تولید مجموعه داده ساختگی برای تصاویر توموگرافی انسجام نوری دارای ناهنجاری تخریب ماکولای وابسته به سن

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده فناوری های نوین پزشکی، مرکز تحقیقات پردازش تصاویر و سیگنال های پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 مرکز تحقیقات چشم اصفهان، گروه چشم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: توموگرافی انسجام نوری نقش مهمی در چشم پزشکی دارد و آنالیز خودکار این تصاویر از اهمیت زیادی برخوردار است، نیاز به برچسب گذاری و بخش بندی دستی این دادگان توسط چشم پزشک و مشکل دیتای محدود یک چالش در زمینه تصاویر پزشکی است و به تعداد زیادی از آنها برای آموزش الگوریتم های مبتنی بر یادگیری عمیق و نیز ارزیابی عملکرد الگوریتم های پردازش تصویر نیاز است.
مواد و روش ها: داده های این طرح شامل مجموعه دادهOCT در حضور ناهنجاری شبکیه در بیماری تخریب ماکولای وابسته به سن ، اخذ شده از دستگاه AREDS2 Ancillary در دانشگاه دوک می باشد. برای آموزش الگوریتم از هفتاد Bاسکن که به طور تصادفی از مجموعه فوق انتخاب می شوند، استفاده میگردد. مدل شکل فعال برای تولید مرزهای مصنوعی بکار رفته است و تصاویر جدید مشابه شکل های مجموعه آموزش تولید می شوند.
یافته ها: با در نظر گرفتن ویژگی های آناتومیکی تصاویر موجود مانند تعداد و ضخامت لایه ها و همچنین روشنایی مربوط به آن ها، دادگانی با مشابهت بالا در حضور ناهنجاری تولید میگردند. برای ارزیابی نتایج داده های ساختگی توسط چشم پزشک مورد بررسی قرارگرفت.
نتیجه گیری: مدل پیشنهادی با استفاده از ویژگی های مهمی مانند مرز لایه های اصلی شبکیه و بافت تخریب شده در اثر بیماری، برای پر کردن خلا موجود در تولید داده های مصنوعیOCT درحضور ناهنجاری طراحی شده و میتواند به عنوان مجموعه داده برای آموزش الگوریتم های مبتنی بر یادگیری عمیق و همچنین ارزیابی عملکرد الگوریتم های بخش بندی مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Production of Synthetic Dataset for Optical Coherence Tomography Images with Age-Related Macular Edema

نویسندگان [English]

  • Raheleh Kafieh 1
  • Keivan Maghooli 2
  • Hajar Danesh 2
  • Alireza Dehghani 3
1 School of Advanced Technologies in Medicine, Medical Image and Signal Processing Research Center, Isfahan University of Medical Sciences, Isfahan, Iran
2 Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Isfahan Eye Research Center, Department of Ophthalmology, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Introduction: Today, retinal optical coherence tomography (OCT) plays an important role in ophthalmology and automated analysis of OCT images is very important, The need for labeled data and manual segmentation of these data by the ophthalmologist and limited labeled data are challenges in the field of medical imaging and a large number of labeled data is needed to train deep learning algorithms as well as to evaluate the performance of image processing algorithms.
Methods: The data of this project include OCT dataset in the presence of retinal abnormality in age-related macular degeneration disease, obtained from AREDS2 Ancillary device at Duke University. Seventy B scans that are randomly selected from the above set are used to train the algorithm. The active shape model is used to generate synthetic boundaries, and new images are produced similar to the shapes in the training set.
Results: Considering the anatomical features of the existing images such as the number and thickness of the layers as well as the brightness related to them, data with high similarity are produced in the presence of anomalies. Synthetic data were reviewed by an ophthalmologist to evaluate the results.
Conclusion: The proposed model is designed to fill the gap in the production of OCT Synthetic data in the presence of anomalies, using important features such as the boundary of the main layers of the retina and disease-damaged tissue, and can be used as a data set for training deep learning-based algorithms as well as performance of segmentation algorithms.

کلیدواژه‌ها [English]

  • Optical coherence tomography
  • synthetic data
  • age related macular degeneration
  • active shape model