Characterization of age-related ocular diseases in OCT images through deep learning techniques
| Autor: | García Fernández, Iván |
|---|---|
| Přispěvatelé: | Ortega Hortas, Marcos, Novo Buján, Jorge, Universidade da Coruña. Facultade de Informática |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | RUC. Repositorio da Universidade da Coruña instname |
| Popis: | [Abstract]: Age-Related Macular Degeneration (AMD) is the main cause of severe visual impairment and blindness in Europe, and its prevalence is expected to increase worldwide due to population aging. Optical Coherence Tomography (OCT) is a noninvasive retinal imaging technique that has become the standard of care in the diagnosis and monitoring of late AMD, where the great majority of severe symptoms are manifested. Neovascular late AMD, where new pathological blood vessels are formed that may leak fluid, often results in relatively rapid vision loss. Treatment exists for neovascular AMD, such that its detection and characterization plays a key role in patient outcomes. This project applies deep learning techniques to the task of AMD characterization. To do so, a data set of OCT scans labeled as to the presence of fluid and neovascularisation is used to train deep convolutional networks. Analysis of this initial experiment produced two hypotheses of performance limiting factors: intra-expert variability and data scarcity. The former was addressed through the development of a machine-assisted review process based on the Class Activation Mapping (CAM) interpretability technique. A small blinded trial was favorable to the methodology. The latter resulted in the adaptation of a large public data set to explore domain-specific transfer learning. [Resumo]: A Dexeneración Macular Asociada á Idade (DMAI) é a principal causa de discapacidade visual severa e cegueira en Europa, e espérase que a súa prevalencia aumente a nivel mundial debido ó envellecemento poboacional. A Tomografía de Coherencia Óptica (TCO) é un método non invasivo de imaxe retiniana que se converteu no estándar no diagnóstico e monitorización da DMAI tardía, onde se manifestan a maioría de síntomas graves. A DMAI tardía neovascular, onde se forman novos vasos sanguíneos patolóxicos que poden derramar fluído, a miúdo resulta en perda de visión de forma relativamente repentina. Existen tratamentos para a DMAI neovascular, de modo que a súa detección e caracterización xoga un papel crucial no prognóstico dos pacientes. Este proxecto aplica técnicas de aprendizaxe profunda á tarefa de caracterización de DMAI. Con ese fin, un conxunto de datos de TCO anotado en base á presenza de fluído e neovascularización foi empregado para entrenar redes convolucionais profundas. A análise deste experimento inicial produciu dúas hipóteses sobre factores que limitan o rendemento: a variabilidade intra-experto e a escaseza de datos. O primeiro foi afrontado mediante o desenvolvemento dun proceso de revisión de anotacións asistido por computadora, baseado na técnica de interpretabilidade Class Activation Mapping (CAM). Un pequeno estudo cego foi favorable á metodoloxía. A segunda hipótese resultou na adaptación dun gran conxunto de datos público para a exploración de transferencia de aprendizaxe específica ó dominio. Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022 |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|