Algorithm for the irido-corneal angle aperture grading in gonioscopic images

Gonioscopy is a pivotal diagnostic technique for examining ocular structures located between the iris and cornea. Among these structures, the trabecular meshwork is of particular importance as it regulates intraocular eye pressure by managing the outflow of aqueous humour from the anterior chamber. Consequently, it plays a crucial role in preserving the integrity of the optic nerve. Degeneration of this nerve is associated with two subtypes of glaucoma, namely open-angle and closed-angle, which may result in patient blindness if not properly diagnosed and treated in the early stages of the disease. The Nidek NGS-1 Gonioscope offers an alternative to manual gonioscopy, capturing multifocal digital images of the irido-corneal angle and facilitating automatic angle aperture classification. The present work focuses on the development of an algorithm for the classification of the irido-corneal angle aperture using data from the NGS-1 processing chain, augmented with novel image features. Moreover, it explores the integration of a depth map obtained from a novel Fourier-based approach, potentially enhancing both angle-aperture classification and other image processing algorithms within the device. Comparative analysis of various classification methods (SVM, Random Forest, XGBoost, ...) reveals that classifier outcomes are influenced by the quality of the training dataset, varying from 0.3 to 0.8 for the AUC ROC curve, and from 0.25 to 0.82 for the F1-score. The depth map algorithm, while showing potential accuracy even in challenging cases (e.g., synechiae), is not robust to outliers in gonioscopic images. Additionally, classifier performance does not significantly improve with depth map information. Instead, it leads to a decrease of 9.1% in AUC ROC and 9.3% in F1-score. These findings highlight the complexities of irido-corneal angle classification, emphasizing the critical need for refining the depth map calculation and enhancing feature extraction to address challenges posed by image outliers. Moreover, excluding poorly captured images, often indicative of suboptimal examinations, could substantially enhance classifier robustness.

La gonioscopia è una tecnica diagnostica in grado di ispezionare le strutture oculari tra l'iride e la cornea. La più importante di tali strutture è il trabecolato che controlla la pressione intraoculare regolando il deflusso dell'umore acqueo dalla camera anteriore e, pertanto, svolge un ruolo cruciale nella conservazione del nervo ottico. In particolare, la degenerazione di questo nervo è legata a due sottotipi di glaucoma, ovvero il glaucoma ad angolo aperto e quello ad angolo chiuso, che possono portare alla cecità del paziente se non vengono diagnosticati e trattati adeguatamente nelle prime fasi della malattia. Il gonioscopio Nidek NGS-1 offre un'alternativa alla gonioscopia manuale, acquisendo immagini digitali multifocali dell'angolo irido-corneale e facilitando la classificazione automatica dell'apertura dell'angolo. In questa prospettiva, il lavoro presente si concentra sullo sviluppo di un algoritmo per la classificazione dell'apertura dell'angolo irido-corneale utilizzando i dati provenienti dalla catena di elaborazione NGS-1, arricchita con nuove caratteristiche dell'immagine. Inoltre, esplora l'integrazione di una mappa di profondità ottenuta da un innovativo approccio basato su Fourier, che potrebbe migliorare sia la classificazione dell'apertura dell'angolo che altri algoritmi di elaborazione delle immagini all'interno del dispositivo. L'analisi comparativa di diversi metodi di classificazione (SVM, Random Forest, XGBoost, ...) rivela che i risultati della classificazione sono influenzati dalla qualità del dataset di training, variando da 0.3 a 0.8 per la curva ROC AUC e da 0.25 a 0.82 per l'F1-score. L'algoritmo della mappa di profondità, pur mostrando una potenziale accuratezza anche in casi critici (ad esempio sinechie), non è robusto alle difformità nelle immagini gonioscopiche. Inoltre, le prestazioni del classificatore non migliorano in modo significativo utilizzando le informazioni derivate dalla mappa di profondità. Al contrario, porta a una diminuzione del 9.1\% dell'AUC ROC e del 9.3\% dell'F1-score. Questi risultati sottolineano la complessità della classificazione dell'angolo irido-corneale, evidenziando la necessità fondamentale di affinare il calcolo della mappa di profondità e di migliorare l'estrazione di caratteristiche per affrontare le sfide poste dagli outlier dell'immagine. Inoltre, la robustezza del classificatore potrebbe migliorare sostanzialmente escludendo le di scarsa qualità, spesso indicative di esami non ottimali.