Métodos automáticos de generación de imágenes sintéticas para la mejora del análisis de imagen OCT-A

Abstract

[Resumen]: Actualmente, las estrategias de Deep Learning son ampliamente utilizadas en multitud de campos, sobre todo en el desarrollo de sistemas inteligentes de apoyo al diagnóstico. En oftalmología, estos sistemas son comúnmente utilizados por los clínicos especialistas para prevenir, diagnosticar y controlar muchas enfermedades oculares (como la retinopatía diabética o el glaucoma) y afecciones sistémicas (como la hipertensión o la diabetes). Por otro lado, el problema de la escasez de datos (Data Scarcity) es uno de los principales retos que plantean actualmente las técnicas de aprendizaje profundo, ya que el tamaño insuficiente del conjunto de datos es muy a menudo responsable de los malos resultados obtenidos durante el proceso de aprendizaje. Otro aspecto relevante es la escasa disponibilidad de datos anotados por expertos, lo que resulta especialmente crítico en el campo del análisis de imágenes médicas. Por este motivo, la comunidad científica está realizando actualmente grandes esfuerzos para desarrollar diferentes metodologías para mitigar los efectos del Data Scarcity mediante la generación de imágenes sintéticas. En este proyecto, se propone el desarrollo de diferentes metodologías de generación de imágenes sintéticas utilizando modelos generativos antagónicos (GANs) con el fin de mejorar el análisis automático de imágenes de angiografía de coherencia óptica (OCT-A). En particular, OCT-A es una nueva modalidad de imagen, rápida y no invasiva que permite la obtención de imágenes tomográficas de la retina en alta resolución de diferentes plexos capilares, sin necesidad de administrar ningún tipo de contraste oral o intravenoso. Así, en este proyecto, se propone una novedosa y totalmente automática metodología para la generación de imágenes sintéticas entre los plexos capilares superficiales y profundos, ambos casos representando los plexos más comúnmente utilizados para tareas de diagnóstico clínico. De forma complementaria, se estudió la aplicación de diferentes paradigmas de aumento de datos (Data Augmentation) y transferencia de conocimiento (Transfer Learning) para analizar la capacidad de la metodología propuesta en 2 problemas reales y finalistas del dominio clínico: I) Segmentación de la zona afoveal vascular (ZAF); y II) Cribado patológico de neovascularización en pacientes diagnosticados con degeneración macular asociada a la edad (DMAE). Para la validación de nuestra propuesta se han realizado varios experimentos utilizando un conjunto de imágenes OCT-A etiquetadas manualmente por un experto clínico. Los resultados obtenidos en todos los experimentos han sido satisfactorios, demostrando la robustez del sistema en diferentes tareas de apoyo a la decisión clínica.

[Abstract]: Deep Learning is currently widely used in many fields, especially in the development of intelligent diagnostic support systems. In ophthalmology, these systems are commonly used by specialist clinicians to prevent, diagnose and monitor many eye diseases (such as diabetic retinopathy or glaucoma) and systemic conditions (such as hypertension or diabetes). On the other hand, the problem of Data Scarcity is one of the main challenges currently posed by deep learning techniques, since the insufficient size of the data set is very often responsible for the poor results obtained during the learning process. Another relevant aspect is the limited availability of data annotated by experts, which is especially critical in the field of medical image analysis. For this reason, the scientific community is currently making great efforts to develop different methodologies to mitigate the effects of Data Scarcity by generating synthetic images. In this project, we propose the development of different methodologies for generating synthetic images using antagonistic generative models (GANs) in order to improve the automatic analysis of optical coherence angiography (OCT-A) images. In particular, OCT-A is a new, fast and non-invasive imaging modality that allows obtaining high-resolution tomographic images of the retina of different capillary plexuses, without the need to administer any type of oral or intravenous contrast. Thus, in this project, a novel and fully automatic methodology is proposed for the generation of synthetic images between the superficial and deep capillary plexuses, both cases representing the most commonly used plexuses for clinical diagnostic tasks. In a complementary way, the application of different paradigms of Data Augmentation and Transfer Learning was studied to analyze the capacity of the proposed methodology in 2 real and final problems of the clinical domain: I) Segmentation of the Foveal Avascular Zone (FAZ); and II) Pathological screening for neovascularization in patients diagnosed with age-related macular degeneration (AMD). To validate our proposal, several experiments have been carried out using a set of OCT-A images manually labeled by a clinical expert. The results obtained in all the experiments have been satisfactory, demonstrating the robustness of the system in different clinical decision support tasks.