Beruflich Dokumente
Kultur Dokumente
La degeneración macular relacionada con la edad (DME) se define como una enfermedad
degenerativa del epitelio pigmentario de la retina y es una de las principales causas de discapacidad
visual en todo el mundo.1 Se subdivide clínicamente en tres etapas: temprana, intermedia y tardía2.
Las características iniciales de la DME son pequeñas-medianas drusas, mientras que en las DME
intermedias las drusas son grandes (‡ 125 lm) y pueden estar acompañadas de anormalidades hiper
o hipopigmentarias. La DME tardía representa la forma más avanzada asociada con una morbilidad
visual significativa y se presenta como dos subtipos: atrofia geográfica o DME neovascular.
La evaluación precisa de la DME se complica aún más con el advenimiento de múltiples modalidades
avanzadas de imágenes que ahora están ampliamente disponibles para la evaluación clínica y el
diagnóstico diferencial de la estructura macular (tomografía de coherencia óptica, imágenes
infrarrojas, fotografía monocromática de retina, azul, rojo o imágenes filtradas en verde y
autofluorescencia del fondo). Estas tecnologías permiten una detección más temprana y más
precisa de la enfermedad al proporcionar datos de fenotipo detallados con alta sensibilidad. Sin
embargo, cada modalidad de imagen también está plagada de una variedad de ventajas y
limitaciones específicas. Por ejemplo, las imágenes infrarrojas tienen la sensibilidad más alta para
pseudodrusen reticular, aunque pueden no proporcionar la misma información pronóstica que la
autofluorescencia del fondo de ojo.
Un enfoque computacional que integre los hallazgos de múltiples modalidades podría ayudar a
identificar marcadores sólidos del estado de la enfermedad con mayor consistencia. Esto podría
resolver el problema de identificar áreas de regresión drusen al enfatizar el cambio dentro de una
determinada firma. Varios estudios de clasificación de imágenes digitales ya han explorado diversas
técnicas automáticas y semiautomatizadas para el cribado de DME. Sin embargo, relativamente
pocos han considerado utilizar un enfoque de reconocimiento de patrones basado en píxeles para
integrar los resultados de las modalidades comerciales disponibles actualmente en DME intermedio.
Por lo tanto, el objetivo de este estudio fue desarrollar y aplicar un enfoque computacional
(reconocimiento de patrones multiespectrales) para clasificar estadísticamente las características
espectrales de los ojos y lesiones normales en la DME, y posteriormente evaluar su utilidad clínica
frente a la calificación experta.
MÉTODOS
Este fue un estudio de diagnóstico retrospectivo de 36 ojos de 20 pacientes con DME intermedia
que asistieron al Centro de Salud ocular para una evaluación macular en 2015 (Fig. S1
suplementaria). El Centro de Salud de la Vista es un establecimiento de atención oftálmica de nivel
intermedio que proporciona una imagen visual y sistema de servicios de diagnóstico, que opera
principalmente como un servicio a los profesionales de salud ocular en la práctica comercial para
que puedan administrar de manera óptima a sus pacientes.
Preprocesamiento de imagen
Las imágenes se alinearon manualmente por primera vez usando ocho puntos de referencia de
bifurcación de vasos sanguíneos en ir-tweak (https://www.sci.utah.edu/download/ncrtoolset/;
proporcionado en el dominio público por el Instituto de Cálculos e Imágenes Científicas de la
Universidad de Utah, Salt Lake City, UT, EE. UU.), El fondo se corrigió restando la imagen difuminada
gaussiana del original en ImageJ (https://imagej.nih.gov/ij/; proporcionado en el dominio público
por los Institutos Nacionales de Salud, Bethesda, MD, EE. UU.), Con contraste mejorado y
enmascarado para eliminar áreas más allá de la mácula (Fig. 1B, panel 1). Las fotografías del fondo
de color de referencia (cámara de retina Kida WX 3D no midriática, Kowa, Nagoya, Japón) también
se registraron y enmascararon. No se realizaron más manipulaciones en las fotografías en color. Las
tres imágenes preprocesadas IR815nm, Green532nm y FAF se asignaron a los canales rojo, verde y
azul, respectivamente, y se evaluaron preliminarmente cualitativamente en formato triplete rgb
utilizando la función de canales fusionados en ImageJ (figura 1B, panel 2).
