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

Abstract

Background and objectives: Spectral Domain Optical Coherence Tomography (SD-OCT) is a volumetric imaging technique that allows measuring patterns between layers such as small amounts of fluid. Since 2012, automatic medical image analysis performance has steadily increased through the use of deep learning models that automatically learn relevant features for specific tasks, instead of designing visual features manually. Nevertheless, providing insights and interpretation of the predictions made by the model is still a challenge. This paper describes a deep learning model able to detect medically interpretable information in relevant images from a volume to classify diabetes-related retinal diseases. Methods: This article presents a new deep learning model, OCT-NET, which is a customized convolutional neural network for processing scans extracted from optical coherence tomography volumes. OCT-NET is applied to the classification of three conditions seen in SD-OCT volumes. Additionally, the proposed model includes a feedback stage that highlights the areas of the scans to support the interpretation of the results. This information is potentially useful for a medical specialist while assessing the prediction produced by the model. Results: The proposed model was tested on the public SERI-CUHK and A2A SD-OCT data sets containing healthy, diabetic retinopathy, diabetic macular edema and age-related macular degeneration. The experimental evaluation shows that the proposed method outperforms conventional convolutional deep learning models from the state of the art reported on the SERI+CUHK and A2A SD-OCT data sets with a precision of 93% and an area under the ROC curve (AUC) of 0.99 respectively. Conclusions: The proposed method is able to classify the three studied retinal diseases with high accuracy. One advantage of the method is its ability to produce interpretable clinical information in the form of highlighting the regions of the image that most contribute to the classifier decision.

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.