Characterization of age-related ocular diseases in OCT images through deep learning techniques
Title
Characterization of age-related ocular diseases in OCT images through deep learning techniquesAuthor(s)
Directors
Ortega Hortas, MarcosNovo Buján, Jorge
Date
2022Center/Dept./Entity
Universidade da Coruña. Facultade de InformáticaDescription
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022Abstract
[Abstract]: Age-Related Macular Degeneration (AMD) is the main cause of severe visual impairment and
blindness in Europe, and its prevalence is expected to increase worldwide due to population
aging. Optical Coherence Tomography (OCT) is a noninvasive retinal imaging technique that
has become the standard of care in the diagnosis and monitoring of late AMD, where the great
majority of severe symptoms are manifested. Neovascular late AMD, where new pathological
blood vessels are formed that may leak fluid, often results in relatively rapid vision loss.
Treatment exists for neovascular AMD, such that its detection and characterization plays a
key role in patient outcomes.
This project applies deep learning techniques to the task of AMD characterization. To
do so, a data set of OCT scans labeled as to the presence of fluid and neovascularisation is
used to train deep convolutional networks. Analysis of this initial experiment produced two
hypotheses of performance limiting factors: intra-expert variability and data scarcity. The
former was addressed through the development of a machine-assisted review process based
on the Class Activation Mapping (CAM) interpretability technique. A small blinded trial was
favorable to the methodology. The latter resulted in the adaptation of a large public data set
to explore domain-specific transfer learning. [Resumo]: A Dexeneración Macular Asociada á Idade (DMAI) é a principal causa de discapacidade
visual severa e cegueira en Europa, e espérase que a súa prevalencia aumente a nivel mundial
debido ó envellecemento poboacional. A Tomografía de Coherencia Óptica (TCO) é un
método non invasivo de imaxe retiniana que se converteu no estándar no diagnóstico e monitorización
da DMAI tardía, onde se manifestan a maioría de síntomas graves. A DMAI tardía
neovascular, onde se forman novos vasos sanguíneos patolóxicos que poden derramar fluído,
a miúdo resulta en perda de visión de forma relativamente repentina. Existen tratamentos para
a DMAI neovascular, de modo que a súa detección e caracterización xoga un papel crucial
no prognóstico dos pacientes.
Este proxecto aplica técnicas de aprendizaxe profunda á tarefa de caracterización de DMAI.
Con ese fin, un conxunto de datos de TCO anotado en base á presenza de fluído e neovascularización
foi empregado para entrenar redes convolucionais profundas. A análise deste
experimento inicial produciu dúas hipóteses sobre factores que limitan o rendemento: a variabilidade
intra-experto e a escaseza de datos. O primeiro foi afrontado mediante o desenvolvemento
dun proceso de revisión de anotacións asistido por computadora, baseado na técnica
de interpretabilidade Class Activation Mapping (CAM). Un pequeno estudo cego foi favorable
á metodoloxía. A segunda hipótese resultou na adaptación dun gran conxunto de datos
público para a exploración de transferencia de aprendizaxe específica ó dominio.
Keywords
Deep learning
Age-related macular degeneration
Neovascularization
Interpretability
Medical imaging
Optical coherence tomography
Aprendizaxe profunda
Dexeneración macular asociada á idade
Neovascularización
Interpretabilidade
Imaxe médica
Tomografía de coherencia óptica
Age-related macular degeneration
Neovascularization
Interpretability
Medical imaging
Optical coherence tomography
Aprendizaxe profunda
Dexeneración macular asociada á idade
Neovascularización
Interpretabilidade
Imaxe médica
Tomografía de coherencia óptica