Automatic Segmentation of the optic nerve head in Optical Coherence Tomography data

Abstract

O glaucoma, uma das principais causas de cegueira no mundo, é uma doença irreversível, mas que pode ser prevenida. A secção intraocular do nervo ótico está particularmente sujeita a danos provocados pelo aumento da pressão intraocular (IOP).O advento da tomografia de coerência ótica (OCT) possibilitou a avaliação de parâmetros do disco ótico (biomarcadores), que se têm vindo a provar promissores para o diagnóstico e monitorização de doenças da retina, tal como o glaucoma.No entanto, estes biomarcadores são obtidos maioritariamente através da segmentação manual das estruturas do disco ótico, um processo demorado e sujeito a erros humanos, limitando o seu uso na prática clínica.Deste modo, a segmentação automática do disco ótico em OCT poderia ajudar a gestão clínica do glaucoma e outras doenças.O trabalho apresentado nesta dissertação envolve o desenvolvimento de um modelo automático baseado em deep learning para segmentação de cinco estruturas do disco ótico (camada das fibras nervosas da retina (RNFL), complexo epitélio segmentado da retina (RPE)/membrana de Bruch (BM), outras camadas da retina, coróide e lâmina cribrosa (LC)) em dados de OCT. Os dados disponíveis continham 23 volumes de varredura de 13 indivíduos saudáveis e 213 volumes radiais de 20 indivíduos saudáveis e de 46 pacientes com glaucoma. No total, 300 imagens foram segmentadas manualmente por dois especialistas de forma a gerar um ground truth.Diferentes modelos baseados na arquitetura U-net foram treinados e avaliados de acordo com uma grid search. O melhor modelo foi escolhido com base em quatro métricas: precisão média de todas as segmentações, e coeficiente Dice, sensitividade e especificidade de cada estrutura individualmente. Seis biomarcadores (diâmetro do disco ótico, a espessura da rima neural a partir da abertura da membrana de Bruch (BMO-MRW), espessura da RNFL, área da RNFL, profundidade da LC e índice de curvatura da LC (LCCI)) foram obtidos a partir do melhor modelo.A diferença entre imagens segmentadas por diferentes especialistas foi avaliada para analisar a consistência do ground truth. A análise estatística dos biomarcadores extraídos a partir de segmentações manuais e automáticas permitiu uma avaliação mais aprofundada do modelo e das diferenças entre olhos saudáveis e com glaucoma.Os resultados mostraram que o modelo proposto é capaz de separar os cinco tecidos do disco ótico com métricas acima dos 70\% exceto para a LC, a qual obteve métricas acima dos 63\%.Os biomarcadores apresentaram correlações acima dos 0.85 entre segmentações manuais e automáticas, exceto para o LCCI.Os principais resultados deste projeto sugerem que é possível extrair parâmetros clínicos de confiança a partir de segmentações automáticas obtidas com um modelo otimizado de deep learning baseado numa U-net. De entre todas as estruturas do disco ótico, a LC mostrou-se a mais desafiante para segmentar, tanto manualmente como automaticamente.Para trabalho futuro, deve-se considerar adicionar informações contextuais da LC ao modelo. O modelo também beneficiaria de um maior conjunto de dados e do desenvolvimento de métodos que garantissem a qualidade e consistência das segmentações manuais. Finalmente, as diferenças observadas entre B-scans de varredura e radiais, destacam a necessidade de definir protocolos para a avaliação do disco ótico.

Glaucoma is an irreversible but preventable disease, and one of the main causes of blindness worldwide.The ONH represents the intraocular section of the optic nerve, which is prone to damage by increases in the IOP. The advent of OCT has enabled the evaluation of ONH parameters (biomarkers), which have achieved promising results for diagnosis and monitoring of retinal diseases, including glaucoma. Nonetheless, these OCT derived biomarkers are mostly extracted through manual segmentation of the ONH tissues, a time-consuming and prone to bias task that limits their usability in clinical practice. Therefore, the automatic segmentation of ONH in OCT scans could further improve the current clinical management of glaucoma and other diseases.The work presented in this thesis comprises the development of a deep learning based segmentation model for five structures of the ONH (RNFL, RPE/BM complex, other retinal layers, choroid and LC) in OCT data. The available dataset comprised 23 raster volumes from 13 healthy subjects, and 213 radial volumes from 20 healthy subjects and 46 glaucoma patients. In total, 300 images were manually segmented by two graders for generating a segmentation ground-truth. Different models based on the U-net architecture were trained and evaluated. Cross-validation grid search over a parameter grid was used to choose the best model based on four metrics: overall accuracy and Dice coefficient, sensitivity, and specificity of each structure individually. Six features (optic disc diameter, BMO-MRW, RNFL thickness, RNFL area, LC depth and LCCI) were obtained from the best model predictions.The inter-grader variability was analysed to assess the quality and consistency of the ground truth. A statistical analysis of the biomarkers extracted in both the manual and automatic segmented images was performed to further evaluate the model. The results showed that the proposed model was able to separate the five ONH tissues, with all metrics above 70\% except for the LC for which performs above 63\%. The biomarkers extracted from manual and automatic segmentations showed correlations above 0.85, except for the LCCI.The main results of this project suggest that it is possible to extract reliable clinical parameters from automatic segmentations after training an optimized deep learning model based on a simple U-net architecture. Among all clinically relevant structures of the ONH, LC has shown to be the most challenging to automatically segment. Future work should focus on adding contextual information of this tissue into the model. Larger datasets and more reliable manually segmented data should also be considered for improving the current model. Lastly, differences between the predictions of radial and raster B-scans were observed highlighting the need for standard imaging protocols when evaluating the ONH.