Vollautomatische Detektion und Quantifizierung retinaler Flüssigkeit in OCT-Bilder bei AMD möglich

MEDICAL RETINA Wien – mechentel news – Ziel der Arbeit von Thomas Schlegl aus dem Christian Doppler Labor für Ophthalmologische Bildanalyse der Medizinischen Universität Wien, Österreich, und Kollegen war die Entwicklung und Validierung einer vollautomatischen Methode zur Detektion und Quantifizierung von Makulaflüssigkeit in konventionellen OCT-Bildern. Der klinische Datensatz für die Flüssigkeitsdetektion bestand aus 1.200 OCT-Volumenscans von Patienten mit neovaskulärer altersbedingter Makuladegeneration (AMD, n = 400), diabetischem Makulaödem (DME, n = 400) oder retinalem Venenverschluss (RVO, n = 400), mit einem Zeiss Cirrus (Carl Zeiss Meditec, Dublin, CA) (n = 600) oder einem Heidelberg Spectralis (Heidelberg Engineering, Heidelberg, Deutschland) (n = 600) OCT-Gerät erstellt worden waren. Es wurde eine auf Deep Learning basierende Methode entwickelt, um intraretinale zystoide Flüssigkeit (IRC) und subretinale Flüssigkeit (SRF) automatisch zu detektieren und zu quantifizieren. Die Leistungsfähigkeit des Algorithmus bei der genauen Identifizierung der Flüssigkeitslokalisation und der Flüssigkeitsmenge wurde im Vergleich zu einer manuellen Konsensusauswertung zweier maskierter Begutachter des Bildauswertungszentrums überprüft. Hauptparameter waren die Performance einer vollautomatisierten Methode zur genauen Erkennung, Differenzierung und Quantifizierung von intraretinaler und subretinaler Flüssigkeit unter Verwendung der Flächen unterhalb der Grenzwertoptimierungskurven, die Genauigkeit und die Trefferquote. Die auf Deep Learning basierende, neu entwickelte, vollautomatisierte diagnostische Methode erreichte eine optimale Qualität für die Detektion und Quantifizierung von IRC für alle 3 Makula-Pathologien mit einer mittleren Fläche unterhalb der Kurve („Area under curve“, AUC) von 0,94, einer durchschnittlichen Genauigkeit von 0,91 und einer mittleren Trefferquote von 0,84. Ebenso war die Detektion und Messung subretinaler Flüssigkeit sehr genau mit einer AUC von 0,92, einer mittleren Genauigkeit von 0,61 und einer durchschnittlichen Trefferquote von 0,81, mit einer überlegener Leistung bei neovaskulärer AMD und RVO im Vergleich zu DME, welches in der untersuchten Population selten vertreten war. Es wurde eine hohe lineare Korrelation zwischen automatischer und manueller Lokalisierung und Quantifizierung der Flüssigkeit bestätigt, was einen durchschnittlichen Pearson-Korrelationskoeffizienten von 0,90 für IRC und von 0,96 für SRF ergab. Die Autoren kommen in der elektronischen Vorabpublikation im Dezember 2017 beim Fachjournal Ophthalmology zu dem Schluss, dass Deep Learning in der retinalen Bildanalyse eine hervorragende Genauigkeit bei der differenzierten Detektion von retinalen Flüssigkeitstypen der häufigsten exsudativen Makulaerkrankungen und OCT-Geräten erreicht. Darüber hinaus erreicht die Quantifizierung der Flüssigkeit eine hohe Übereinstimmung mit der manuellen Expertenbewertung. Somit eröffne die vollautomatische Analyse retinaler OCT-Bilder aus der klinischen Routine einen vielversprechenden Ausblick für die Verbesserung der Genauigkeit und Zuverlässigkeit der Netzhautdiagnostik in Forschung und klinischer Praxis der Augenheilkunde. (bs)

Autoren: Schlegl T, Waldstein SM, Bogunovic H, Endstraßer F, Sadeghipour A, Philip AM, Podkowinski D, Gerendas BS, Langs G, Schmidt-Erfurth U. Korrespondenz: Ursula Schmidt-Erfurth, MD, Professor and Chair, Department of Ophthalmology, Medical University of Vienna, Spitalgasse 23, 1090 Vienna, Austria. E-Mail: ursula.schmidt-erfurth@meduniwien.ac.at Studie: Fully Automated Detection and Quantification of Macular Fluid in OCT Using Deep Learning. Quelle: Ophthalmology. 2017 Dec 8. pii: S0161-6420(17)31424-0. doi: 10.1016/j.ophtha.2017.10.031. [Epub ahead of print] Web: http://www.aaojournal.org/article/S0161-6420(17)31424-0/abstract