Detección automatizada de estructuras anatómicas retinales en retinografías digitales

Abstract

La Retinopatía Diabética (RD) es una microangiopatía progresiva caracterizada por la presencia de lesiones y oclusión de vasos retinales. Se estima que entre un 5% a un 10% de los pacientes que presentan RD pueden desarrollar Maculopatía Diabética (MD), patología que se caracteriza por presentar alteraciones en la agudeza visual causadas por lesiones localizadas en el área macular de la retina. Cabe señalar que la mácula es una región ubicada en el centro de la retina, que corresponde al punto de máxima discriminación visual, por lo tanto las lesiones retinales en esta zona son un factor muy relevante en la clasificación del estado macular. En nuestro país, el control de pacientes con RD se realiza anualmente mediante la adquisición de imágenes retinales o, en su defecto, mediante un examen de fondo de ojo. Sin embargo, en la última década se ha observado una disminución importante en las atenciones oftalmológicas realizadas de los pacientes con RD. A partir del año 2018, el sistema de Diagnóstico Automatizado de Retinografías Telemáticas (DART) ha contribuido a aumentar el control y acceso oportuno de los pacientes a exámenes oftalmológicos, utilizando métodos de aprendizaje de máquinas, identificando a los pacientes que presentan signos patológicos con sospecha de RD y que deben ser derivados a controles presenciales con especialistas. No obstante, el módulo de inteligencia artificial del sistema DART no contempla dentro de su algoritmo de clasificación la localización y la extensión de las lesiones presentes en la zona macular. Por lo anteriormente descrito, en este trabajo de tesis se propone relacionar la ubicación del área macular con las lesiones retinales, incorporando un clasificador binario del estado macular que contribuya a mejorar la precisión de la clasificación automática de RD realizada actualmente, información que permitirá la priorización de los casos con MD. Los resultados obtenidos por los algoritmos Logistic Regression y Decision Tree, utilizando información de la posición macular y lesiones ground truth (MGLG), permitieron establecer que la relación de las lesiones retinales con respecto al área macular constituyen el factor más relevante para la determinación del estado macular, alcanzando un rendimiento de un 100% en Precision, Recall y F1-Score en la clasificación de cada clase de interés (presencia o ausencia de maculopatía). Con respecto a la tarea de estimar automáticamente la posición macular, el algoritmo que logró mejores resultados entre los propuestos fue el método de aprendizaje de máquinas U-net, el que en una muestra de 318 retinografías alcanzó un error acumulado medio de 0.9 μm de distancia del centro real macular o el equivalente a 1⁄5 de diámetro de disco (DD) aproximadamente. Al combinar los resultados anteriores, utilizando la posición macular y las lesiones estimadas por DART, se logró corroborar que los algoritmos Logistic Regression y Support Vector Machine fueron los clasificadores con mejor desempeño, alcanzando un ROC AUC de 0.9761 y 0.9680 respectivamente, lo que demuestra la factibilidad de identificar MD automáticamente.

Diabetic Retinopathy (DR) is a progressive microangiopathy characterized by lesions and occlusion of retinal vessels. It is estimated that between 5% to 10% of patients with DR may develop Diabetic Maculopathy (DM), a pathology characterized by alterations in the visual acuity caused by lesions located in the retinal macular area. It should be noted that the macula is located in the center of the retina and correspond to the point of maximum visual discrimination; therefore, retinal lesions in this area are a very relevant factor in the classification of the macular status. In our country, the control of patients with DR is performed yearly by acquiring retinal images or, in its absence, a fundus examination. However, in the last decade a significant gap has been observed in the performance of ophthalmologic care of patients with DR. From 2018 onwards, the Diagnostic Automated Retinography Telematics Diagnostics (DART) system has contributed to increasing the control and timely access of patients to ophthalmological examinations using machine learning methods, identifying patients who present pathological signs with suspected DR and who should be referred to on-site controls with specialists. It must be pointed out, however, that the classification algorithm of the artificial intelligence module of DART system does not include the location and extent of the lesions present in the macular area. Therefore, this thesis proposes to correlate the location of the macular area with the retinal lesions, incorporating a binary classifier of the macular state that contributes to the accuracy of the automatic classification of DR currently performed. Furthermore, obtaining this information will allow the prioritization of cases with MD. The results obtained by the Logistic Regression and Decision Tree algorithms, using the information on the macular position and ground truth lesions (MGLG), allowed us to establish that the macular area and its relationship with retinal lesions are the most relevant factor for the determination of macular status, reaching the performance of 100% in Precision, Recall and F1-Score in the classification of each class of interest (presence or absence of maculopathy). For automatically estimating macular position, the algorithm that achieved the best results among the proposed methods was the U-net machine learning method. A sample of 318 retinographies, reached a mean cumulative error of 0.9 μm distance from the actual macular center or the equivalent of approximately of 1⁄5 of a disc diameter (DD). By combining the previous results, using macular position and lesions estimated by DART, this thesis corroborated the Logistic Regression and Support Vector Machine algorithms as the best performing classifiers, reaching a ROC AUC of 0.9761 and 0.9680 respectively, showing the high feasibility of identifying MD automatically.