Reconocimiento de patrones multiespectrales
El análisis digital multiespectral utiliza los datos espectrales de cada píxel en una serie de imágenes
generadas mediante el uso de bandas estrechas de luz en varias longitudes de onda de imagen. Las
diferentes longitudes de onda penetran el fondo a diferentes profundidades y por lo tanto
diferentes modalidades contienen información única sobre las características y localización de la
lesión.28 Los valores de píxel (desde 0 a 255 para una imagen de 8 bits) de cada unidad en una
imagen se clasifican en clases de tema espectral comunes y los resultados generados mediante el
uso de un mapa de pseudocolor temático o imagen clasificada. El significado clínico de estas clases
se puede determinar a posterior.
Las imágenes en escala de grises, IR815nm preprocesado, Green532nm y FAF de cada ojo se
clasificaron automáticamente mediante análisis de clúster K-means no supervisados y software de
imágenes satelitales disponible comercialmente (http://www.pcigeomatics.com/; proporcionado
en el dominio público por PCI Remote Sensing, Markham, Ontario, Canadá) con los siguientes
parámetros: 16 clases máximas, 16 iteraciones máximas y un umbral mínimo de 0,01 (figura 1B,
panel 3). Los principios del análisis de conglomerados se han descrito en otra parte. Aunque se
exploraron otros algoritmos y parámetros de agrupamiento, describimos aquí la mejor combinación
según lo juzgado por los autores, utilizando una comparación simultánea con la fotografía del fondo
de referencia (Figuras complementarias S2). La separabilidad de clase se calculó utilizando la
divergencia transformada (DT; algoritmo KCLUS, detección remota PCI), como se describió
previamente. Brevemente, DT describe un método para calcular la separabilidad o diferencia
estadística (clasificación correcta) entre las firmas espectrales. Se deriva de la medición de la
diferencia en los valores de píxel entre todos los pares de un número predefinido de grupos. Las
medidas DT se presentan como un valor entre cero y dos: cero indica exactitud de clasificación
extremadamente pobre o superposición entre firmas de dos clases, mientras que dos indica
separación completa entre las dos clases (análoga al 100% de precisión de clasificación). La teoría
de reconocimiento de patrones se desarrolló originalmente para el análisis de imágenes satelitales
y abarca el análisis de clustering y las pruebas para la separabilidad del clúster. Los índices de
separabilidad de clúster incluyen DT, que es efectivamente similar a los índices de separabilidad
informados por la teoría de detección de señal univariante utilizada en psicología, pero DT puede
informar la separabilidad en el espacio dimensional N. Un mayor valor de separabilidad equivale a
una mejor precisión de clasificación, y la estadística es resistente a las desviaciones relativamente
grandes de la normalidad. Aumentar la cantidad de canales de datos solo aumenta el valor de la
estadística si el canal adicional contribuye a una mayor separabilidad.
Cada aplicación de análisis de conglomerados dio como resultado una imagen clasificada, o un mapa
de pseudocolor, mediante el cual un matiz representa una clase única o firma espectral. Las dos
clases con la separabilidad más baja se combinaron y el proceso se repitió hasta que se alcanzó un
valor mínimo de corte DT entre todas las clases. Investigamos la utilidad diagnóstica del
reconocimiento de patrones multiespectrales no supervisados utilizando tres criterios de criterio de
valoración: DT igual a 1.5, 1.7 o 1.9, lo que se traduce en> 83%,> 90% y> 98% de probabilidad de
clasificación correcta, respectivamente ( Fig. 1C) .32 El resultado final es una imagen clasificada
estadísticamente robusta derivada del reconocimiento de patrones multiespectrales para cada ojo.
Para evaluar la precisión diagnóstica de las imágenes clasificadas, se definió una verdad
fundamental utilizando dos expertos clínicos (optometristas altamente capacitados con más de 15
años de experiencia optométrica combinada, con 8 años brindando servicios de diagnóstico por
imágenes oculares en un entorno de atención colaborativa de optometría y oftalmología). Los
evaluadores anotaron manualmente 36 fotografías de fondo de color para todas las drusas visibles
(1) grandes, (2) anomalías hiperpigmentarias y (3) anomalías hipopigmentarias (hasta un máximo
de 20 instancias cada una), utilizando el complemento Cell Counter en ImageJ. Los clasificadores
también anotaron otras 20 ubicaciones, cada una de las cuales indica vasos sanguíneos y
antecedentes. A los evaluadores no se les informó sobre el diagnóstico de ninguno de los ojos del
estudio, pero se les indicó que usaran las definiciones de las lesiones de la iniciativa Beckman. Se
añadieron círculos de clasificación Drusen C0 (diámetro de 63 ml) y C1 (diámetro de 125 ml) a cada
imagen con fines comparativos. Los desacuerdos entre los dos grados fueron resueltos por un
alumno de tercer grado (AL). El diez por ciento de todas las anotaciones también fueron confirmadas
por un especialista en retina médica (NA). Los hallazgos de la tomografía de coherencia óptica no se
consideraron durante la clasificación; sin embargo, las imágenes seleccionadas se incluyen en este
artículo con fines ilustrativos. Para las imágenes clasificadas, cada clase se clasificó manualmente
como una lesión DME (coincidente predominantemente con drusas grandes, anormalidades hiper
o hiperpigmentarias) o clase de fondo (vasos sanguíneos o de fondo).
