Personalized Atrophy Risk Mapping in Age-Related Macular Degeneration
Details
State: Public
Version: After imprimatur
License: Not specified
Serval ID
serval:BIB_4E494FB79E45
Type
PhD thesis: a PhD thesis.
Collection
Publications
Institution
Title
Personalized Atrophy Risk Mapping in Age-Related Macular Degeneration
Director(s)
Mantel Irmela
Institution details
Université de Lausanne, Faculté de biologie et médecine
Publication state
Accepted
Issued date
2022
Language
english
Abstract
Introduction
La dégénérescence maculaire liée à l’âge est la première cause de malvoyance dans les pays développés. Les formes atrophiques représentent environ un tier des cas et il n’existe à l’heure actuelle aucun traitement validé pour cette affection. La progression de l’atrophie est très variable selon les patients ; établir un profil de progression personnalisé reste un défi inaccompli.
Le but de cette étude était de développer et valider un modèle automatisé de prédiction de la progression de l’atrophie de la rétine externe et de l’épithélium pigmentaire (RORA) dans la dégénérescence maculaire liée à l’âge de forme non-exsudative, basé sur des scans de tomographie en cohérence optique (OCT).
Méthodes
Les données longitudinales d’OCT de 129 yeux/119 patients avec RORA ont été collectés et séparés en groupes entraînement et test. Une segmentation automatique de l’atrophie a été effectuée sur tous les scans. Dans le groupe test, une segmentation manuelle de l’atrophie a également été réalisée. Des données OCT du groupe entraînement ont été utilisées pour alimenter un réseau neuronal profond, à savoir les épaisseurs des différentes couches rétiniennes, la réflectivité des
différentes couches rétiniennes, ainsi qu’une carte d’épaisseur des drusen. À l’aide de tous ces éléments, une fonction approximant la progression de l’atrophie a été établie, ce qui a permis
l’élaboration de profils continus de progression. Les performances de l’algorithme ont ensuite été évaluée dans le groupe test, soit à partir de l’OCT baseline, soit à partir de l’OCT de la visite précédente pour chaque visite. Les performances de l’algorithme ont été quantifiée à l’aide de coefficient de Dice, ainsi que la racine carrée de l’aire erronée.
Résultats
Le coefficient de Dice moyen pour la segmentation à la baseline était de 0.85. Lors de prédiction à partir de l’OCT baseline, les coefficients de Dice étaient compris entre 0.73 et 0.80 pour la surface totale de RORA avec une tendance à une diminution des performances avec l’augmentation de
l’intervalle. Les coefficients de Dice basés uniquement sur les régions de progression de RORA étaient compris entre 0.46 et 0.72, avec une tendance à une augmentation des performances avec l’augmentation de l’intervalle. La racine carrée de l’aire erronée était comprise entre 0.13 mm et 0.33 mm.
En utilisant la précédente visite pour prédire l’atrophie de la visite suivante, les coefficients de Dice étaient plus constants dans le temps, avec des valeurs >0.83 pour la surface totale de RORA et des valeurs comprises entre 0.44 et 0.64 pour la croissance de RORA. La racine carrée de surface erronée était comprise entre 0.16 et 0.21 mm.
Grâce à la prédiction continue d’un point de vue temporel, le modèle a permis la création de carte de risque spécifique à chaque patient.
Conclusion
Nous avons développé une méthode de prédiction de la progression de l’atrophie par apprentissage automatique qui permet une prédiction de façon continue dans le temps. Cela nous a permis de calculer des cartes de risque d’atrophie qui indique le temps jusqu’à la conversion en RORA. Cette manière de représenter l’information est non seulement nouvelle, mais également pertinente dans la pratique clinique.
--
Purpose: To develop and validate an automatic retinal pigment epithelial and outer retinal atrophy (RORA) progression prediction model for nonexudative age-related macular degeneration (AMD) cases in optical coherence tomography (OCT) scans.
Methods: Longitudinal OCT data from 129 eyes/119 patients with RORA was collected and separated into training and testing groups. RORA was automatically segmented in all scans and additionally manually annotated in the test scans. OCT-based features such as layers thicknesses, mean reflectivity, and a drusen height map served as an input to the deep neural network. Based on the baseline OCT scan or the previous visit OCT, en face RORA predictions were calculated for future patient visits. The performance was quantified over time with the means of Dice scores and square root area errors.
Results: The average Dice score for segmentations at baseline was 0.85. When predict- ing progression from baseline OCTs, the Dice scores ranged from 0.73 to 0.80 for total RORA area and from 0.46 to 0.72 for RORA growth region. The square root area error ranged from 0.13 mm to 0.33 mm. By providing continuous time output, the model enabled creation of a patient-specific atrophy risk map.
