Sviluppo di un modello topologicamente accurato per la segmentazione semantica di immagini di gonioscopia digitale

Glaucoma is a family of optic neuropathies that can lead to blindness. A high correlation between high intraocular pressure and the risk of developing the disease has been demonstrated. To date, reducing pressure is the only effective way to prevent the disease or slow its progress. The region of the eye called iridocorneal angle is responsible for regulating intraocular pressure and is characterised by several layered anatomical structures whose topology is well defined a priori. Its evaluation is recommended by international guidelines for the prevention and diagnosis of glaucoma. However, the conventional analysis technique, called gonioscopy, is rarely practised as it is completely manual and therefore difficult to perform. The advent of new technologies such as the NIDEK GS-1 (NIDEK Co., LTD. Japan) has made it possible to automate many steps of traditional gonioscopy and to obtain digital images of the iridocorneal angle. In addition, the recent successes of machine learning algorithms realise the possibility of providing the physician with a tool that facilitates more accurate and faster diagnoses. As with other medical applications, semantic segmentation of digital images of the angle appears to be an advantageous approach to support clinicians and, potentially, other analysis algorithms. Obtaining this information automatically would, according to experts, be of great help in assessing risk factors related to the onset of the disease and in determining its category when already diagnosed. Reference models for semantic segmentation of natural images generally do not require constraints on the order of their outputs. In contrast, in some medical applications, e.g., in the semantic segmentation of retinal images acquired with an OCT device, order is clinically relevant and some studies have investigated techniques to take into account anatomical topology known a priori. However, such models cannot be directly applied to the case of gonioscopic images due to profound differences in the data. For example, while in OCT retinal images the layers of the retina are always visible, the three-dimensionality of the iridocorneal angle region can cause partial or total occlusion of some of its layers in gonioscopy images. The aim of this thesis is to assess the feasibility of developing a deep learning model that, taking as input the iridocorneal angle images acquired with a NIDEK GS-1, returns as output a topologically accurate semantic segmentation of their anatomical layers. The developed model takes inspiration from the work of He et al. 2018 on OCT retinal images. This model, composed of two separately trained networks, maintains the correct image topology by encoding the heights of each structure present as an ordered sequence of non-negative numbers. This model, however, proved unsuitable for handling the differences between OCT retinal images and digital gonioscopy images. Therefore, in this work, alternative configurations were tested, initially trained on synthetic images compatible with the real topology, as suggested by the original paper. A refinement phase was then carried out by testing the serial and simultaneous training of the two parts of the model on real gonioscopy images, from which the heights of the anatomical regions were previously extracted. The results show that despite a limited number of annotated images, it was possible to develop a model that respects the topological order of the anatomical structures present with a segmentation accuracy of over 80%. However, further research is still needed to be able to refine this type of model and obtain more reliable results.

Il glaucoma è una famiglia di neuropatie ottiche che possono portare alla cecità.È stata dimostrata un’alta correlazione tra un’elevata pressione intraoculare e il rischio di insorgenza della patologia.Ad oggi, ridurre la pressione è l’unico modo efficace di prevenire la malattia o rallentarne l’avanzamento.La regione dell’occhio chiamata angolo iridocorneale è deputata alla regolazione della pressione intraoculare ed è caratterizzata da diverse strutture anatomiche stratificate,la cui topologia è ben definita a priori.La sua valutazione è raccomandata da linee guida internazionali per la prevenzione e diagnosi del glaucoma.Tuttavia,la tecnica di analisi convenzionale,detta gonioscopia,è raramente praticata essendo completamente manuale e,pertanto,di difficile esecuzione.L’avvento di nuove tecnologie,come il NIDEK GS-1 (NIDEK Co., LTD. Japan) ha permesso di automatizzare molte fasi della gonioscopia tradizionale e di ottenere immagini digitali dell’angolo iridocorneale.Inoltre,i recenti successi degli algoritmi di apprendimento automatico concretizzano la possibilità di affiancare al medico uno strumento che faciliti diagnosi più precise e veloci.Come accade per altre applicazioni mediche,la segmentazione semantica di immagini digitali dell’angolo,sembra un approccio vantaggioso al supporto dei clinici e,potenzialmente,di altri algoritmi di analisi.Ottenere questa informazione automaticamente sarebbe,secondo gli esperti,di grande aiuto nel valutare i fattori di rischio correlati all’insorgenza della malattia e a determinarne la categoria ove già diagnosticata.I modelli di riferimento per la segmentazione semantica di immagini naturali non necessitano,in generale,di vincoli sull’ordine dei loro output.Contrariamente,in alcune applicazioni mediche,e.g.,nella segmentazione semantica di immagini retiniche acquisite con dispositivo OCT,l’ordine è clinicamente rilevante e alcuni studi hanno investigato tecniche per tenere conto della topologia anatomica nota a priori.Tuttavia, tali modelli non possono essere applicati direttamente al caso delle immagini gonioscopiche per via di profonde differenze nei dati.Per esempio,mentre nelle immagini retiniche OCT gli strati della retina sono sempre visibili,la tridimensionalità della regione dell’angolo iridocorneale può causare l’occlusione parziale o totale di alcuni dei suoi strati nelle immagini di gonioscopia.L’obbiettivo della tesi è quello di valutare la fattibilità dello sviluppo di un modello di deep learning che,prese in input le immagini di angolo iridocorneale acquisite con un NIDEK GS-1,restituisca in output una segmentazione semantica topologicamente accurata dei loro strati anatomici.Il modello sviluppato prende ispirazione dal lavoro di He et al. 2018 su immagini retiniche OCT.Questo modello,composto da due reti allenate separatamente,mantiene la corretta topologia delle immagini codificando le altezze di ciascuna struttura presente come una sequenza ordinata di numeri non negativi.Tale modello,tuttavia,è risultato inadatto a gestire le differenze esistenti tra immagini retiniche OCT e immagini di gonioscopia digitale.Pertanto,in questo lavoro,si sono testate configurazioni alternative,allenate inizialmente su immagini sintetiche compatibili con la topologia reale,come suggerito dal paper originale.Si è poi proceduto ad una fase di affinamento testando l’allenamento in serie ed in simultanea delle due parti del modello sulle immagini reali di gonioscopia,dalle quali sono state precedentemente estratte le altezze delle regioni anatomiche presenti.I risultati mostrano come,nonostante un numero limitato di immagini annotate,sia stato possibile sviluppare un modello che rispetti l’ordine topologico delle strutture anatomiche presenti con una accuratezza di segmentazione superiore all’80%.Risulta comunque necessaria ulteriore ricerca per poter affinare questo tipo di modelli ed ottenere risultati più affidabili.