En las imágenes clasificadas, los ojos sin una clase identificable de lesión por DME se consideraron
poco clasificados y excluidos del análisis de sensibilidad (5/36, 14%; el ejemplo de caso se muestra
en la Fig. 2C y se describe en los Resultados), lo que arroja un total de 1693 anotaciones en 31 ojos
con DME intermedio. Luego se compararon las imágenes clasificadas y la fotografía de referencia
del fondo de color anotado para los 31 ojos por concordancia y acuerdo. Se calcularon los
verdaderos positivos de las lesiones (que por simplicidad describimos como sensibilidad) y los
verdaderos negativos (especificidad) (Fig. 1D).
RESULTADOS
En el grupo normal, había tres mujeres, tres caucásicos y dos asiáticos con edades comprendidas
entre 60 y 66 años (Tabla 1). Las imágenes maculares de ojos normales y sanos se caracterizaron
por una diversidad espectral relativamente baja, es decir, una mayor uniformidad en las imágenes
de entrada en escala de grises (figura 2A). Por lo tanto, las imágenes rgb mostraron una gama
mínima de colores o diversidad de fenotipos. Comparativamente, los ojos con AMD mostraron una
apariencia más diversa en las imágenes clasificadas (Fig. 2B). Los artefactos de imagen se
identificaron como una firma única (Figuras 2A, 2B).
Los participantes de DME fueron predominantemente mujeres (13/20, 65%), caucásicas (17/20,
85%), con edades comprendidas entre 56 y 82 años. Tres pacientes eran asiáticos (3/20, 15%). En
las imágenes clasificadas de reconocimiento de patrones multiespectrales (también descritas como
mapas de pseudocolor), cada firma espectral separable se identificó por un color distinto. Las
imágenes de AMD bien clasificadas mostraron una colocalización notable con la distribución y
posición de las drusas y otras lesiones de DME, mientras que los ojos poco clasificados no lo hicieron
(es decir, la Fig. 2B frente a la Fig. 2C). Este último típicamente también muestra una relación señal
/ ruido inherente más baja (relación de brillo a la oscuridad de las lesiones DME a pesar del
preprocesamiento) en las imágenes de entrada, lo que sugiere que el resultado podría ser una
limitación de las modalidades de entrada. Por cierto, las imágenes triples rgb también fueron un
medio útil para validar la precisión del registro de imágenes. El registro deficiente normalmente
apareció como kerf35 alrededor de los vasos sanguíneos en la imagen rgb y donde realineamiento
visible e impulsado.
A través del conjunto de datos de DME, el número de firmas espectrales únicas (colores en los mapas
de pseudocolor) en DME intermedio varió entre 2 y 11 (Tabla 2). La precisión de clasificación para
las anotaciones de DME varió entre 79% y 100% para cada ojo y dependió de la apariencia
subyacente de las lesiones de DME en las imágenes compuestas. Un punto final DT más estricto, es
decir, más alto, se asoció con una discriminación más pobre de las lesiones. En consecuencia, el
criterio DT 1.5 (> 83% de probabilidad de clasificación correcta) mostró la mayor utilidad de
diagnóstico. En ese conjunto de clasificación, 1543 de 1693 anotaciones se clasificaron
correctamente (91% de acuerdo). Dos anotaciones no pudieron clasificarse debido a la convolución
por artefactos de imagen. Las drusas grandes, las anormalidades hiperpigmentarias y las
anormalidades hipopigmentarias se discriminaron de forma concordante en el 75%, 68% y 75% de
todas las instancias anotadas, respectivamente, produciendo una sensibilidad global del 74% para
las lesiones de DME. En comparación, la precisión de clasificación de los vasos sanguíneos y el fondo
fue mayor al 99% y al 96%, respectivamente, lo que concuerda con una especificidad del 98% (Tabla
1). Sin excluir los ojos poco clasificados (n = 5), las anotaciones de 1743/1932 se clasificaron
correctamente, lo que arroja una sensibilidad y especificidad globales del 68% y del 98%,
respectivamente. Se realizó un análisis adicional para determinar si el número de muestras de cada
ojo afectaba las proporciones globales utilizadas para calcular la sensibilidad, por ejemplo, sesgar el
resultado. No hubo una correlación estadísticamente significativa (P = 0.49) entre el porcentaje de
clasificación correcta y el número de anotaciones de lesión de DME a nivel de ojo.
