Identification of Changes in Retinal Images of Animal Models of Alzheimer's Disease Using a Deep Learning Approach

Abstract

A doença de Alzheimer é um transtorno neurodegenerativo progressivo cujo diagnóstico permanece um desafio, pois este só é possível quando já ocorreram danos neurológicos significativos. Dado que a retina e o cérebro têm a mesma origem embrionária, cada vez mais se tem vindo a utilizar a retina como uma janela para o cérebro. Este estudo teve como objetivo identificar alterações características em imagens da retina de modelos animais da doença de Alzheimer, imagens reconstruídas a partir de dados de tomografia de coerência ótica nos estádios iniciais da doença. Para alcançar este objetivo, foi utilizada uma abordagem de aprendizagem profunda. Em primeiro lugar, foram criadas seis redes neuronais de convolução (CNNs) para determinar se as imagens de cada camada ou conjunto de camadas agregadas da retina eram distintas entre ratos do tipo selvagem e ratos transgénicos (modelos da doença de Alzheimer). Em seguida, o método Gradient-weighted Class Activation Mapping (Grad-CAM) foi utilizado para avaliar em que áreas (regiões) das imagens se encontrava a informação conducente à distinção entre grupos. Adicionalmente, foi também realizada uma experiência para verificar se os olhos direito e esquerdo partilham as mesmas características. Por último, uma rede neuronal foi desenvolvida para avaliar se a combinação das classificações resultantes das seis CNNs melhoraria o desempenho na distinção entre grupos. Com base nesta última tarefa, duas técnicas (algoritmo de conexão de pesos e método de perturbação) foram utilizadas para descobrir que camadas/conjunto de camadas mais contribuíram para a classificação nos grupos de controlo e transgénico. As CNNs provaram conseguir classificar corretamente as imagens usadas considerando apenas uma camada/conjunto de camadas, com uma exatidão entre 79,0% e 89,2% no grupo de teste, indicando assim que todas as camadas contêm informação suficiente para discriminar ratos do tipo selvagem de ratos transgénicos. Em geral, os mapas de calor sugeriram que as características essenciais estão presentes numa área mais extensa em imagens classificadas como transgénicas do que em imagens classificadas como do tipo selvagem, e que essas áreas não estão localizadas nas mesmas regiões entre as várias camadas/conjunto de camadas da retina. Além disso, as imagens do olho direito e esquerdo não partilham as mesmas características. Por fim, a combinação dos dados provenientes das seis camadas/conjunto de camadas não melhorou o desempenho da classificação, atingindo uma exatidão de 85,4%. Nesta tarefa, a camada nuclear interna (INL) foi a que mais contribuiu, ao contrário da camada plexiforme interna (IPL) e das camadas das fibras nervosas e das células ganglionares (RNFL-GCL) que tiveram uma contribuição residual.

Alzheimer's disease (AD) is a progressive neurodegenerative disorder whose diagnosis remains a considerable challenge as it is only possible when significant neurological damage has occurred. Given that the retina and the brain have the same embryonic origin, increasing attention has focused on using the retina as a window into the brain. This study aimed to identify the characteristic changes in computed optical coherence tomography ocular fundus images of animal models of AD in the early stages of the disease. To achieve this goal, a deep learning approach was used. Firstly, six Convolutional Neural Networks (CNNs) were created to determine if the computed fundus images of each retinal layer/layer-aggregate were distinct between wild-type and transgenic mice. Afterwards, the Gradient-weighted Class Activation Mapping (Grad-CAM) method was applied to assess which image areas were decisive to distinguish groups. An additional experiment was also made to ascertain if the right and left eyes share the same characteristics. Lastly, a neural network was developed to assess if combining the six CNNs predictions would improve the performance. Based on this last task, two techniques (connection weights algorithm and perturbation method) were used to discover which layers/layer-aggregates had a higher contribution to classification. The CNNs proved able to classify correctly the fundus images belonging to only one layer/layer-aggregate, with accuracies between 79.0% and 89.2% on the test set, implying that all layers have helpful information to discriminate wild-type from transgenic mice. In general, the heatmaps suggested that the meaningful characteristics in images classified as transgenic were present in a more extensive area than the wild-type, and those areas were not located in the same places between retinal layers/layer-aggregates. Moreover, the right- and left-eye images did not convey the same information. Finally, combining data from the six layers/layer-aggregates did not improve further the classification performance, reaching an accuracy of 85.4%. The Inner Nuclear Layer (INL) was the most contributing layer in this task, and the Inner Plexiform Layer (IPL) and Retinal Nerve Fibre and Ganglion Cell Layers (RNFL-GCL) had a residual contribution.