Resumen de Diagnóstico de esclerosis múltiple mediante análisis de registros de tomografía de coherencia óptica y redes neuronales convolucionales entrenadas con imágenes sintéticas
- español
Antecedentes: La Esclerosis Múltiple (EM) es una enfermedad del sistema nervioso central altamente discapacitante y que se presenta con frecuencia en adultos jóvenes. Para su diagnóstico se utilizan los criterios de McDonald, basados principalmente en evidencias de resonancia magnética, estudio del líquido cefalorraquídeo y el estado clínico del paciente. Sin embargo es conveniente investigar nuevos biomarcadores que permitan un diagnóstico fiable y no invasivo en las primeras fases de la enfermedad, permitiendo de este modo el uso de tratamientos modificadores de la enfermedad, ya que puede suponer una mejor evolución de los pacientes.
Objetivos: El objetivo general de la presente tesis doctoral es investigar nuevos métodos de procesamiento y clasificación de imágenes de espesores de diferentes estructuras de la retina, obtenidas mediante Tomografía de Coherencia Óptica de fuente de barrido (SS-OCT) para conseguir un diagnóstico precoz de EM.
Métodos: Se dispone de imágenes de espesores de las siguientes estructuras de la retina: retina completa, RNFL, GCL+, GCL++ y coroides, adquiridas por un equipo SS-OCT, en una base de datos formada por 48 sujetos de control y 48 pacientes con EM de diagnóstico reciente. Para la identificación de las estructuras y de las regiones con mayor capacidad discriminante se utiliza el método Relieff de categorización de características. Como clasificador, se utiliza una Red Neuronal Convolucional (RNC), y para evitar problemas de sobreajuste, se generan imágenes sintéticas con Redes Generativas Antagónicas. La comprobación de los métodos de clasificación se realiza mediante validación cruzada dejando uno fuera.
Resultados: No existe diferencia significativa entre el grupo de control y el grupo de pacientes ni en edad ni en distribución entre sexos. Los pacientes han tenido un diagnóstico reciente (7,35 ± 1,95 meses). La aplicación del método Relieff detecta que las tres estructuras con mayor capacidad discriminante son GCL+, GCL++ y el espesor de la retina completa. Mediante las Redes Generativas Antagónicas se generan 100 imágenes SS-OCT sintéticas de sujetos de control y 100 imágenes SS-OCT de pacientes EM. Utilizando las imágenes originales en el clasificador RNC se obtiene una precisión de 0,968; en imágenes filtradas con el método Relieff la precisión de es 1,0 y utilizando las imágenes sintéticas para el entrenamiento de la RNC también es 1,0. Si se dispone únicamente del 50% de las imágenes originales, se comprueba la ventaja de disponer datos sintéticos para el entrenamiento de la RNC: la precisión aumenta de 0,66 a 0,96.
Conclusiones: Las alteraciones estructurales neurorretinianas en las primeras fases de la EM son adecuadas para implementar un sistema de ayuda al diagnóstico mediante una red neuronal convolucional con un excelente nivel de precisión.
- English
Background: Multiple sclerosis (MS) is a highly disabling central nervous system disease that frequently occurs in young adults. The cause of the disease is unknown, there is no biomarker for its diagnosis and there is no cure. The McDonald criteria are used for diagnosis, based mainly on MRI evidence, cerebrospinal fluid studies and the clinical status of the patient. However, it is convenient to investigate new biomarkers that allow a reliable and non-invasive diagnosis in the early stages of the disease, thus allowing the use of disease-modifying treatments, since this means a better evolution of the patients.
Objectives: The general objective of this doctoral thesis is to investigate new methods of processing and classifying thickness images of different retinal structures obtained by sweptsource optical coherence tomography (SS-OCT) to achieve an early diagnosis of MS.
Methods: Thickness images of the following retinal structures: whole retina, RNFL, GCL+, GCL++ and choroid, acquired by SS-OCT equipment, are available in a database consisting of 48 control subjects and 48 newly diagnosed MS patients. The Relieff method of feature categorization is used to identify the structures and regions with the highest discriminant capacity. A Convolutional Neural Network (CNN) is used as a classifier, and to avoid overfitting problems, synthetic images are generated with Generative Adversarial Networks. The validation of the classification methods is performed by cross-validation leaving one out.
Results: There is no significant difference between the control group and the group of patients neither in age nor in gender distribution. The patients have had a recent diagnosis (7.35 ± 1.95 months). The application of the Relieff method detects that the three structures with the highest discriminant capacity are GCL+, GCL++ and the thickness of the complete retina. Using Generative Adversarial Networks, 100 synthetic SS-OCT images of control subjects and 100 SSOCT images of MS patients are generated. Using the original images in the CNN classifier an accuracy of 0.968 is obtained; in filtered images with the Relieff method the accuracy is 1.0 and using the synthetic images for RNC training is also 1.0. If only 50% of the original images are available, the advantage of having synthetic data for the CNN training is proven: the accuracy increases from 0.66 to 0.96.
Conclusions: Neuroretinal structural alterations in the early stages of MS are suitable for implementing a diagnostic aid system using a convolutional neural network with an excellent level of accuracy.