Las drusas grandes en cada entrada, la imagen en escala de grises, por lo general, parecían más
brillantes que la señal de fondo, especialmente en las imágenes Green532nm y FAF (Fig. 4) y, por
consiguiente, aparecía verdes o azul verdosas en las imágenes rgb. Curiosamente, las drusas a
menudo se colocalizan con más de una clase de tema en un ojo, incluidos los cambios dentro o
alrededor de las drusas (firmas intra o perilesionales en 18 ojos, Fig. 4B). Ocasionalmente, se
descubrieron varias clases representadas por varias pseudocolors a través de drusas (tanto dentro
como entre unidades en el rgb e imágenes clasificadas), que recuerdan a la diversidad de drusas
(Fig. 4C). Antes del reconocimiento del patrón, estas drusas parecían similares en las imágenes del
fondo de ojo. Las tres firmas diferentes relacionadas con drusas en la Figura 4C se correlacionaron
con las diferencias en la reflectividad interna de las drusas y en la integridad de la zona elipsoide del
segmento interno que cubre las drusas.
Si es separable, las anormalidades pigmentarias se asignaron típicamente a una sola clase (Fig. 5).
Las anomalías hiperpigmentarias aparecieron brillantes en IR815nm y las imágenes FAF aunque
oscuras (disminución de la reflectividad, aumento de la absorción) en las imágenes Green532nm,
haciéndolas rosa brillante en las imágenes rgb (Figuras 5A, 5B). Las anormalidades hipopigmentarias
aparecieron menos comúnmente de todas las lesiones de DME (en tres ojos solamente, según se
basa en la anotación de expertos) y, cuando estaban presentes, parecían azul-verdosas en rgb (Fig.
5C). La falta de separabilidad se produjo dos veces y puede estar relacionada con la convolución por
drusas subyacentes.
DISCUSIÓN
La fuerza de este estudio radica en su capacidad para integrar objetiva y cuantitativamente los
hallazgos únicos de las modalidades de imágenes múltiples. En particular, este método pareció
capitalizar las ventajas de escanear la oftalmoscopía láser, a saber, alto contraste, promediación y
discriminación de profundidad (sección óptica axial). Evaluar el número finito de colores en el mapa
pseudocolor de salida es más simple que evaluar múltiples imágenes y, por lo tanto, es susceptible
de interpretación por parte de personas inexpertas, lo que podría acortar el tiempo y los recursos
necesarios para la calificación. Los resultados de imágenes de entrada también fueron bien
tolerados en las modalidades presenciales que se pueden adquirir sin dilatar.
Los pasos que permitieron la clasificación útil de la arquitectura retinal dependieron de (1) registro
preciso de la imagen, (2) preprocesamiento, incluida la corrección del pseudo retroceso y los pasos
de mejora del contraste, (3) enmascaramiento apropiado de las áreas no máximas y (4) el enfoque
de clasificación no supervisada. Las imágenes no procesadas fueron ampliamente propensas a falsas
clasificaciones confundidas por firmas no máximas, variaciones fisiológicas en la visibilidad de la
vasculatura coroidal, diferencias en la pigmentación del fondo (Fig. S1 complementaria) y
diferencias de gradiente de intensidad de fondo en la imagen (dependiendo de las condiciones de
adquisición). Al comenzar con un gran número predefinido de clases y fusionarse hacia abajo, la
imagen final clasificada también apareció clínicamente más significativa que la imagen generada al
predeterminar un número de clases fijo más pequeño (Figura complementaria S2).
Nuestro estudio confirmó que los tipos de tejido en la retina tienen una firma espectral identificable.
En combinación con el contexto espacial, estas firmas pueden ayudar en la detección y diagnóstico
de enfermedades, incluidas características sub o preclínicas (las que preceden o no cumplen los
criterios clínicos estándar para la enfermedad, por ejemplo, cambios dinámicos en la regeneración
de rodopsina) o para rastrear la progresión de la enfermedad (Fig. S3 suplementaria). La luz
entregada a los tejidos oculares experimenta fluorescencia, dispersión y absorción, principalmente
por lipofuscina, hemoglobina, melanina y agua. El pigmento macular y la vasculatura coroidal de
nuestra serie nunca se identificaron como firmas espectrales separadas, probablemente debido a la
etapa de corrección de fondo en el preprocesamiento. Un hallazgo adicional fue que las drusas con
mayor frecuencia se discriminaban con precisión que las anormalidades pigmentarias.
