Аннотированный анализ данных трехмерной оптической когерентной томографии сетчатки для создания интеллектуальной базы данных

Малахова Е.Ю., Мальцев Д.С., Куликов А.Н., Казак А.А.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Малахова Е.Ю., Мальцев Д.С., Куликов А.Н., Казак А.А. Аннотированный анализ данных трехмерной оптической когерентной томографии сетчатки для создания интеллектуальной базы данных // Оптический журнал. 2019. Т. 86. № 11. С. 59–65. http://doi.org/10.17586/1023-5086-2019-86-11-59-65

Malakhova E.Yu., Maltsev D.S., Kulikov A.N., Kazak A.A. Annotated data analysis of three-dimensional optical coherence tomography of the retina for the creation of an intelligent database [in Russian] // Opticheskii Zhurnal. 2019. V. 86. № 11. P. 59–65. http://doi.org/10.17586/1023-5086-2019-86-11-59-65

Ссылка на англоязычную версию:

E. Yu. Malakhova, D. S. Mal’tsev, A. N. Kulikov, and A. A. Kazak, "Annotated data analysis of three-dimensional optical coherence tomography of the retina for the creation of an intelligent database," Journal of Optical Technology. 86(11), 723-728 (2019). https://doi.org/10.1364/JOT.86.000723

Аннотация:

Оптическая когерентная томография — один из ключевых методов диагностики в офтальмологии, обладающий высоким потенциалом для применения автоматического анализа. В данной работе проведены сбор, разметка и анализ 44 трехмерных изображений оптической когерентной томографии, полученных у 39 пациентов, страдающих центральной серозной хориоретинопатией. Семантическая аннотация патологических изменений включает три класса: (1) отслойка нейроэпителия сетчатки, (2) альтерация пигментного эпителия сетчатки и (3) зона просачивания. Применены методы машинного обучения с целью различения классов 2 и 3 на основе яркостных характеристик изображений оптической когерентной томографии. Внутригрупповая кластеризация экземпляров классов показала, что выделение двух групп изменений в классе 2 может быть связано с различиями по объемной характеристике, в то время как яркостные характеристики в классе 3 существенно различаются в зависимости от возраста пациентов, что может использоваться при прогнозировании течения заболевания.

Ключевые слова:

оптическая когерентная томография, сетчатка, кластерный анализ, анализ трехмерных изображений, центральная серозная хориоретинопатия

Благодарность:

Авторы благодарят Шелепина Ю.Е. за помощь в работе над статьей, а также Шелепина Е.Ю., Шелепина К.Ю. и Малашина Р.О. (Институт физиологии им. И.П. Павлова) за предоставление и поддержку работы сервера для обработки данных и его техническую поддержку.

Коды OCIS: 110.4500, 110.2960, 170.5755, 170.4470

Список источников:

1. Huang D., Swanson E.A., Lin C.P., et al. Optical coherence tomography // Science. 1991. V. 254. № 5035. P. 1178–1181.
2. Maltsev D.S., Kulikov A.N., Chhablani J. Topography-guided identification of leakage point in central serous chorioretinopathy: A base for fluorescein angiography-free focal laser photocoagulation // British J. Ophthalmology. 2018. № 102. P. 1218−1225.
3. Мальцев Д.С., Куликов А.Н., Чхаблани Д. и др. Навигационная фокальная лазерная коагуляция точки просачивания при центральной серозной хориоретинопатии без флюоресцентной ангиографии // Вестник офтальмологии. 2018. № 134. C. 15−24.
4. Daruich A., Matet A., Dirani A., et al. Central serous chorioretinopathy: Recent findings and new physiopathology hypothesis // Progress in Retinal and Eye Research. № 48. P. 82−118.
5. Fujimoto H., Gomi F., Wakabayashi T., et al. Morphologic changes in acute central serous chorioretinopathy evaluated by Fourier-domain optical coherence tomography // Ophthalmology. 2008. V. 115. № 9. P. 1494−1500.
6. Kim H.C., Cho W.B., Chung H. Morphologic changes in acute central serous chorioretinopathy using spectral domain optical coherence tomography // Korean J. Ophthalmology. 2012. V. 26. № 5. P. 347−354.
7. De Fauw J., Ledsam J.R., Romera-Paredes B., et al. Clinically applicable deep learning for diagnosis and referral in retinal disease // Nature Medicine. 2018. V. 24. № 9. P. 1342–1350.
8. Vondrick C., Patterson D., Ramanan D. Efficiently scaling up crowdsourced video annotation // Internat. J. Computer Vision. 2013. V. 101. № 1. P. 184−204.
9. Куликов А.Н., Малахова Е.Ю., Мальцев Д.С. Искусственный интеллект и машинное обучение в диагностике центральной серозной хориоретинопатии на основании оптической когерентной томографии // Офтальмологические ведомости. 2019. № 1. С. 15−22.