Diseño y estudio de estrategias de clasificación de EMD en imágenes TCO basadas en aprendizaje profundo

Abstract

[Resumen] El Edema Macular Diabético (EMD) es una de las principales causas de ceguera en países desarrollados. El daño progresivo al sistema vascular de la retina, ocasionado por la diabetes, facilita que existan filtraciones de fluido a la mácula, parte de la retina encargada de la visión central y de los detalles: inflamándola y formando edemas en ella. La detección temprana de esta enfermedad y su subsiguiente monitorización es crucial en su tratamiento. Para llevar esta tarea acabo, la técnica más prevalente es la Tomografía de Coherencia Óptica (TCO), la cual permite obtener de forma no invasiva imágenes transversales del tejido de la retina y de sus edemas. En función de en qué capa de la mácula se encuentren y de cuál sea su densidad, estos edemas se clasifican en tres categorías a menudo coexistentes, cuya separación en las tomografías es difusa y de gradual gravedad: el engrosamiento difuso de retina, el edema macular quístico y el desprendimiento seroso de retina. Para un único clínico, lidiar con la incertidumbre asociada a la diferenciación de estos subtipos es una tarea ardua y tediosa. El diagnóstico asistido por ordenador (DAO) permite reducir esta problemática: ofreciendo una segunda opinión basada en la de otros expertos que permita al clínico dar evaluaciones más objetivas ahorrando, a su vez, tiempo y recursos. Teniendo presentes los puntos anteriores, en este proyecto se desarrollará una metodología iterativa incremental cuyo objetivo es clasificar la existencia de EMD y sus subtipos en imágenes TCO. Para lograrlo, se emplearán y adaptarán técnicas del estado del arte del aprendizaje profundo, como las redes convolucionales o la transferencia de conocimiento, y se diseñarán nuevas basándose en las necesidades del problema.

[Abstract] Diabetic Macular Edema (DME) is one of the main causes of blindness in developed countries. The degenerative state of the vascular system, caused by diabetes, facilitates leakage of fluids to the different tissues of the body: inflaming and forming edemas in them. When this occurs in macula (retinal tissue responsible for central vision and details) is known as Diabetic Macular Edema (DME). Early detection of DME and its subsequent monitoring is crucial in its treatment, otherwise, this disease can cause irreversible damage (such as tissue ruptures) or requires of expensive and invasive treatments. To detect and monitor it, the most prevalent technique is the Optical Coherence Tomography (OCT) which allows obtaining non-invasive cross-sectional images of the retinal tissue and its edema. Depending on which layer of macula it is in and its density, these edemas are classified into three categories (from less to greater severity): diffuse retinal thickening (DRT), cystoid macular edema (CME) and serous retinal detachment (SRD). These three types often tend to coexist, and their separation use to be very diffuse. Even with the benefits of use OCT images to identify DME, dealing with the diffuse separation between DME subtypes is still a difficult task for an only clinician. Thanks to computer-aided diagnosis (CAD), a second opinion can be offered based on other experts opinions, which helps to give more objective evaluations, saving time and resources. Keeping in mind these points, in this project an iterative and incremental methodology will be developed to classify the existence of DME and their subtypes in TCO images. To achieve this, state-of-the-art techniques of deep learning will be used, such as convolutional networks or transfer learning, and new ones will be designed based on the problem requirements.