности машинного обучения для выявления изолированной отслойки нейроэпителия сетчатки и изменений пигментного эпителия сетчатки как диагностических критериев центральной серозной хориоретинопатии (ЦСХ).
Материал и методы. В это исследование были включены пациенты с острой ЦСХ, прошедшие стандартное офтальмологическое обследование и выполнившие оптическую когерентную томографию с помощью RTVue-XR Avanti (протокол Angio Retina HD, 6 × 6 мм). Для обучающей разметки был использован en face пласт толщиной 10 мкм в плоскости над пигментным эпителием сетчатки. В соответствии с задачами обучения нейронной сети на кросс-секционных сканах были выделены три категории патологических изменений: класс 1 — субретинальная жидкость, класс 2 — аномалии пигментного эпителия сетчатки и класс 3 — точки просачивания. Количество данных для каждой из категорий составило 4800/1400 тренировочных/тестовых изображений для класса 1, 2000/802 для класса 2 и 1504/408 для класса 3. Для решения задачи сегментации патологий на ОКТ-сканах была использована архитектура, аналогичная Unet.
Результаты. Анализ тестовых сетов показал, что чувствительность, специфичность, точность и F1-мера в детекции субретинальной жидкости составили 0,61; 0,99; 0,99 и 0,76 соответственно; для детекции аномалий пигментного эпителия сетчатки чувствительность, специфичность, точность и F1-мера равнялись 0,14; 0,95; 0,94 и 0,24 соответственно; для детекции точки просачивания чувствительность, специфичность, точность и F1-мера составили 0,06; 1,0; 1,0 и 0,12 соответственно.
Заключение. Таким образом, машинное обучение демонстрирует высокий потенциал в идентификации патологических изменений, характерных для острой формы ЦСХ (отслойки нейроэпителия сетчатки и альтерации пигментного эпителия сетчатки), по данным ОКТ. Топическая индикация точки просачивания представляется возможной на больших обучающих сетах.
Полный текст
Открыть статью на сайте журналаОб авторах
Алексей Николаевич Куликов
ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова» Минобороны России
Email: alexey.kulikov@mail.ru
SPIN-код: 6440-7706
д-р мед. наук, доцент, начальник кафедры офтальмологии
Россия, Санкт-ПетербургЕкатерина Юрьевна Малахова
Институт физиологии им. И.П. Павлова Российской академии наук
Email: katerina.malahova@gmail.com
младший научный сотрудник
Россия, Санкт-ПетербургДмитрий Сергеевич Мальцев
ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова» Минобороны России
Автор, ответственный за переписку.
Email: glaz.med@yandex.ru
ORCID iD: 0000-0001-6598-3982
канд. мед. наук, врач-офтальмолог клиники офтальмологии
Россия, Санкт-ПетербургСписок литературы
- Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning. Ophthalmology. 2017;124(7):962-969. https://doi.org/10.1016/j.ophtha.2017.02.008.
- Daruich A, Matet A, Dirani A, et al. Central serous chorioretinopathy: Recent findings and new physiopathology hypothesis. Prog Retin Eye Res. 2015;48:82-118. https://doi.org/10.1016/j.preteyeres.2015.05.003.
- Maltsev DS, Kulikov AN, Chhablani J. Topography-guided identification of leakage point in central serous chorioretinopathy: a base for fluorescein angiography-free focal laser photocoagulation. Br J Ophthalmol. 2018;102(9):1218-1225. https://doi.org/10.1136/bjophthalmol-2017-311338.
- Бойко Э.В., Мальцев Д.С. Фокальная навигационная лазерная коагуляция сетчатки с помощью ОКТ-картирования // Вестник офтальмологии. – 2016. – Т. 132. – № 3. – С. 56–60. [Boyko EV, Mal’tsev DS. En face’ optical coherence tomography guided focal navigated laser photocoagulation. Annals of ophthalmology. 2016;132(3):56-60. (In Russ.)]. https://doi.org/10.17116/oftalma2016132356- 60.
- Maltsev DS, Kulikov AN, Chhablani J. Clinical application of fluorescein angiography-free navigated focal laser photocoagulation in central serous chorioretinopathy. Ophthalmic Surg Lasers Imaging Retina. [In Press]
- Xiang D, Tian H, Yang X, et al. Automatic segmentation of retinal layer in OCT images with choroidal neovascularization. IEEE Trans Image Process. 2018;27(12):5880-5891. https://doi.org/10.1109/TIP.2018.2860255.
- Khalid S, Akram MU, Hassan T, et al. Fully automated robust system to detect retinal edema, central serous chorioretinopathy, and age related macular degeneration from optical coherence tomography images. Biomed Res Int. 2017;2017:7148245. https://doi.org/10.1155/2017/7148245.
- Wu M, Fan W, Chen Q, et al. Three-dimensional continuous max flow optimization-based serous retinal detachment segmentation in SD-OCT for central serous chorioretinopathy. Biomed Opt Express. 2017;8(9):4257-4274. https://doi.org/10.1364/BOE.8.004257.
- Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: Medical image computing and computer-assisted intervention – MICCAI 2015. MICCAI 2015. Lecture notes in computer science. Vol. 9351. Ed. by N. Navab, J. Hornegger, W. Wells, A. Frangi. Cham: Springer; 2015. https://doi.org/10.1007/978-3-319-24574-4_28.
Дополнительные файлы
