Publication:

Classification of diabetes-related retinal diseases using a deep learning approach in optical coherence tomography

Antecedentes y objetivos: La Tomografía de Coherencia Óptica de Dominio Espectral (SD-OCT) es una técnica de imagen volumétrica que permite medir patrones entre capas, como pequeñas cantidades de líquido. Desde 2012, el rendimiento del análisis automático de imágenes médicas ha aumentado constantemente gracias al uso de modelos de aprendizaje profundo que aprenden automáticamente características relevantes para tareas específicas, en lugar de diseñar características visuales manualmente. Sin embargo, proporcionar información e interpretación de las predicciones realizadas por el modelo sigue siendo un reto. Este artículo describe un modelo de aprendizaje profundo capaz de detectar información médicamente interpretable en imágenes relevantes de un volumen para clasificar enfermedades de la retina relacionadas con la diabetes. Métodos: Este artículo presenta un nuevo modelo de aprendizaje profundo, OCT-NET, que es una red neuronal convolucional personalizada para procesar exploraciones extraídas de volúmenes de tomografía de coherencia óptica. OCT-NET se aplica a la clasificación de tres condiciones observadas en los volúmenes de SD-OCT. Además, el modelo propuesto incluye una etapa de retroalimentación que resalta las áreas de las exploraciones para apoyar la interpretación de los resultados. Esta información es potencialmente útil para un especialista médico mientras evalúa la predicción producida por el modelo. Resultados: El modelo propuesto fue probado en los conjuntos de datos públicos SERI-CUHK y A2A SD-OCT que contienen retinopatía sana, diabética, edema macular diabético y degeneración macular relacionada con la edad. La evaluación experimental muestra que el método propuesto supera a los modelos convencionales de aprendizaje profundo convolucional del estado del arte reportados en los conjuntos de datos SERI+CUHK y A2A SD-OCT con una precisión del 93% y un área bajo la curva ROC (AUC) de 0,99 respectivamente. Conclusiones: El método propuesto es capaz de clasificar las tres enfermedades retinianas estudiadas con una alta precisión. Una ventaja del método es su capacidad para producir información clínica interpretable en forma de resaltar las regiones de la imagen que más contribuyen a la decisión del clasificador.