Esto puede relacionarse con dificultades en la clasificación y las características de estas diferentes
lesiones en la imagen de componentes: drusas aparecen brillantes en todas las modalidades con un
pico de reflectancia que se aproximan a 560 nm, de 43 años, mientras que las anormalidades
pigmentarias aparecen oscuras (debido a la absorción) a la luz verde. Estudios previos han
demostrado también que la melanina absorbe mejor la luz entre 450- y longitud de onda de 700
nm, aunque la luz gama 450- a 600-nm también puede ser absorbido por otros componentes
oculares.
Como se ilustra en la Figura 4, nuestro método también parece discriminar subtipos de drusas, que
pueden relacionarse con la integridad de las capas de retina externas superpuestas y, por lo tanto,
pueden correlacionarse con el riesgo de atrofia. Nuestras observaciones de firmas espectrales
perilesionales únicas pueden representar una limitación en el registro de la imagen, es decir, áreas
residuales de corte. Alternativamente, puede sugerir una extensión profética de la enfermedad. Por
ejemplo, las firmas separables que se encuentran justo dentro de los márgenes de las drusas podrían
reflejar las características confusas del borde o la distorsión mecánica de la retina por las drusas
suaves. Por lo tanto, elegimos no eliminar estas firmas en el análisis final.
Al igual que con todas las imágenes, la metodología presentada en las secciones anteriores debe
verse como un complemento en lugar de un reemplazo de imágenes y funduscopia tradicionales.
Este artículo informa sobre un estudio de prueba de concepto y se beneficiará del trabajo futuro
utilizando una muestra de replicación de mayor tamaño. Las tres modalidades (imágenes
estructurales) incluidas fueron elegidas por su disponibilidad comercial inmediata. La sensibilidad
de nuestra técnica también se puede mejorar variando el número y / o tipo de canales de entrada
(bandas espectrales) en el algoritmo, como imágenes en cara de estudios de colorantes, FAF
infrarrojo cercano, tomografía láser de barrido o un multiespectral dedicado dispositivo de imagen.
Este estudio evaluó el aspecto y la separabilidad de la firma espectral de las lesiones típicas DME
intermedias (aquellas que son hiperreflexivas en las imágenes de entrada) solo en ojos asiáticos y
caucásicos, y no consideró información espacial o lesiones de otras etapas (pseudodruseno
reticular, atrofia geográfica, signos de la DME neovascular) o etnicidades. La "verdad fundamental"
se estableció a través de la opinión consensuada de expertos clínicos. Aunque esos alumnos fueron
enmascarados para el diagnóstico de los ojos, se les ordenó anotar cada ojo para detectar lesiones
de acuerdo con la iniciativa de Beckman para la escala de clasificación clínica de investigación
macular. En consecuencia, algunos prejuicios fueron inevitables.
CONCLUSIONES
Este trabajo representa un novedoso estudio de prueba de concepto que demuestra que el
reconocimiento de patrones multiespectrales no supervisados se puede utilizar para clasificar las
imágenes del fondo en la DME intermedia y tiene aplicaciones para mejorar nuestra comprensión
de los fenotipos en la DME e identificar la progresión de la enfermedad. Esta forma de análisis de
imágenes pudo identificar con precisión las lesiones de DME con alta especificidad y finalmente
podría incorporarse en una herramienta de diagnóstico totalmente automatizada o sistema de
apoyo para la toma de decisiones clínicas adecuado para DME y otras enfermedades, en entornos
no especializados y telemedicina para facilitar la detección temprana y detección oportuna de
enfermedades oculares
Expresiones de gratitud
Los autores agradecen a Erica Fletcher y Laura Downie por el asesoramiento técnico relacionado
con el reconocimiento de patrones, Robert Marc y Rebecca Pfeiffer por su asesoramiento técnico y
acceso al programa de registro de imágenes de la Universidad de Utah (Lindt-Moore), Lindsay
Moore y Elizabeth Wong por realizar la calificación AMD y Tyson Xu para soporte técnico. Apoyado
en parte por una beca del Programa de Capacitación en Investigación del Gobierno de Australia y
una Beca del Consejo Nacional de Investigación Médica y de Salud (NHMRC) (No. 1033224). Guide
Dogs NSW / ACT es socio de la subvención NHMRC y también proporcionó una beca de doctorado
suplementaria para AL y apoyo para LN-S. Divulgación: A. Ly, P; L. Nivision-Smith, P; N. Assaad,
Ninguno; M. Kalloniatis, P