Разработка модели сегментации капилляров глазной поверхности по снимкам с офтальмологической щелевой лампы с использованием инструментов искусственного интеллекта

Обоснование и цель исследования. Изменения сосудов глазной поверхности нередко ассоциированы с наличием различных системных или глазных заболеваний. Сегментация сосудов глазной поверхности с использованием инструментов искусственного интеллекта (ИИ) представляет высокую актуальность в аспекте повышения качества ранней диагностики. Цель работы — разработка модели сегментации капилляров глазной поверхности по снимкам с офтальмологической щелевой лампы с использованием инструментов ИИ и языка Python.

Материалы и методы. В исследовании использован датасет (700 глаз), находящийся в открытом доступе в сети Интернет и включающий в себя фотографии с офтальмологической щелевой лампы, размеченные вручную. С помощью метода аугментации данный набор для исследования увеличен в несколько раз. Система сегментации капилляров глаза на снимках с офтальмологической щелевой лампы построена на основе обученной нейронной сети Unet.

Результаты. Основным результатом исследования является разработка алгоритма для автоматической сегментации капилляров глаз на снимках с офтальмологической щелевой лампы. Метрика в ходе обучения модели нейронной сети достигла 85 %.

Заключение. Показаны высокая эффективность и потенциал методов ИИ при построении системы автоматической сегментации капилляров глазной поверхности на снимках в рамках разрабатываемой в ФГБУ «НМИЦ ГБ им. Гельмгольца» Минздрава России автоматизированной системы принятия врачебных решений. Данный сервис в перспективе может быть использован с целью повышения эффективности ранней диагностики и мониторинга лечения заболеваний глаз в условиях сниженной доступности первичной офтальмологической помощи на части территорий Российской Федерации, в том числе на доврачебном этапе.

1. Всемирный доклад о проблемах зрения. ВОЗ; 2017. https://www.who.int/ru/news/item/08-10-2019-who-launches-first-world-report-on-vision

2. Бекетова ТВ. Современная классификация системных васкулитов. Терапевтический архив. 2014;86(5):94–98.

3. Garrity JA. Ocular manifestations of small-vessel vasculitis. Clev. Clin. J. Med. 2012;79(3):31–33. doi: 10.3949/ccjm.79.s3.07.

4. Ausayakhun S, Louthrenoo W, Aupapong S. Ocular diseases in patients with rheumatic diseases. J. Med. Assoc. Thailand. 2002;85(8):855–862.

5. De Smit E, O’Sullivan E, Mackey DA, Hewitt AW. Giant cell arteritis: ophthalmic manifestations of a systemic disease. Graefes Archiv J. Ophthalmologie. 2016;254(12):2291–2306. doi: 10.1007/s00417-016-3434-7.

6. Шостак НА, Клименко АА. Системные васкулиты: новое в классификации, диагностике и лечении. Клиницист. 2015;9(2):8–12. doi: 10.17650/1818-8338-2015-9-2-8-12.

7. Butel N, Noel N, Touitou V, Champion E, Fardeau C, Phuc LeHoang P, Bodaghi B. Takayasu arteritis and ocular manifestations: about seven cases. Invest. Ophthalmol. Vis. Science. 2014;55:675.

8. Grasland A, Pouchot J, Hachulla E, Blétry O, Papo T, Vinceneux P. Typical and atypical Cogan’s syndrome: 32 cases and review of the literature. Rhumatology (Oxford). 2004;43(8):1007–1015. doi: 10.1093/rheumatology/keh228.

9. Matsuo T, Itami M, Nakagawa H, Nagayama M. The incidence and pathology of conjunctival ulceration in Behcet syndrome. Br. J. Ophthalmol. 2002;86(2):140– 143. doi: 10.1136/bjo.86.2.140.

10. Шейх ЖВ, Нуднов НВ, Кармазановский ГГ, Асланиди ИП, Дунаев АП. Системные васкулиты: возможности современной медицинской визуализации: учебное пособие. М.: Крафт+; 2019.

11. Ball G, Fessler J, Bridges S. Oxford textbook of vasculitis. UK: Oxford university press; 2014.

12. Nataraja A, Mukhtyar C, Hellmich B, Langford C, Luqmani R. Outpatient assessment of systemic vasculitis. Best Pract Res Clin Rheumatol. 2007;21(4):713–732. doi: 10.1016/j.berh.2007.01.004.

13. Нероев ВВ, Брагин АА, Зайцева ОВ. Разработка прототипа сервиса для диагностики диабетической ретинопатии по снимкам глазного дна с использованием методов искусственного интеллекта. Национальное здравоохранение. 2021;2(2):64–72. doi: 10.47093/2713069X.2021.2.2.64-72.

14. Koyama A, Miyazaki D, Nakagawa Y, Ayatsuka Y, Miyake H, Ehara F, Shin ichi Sasaki S-I, Shimizu Y, Inoue Y. Determination of probability of causative pathogen in infectious keratitis using deep learning algorithm of slit-lamp images. Scientific Reports. 2021;11:22642. doi: 10.1038/s41598-021-02138-w.

15. Zhang Z, Wang H, Shigeng W, Liang Q, Zhang Y, Wang Z, Chen K, Ou Z, Liang Q. Deep learning-based classification of infectious keratitis on slit-lamp images. Ther Adv Chronic Dis. 2022;13:0406223221136071. doi: 10.1177/20406223221136071.

16. Kuo MT, Hsu BW, Lin YS, Fang P-C, Yu H-J, Chen A, Yu M-S, Tseng VS. Comparisons of deep learning algorithms for diagnosing bacterial keratitis via external eye photographs. Sci Rep. 2021;11(1):24227. doi: 10.1038/s41598-021-03572-6.

17. Hung N, Shih AK, Lin C, Kuo M-T, HwangY-S, Wu W-C, Kuo C-F, Kang E-Y-C, Hsiao C-H. Using slit-lamp images for deep learning-based identification of bacterial and fungal keratitis: model development and validation with different convolutional neural networks. Diagnostics. 2021;11(7):1246.

18. Джулли А, Пал С. Библиотека Keras — инструмент глубокого обучения. М.: ДМК Пресс; 2017:294.

19. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016:770–778.

20. Faust O, Acharya RU, Ng EYK, Ng KH, Suri JS. Algorithms for the automated detection of diabetic retinopathy using digital fundus images: a review. Journal of Medical Systems. 2012;36(1):145–157. doi: 10.1007/s10916-010-9454-7.

21. Kirbas C, Quek F. A review of vessel extraction techniques and algorithms. ACM Computing Surveys (CSUR). 2004;36(2):81–121. doi: 10.1145/1031120.1031121.

22. Ricci E, Perfetti R. Retinal Blood Vessel Segmentation Using Line Operators and Support Vector Classification. IEEE Transactions on Medical Imaging. 2007;26(10):1357– 1365. doi: 10.1109/TMI.2007.898551.

23. Fraz MM, Remagnino P, Hoppe A, Uyyanonvara B, Rudnicka AR, Owenc CG. Blood vessel segmentation methodologies in retinal images—A survey. Computer Methods and Programs in Biomedicine. 2012;108(1):407–433. doi: 10.1016/j.cmpb.2012.03.009.

24. Chutatape O, Member S, Zheng L, Krishnan SM. Retinal blood vessel detection and tracking by matched Gaussian and Kalman filters. Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 1998;20(6):3144–3149.