Conclusions: We developed a machine learning method for RORA progression predic- tion, which provides continuous-time output. It was used to compute atrophy risk maps, which indicate time-to-RORA-conversion, a novel and clinically relevant way of representing disease progression.
Translational Relevance: Application of recent advances in artificial intelligence to predict patient-specific progression of atrophic AMD.
La dégénérescence maculaire liée à l’âge est la première cause de malvoyance dans les pays développés. Les formes atrophiques représentent environ un tier des cas et il n’existe à l’heure actuelle aucun traitement validé pour cette affection. La progression de l’atrophie est très variable selon les patients ; établir un profil de progression personnalisé reste un défi inaccompli.
Le but de cette étude était de développer et valider un modèle automatisé de prédiction de la progression de l’atrophie de la rétine externe et de l’épithélium pigmentaire (RORA) dans la dégénérescence maculaire liée à l’âge de forme non-exsudative, basé sur des scans de tomographie en cohérence optique (OCT).
Méthodes
Les données longitudinales d’OCT de 129 yeux/119 patients avec RORA ont été collectés et séparés en groupes entraînement et test. Une segmentation automatique de l’atrophie a été effectuée sur tous les scans. Dans le groupe test, une segmentation manuelle de l’atrophie a également été réalisée. Des données OCT du groupe entraînement ont été utilisées pour alimenter un réseau neuronal profond, à savoir les épaisseurs des différentes couches rétiniennes, la réflectivité des
différentes couches rétiniennes, ainsi qu’une carte d’épaisseur des drusen. À l’aide de tous ces éléments, une fonction approximant la progression de l’atrophie a été établie, ce qui a permis
l’élaboration de profils continus de progression. Les performances de l’algorithme ont ensuite été évaluée dans le groupe test, soit à partir de l’OCT baseline, soit à partir de l’OCT de la visite précédente pour chaque visite. Les performances de l’algorithme ont été quantifiée à l’aide de coefficient de Dice, ainsi que la racine carrée de l’aire erronée.
Résultats
Le coefficient de Dice moyen pour la segmentation à la baseline était de 0.85. Lors de prédiction à partir de l’OCT baseline, les coefficients de Dice étaient compris entre 0.73 et 0.80 pour la surface totale de RORA avec une tendance à une diminution des performances avec l’augmentation de
l’intervalle. Les coefficients de Dice basés uniquement sur les régions de progression de RORA étaient compris entre 0.46 et 0.72, avec une tendance à une augmentation des performances avec l’augmentation de l’intervalle. La racine carrée de l’aire erronée était comprise entre 0.13 mm et 0.33 mm.
En utilisant la précédente visite pour prédire l’atrophie de la visite suivante, les coefficients de Dice étaient plus constants dans le temps, avec des valeurs >0.83 pour la surface totale de RORA et des valeurs comprises entre 0.44 et 0.64 pour la croissance de RORA. La racine carrée de surface erronée était comprise entre 0.16 et 0.21 mm.
Grâce à la prédiction continue d’un point de vue temporel, le modèle a permis la création de carte de risque spécifique à chaque patient.
Conclusion
Nous avons développé une méthode de prédiction de la progression de l’atrophie par apprentissage automatique qui permet une prédiction de façon continue dans le temps. Cela nous a permis de calculer des cartes de risque d’atrophie qui indique le temps jusqu’à la conversion en RORA. Cette manière de représenter l’information est non seulement nouvelle, mais également pertinente dans la pratique clinique.
--
Purpose: To develop and validate an automatic retinal pigment epithelial and outer retinal atrophy (RORA) progression prediction model for nonexudative age-related macular degeneration (AMD) cases in optical coherence tomography (OCT) scans.
Methods: Longitudinal OCT data from 129 eyes/119 patients with RORA was collected and separated into training and testing groups. RORA was automatically segmented in all scans and additionally manually annotated in the test scans. OCT-based features such as layers thicknesses, mean reflectivity, and a drusen height map served as an input to the deep neural network. Based on the baseline OCT scan or the previous visit OCT, en face RORA predictions were calculated for future patient visits. The performance was quantified over time with the means of Dice scores and square root area errors.
Results: The average Dice score for segmentations at baseline was 0.85. When predict- ing progression from baseline OCTs, the Dice scores ranged from 0.73 to 0.80 for total RORA area and from 0.46 to 0.72 for RORA growth region. The square root area error ranged from 0.13 mm to 0.33 mm. By providing continuous time output, the model enabled creation of a patient-specific atrophy risk map.
Conclusions: We developed a machine learning method for RORA progression predic- tion, which provides continuous-time output. It was used to compute atrophy risk maps, which indicate time-to-RORA-conversion, a novel and clinically relevant way of representing disease progression.
Translational Relevance: Application of recent advances in artificial intelligence to predict patient-specific progression of atrophic AMD.
Create date
02/05/2022 12:26
Last modification date
31/08/2022 7:10