The aim of the present study was to examine the potential of machine learning for identification of isolated neurosensory retina detachment and retinal pigment epithelium (RPE) alterations as diagnostic criteria of central serous chorioretinopathy (CSC).
Material and methods. Patients with acute CSC in whom a standard ophthalmic examination and optical coherence tomography (OCT) using RTVue-XR Avanti (Angio Retina HD scan protocol, 6 × 6 mm) was performed were included in the study. 10-μm en face slab above the RPE layer was used to create ground truth masks. Learning aims were defined as identification of 3 classes of structural abnormalities on OCT cross-sectional scans: class 1 – subretinal fluid, class 2 – RPE abnormalities, and class 3 – leakage points. Data for each of the 3 classes included: 4800/1400 training/test images for class 1, 2000/802 training/test images for class 2, and 1504/408 training/test images for class 3. Unet-similar architecture was used for segmentation of abnormalities on OCT cross-sectional scans.
Results. Analysis of test sets revealed sensitivity, specificity, precision, and F1-score for detection of subretinal fluid of 0.61, 0.99, 0.99, and 0.76, respectively. For detection of RPE abnormalities sensitivity, specificity, precision, and F1-score were 0.14, 0.95, 0.94 and 0.24, respectively. For detection of leakage point sensitivity, specificity, precision, and F1-score were 0.06, 1.0, 1.0, and 0.12, respectively.
Conclusions. Thus, machine learning demonstrated high potential in the OCT-based identification of structural abnormalities associated with acute CSC (neurosensory retina detachment and RPE alterations). Topical identification of the leakage point appears to be possible using large learning sets.
Цель данного исследования состояла в изучении возможности машинного обучения для выявления изолированной отслойки нейроэпителия сетчатки и изменений пигментного эпителия сетчатки как диагностических критериев центральной серозной хориоретинопатии (ЦСХ).
Материал и методы. В это исследование были включены пациенты с острой ЦСХ, прошедшие стандартное офтальмологическое обследование и выполнившие оптическую когерентную томографию с помощью RTVue-XR Avanti (протокол Angio Retina HD, 6 × 6 мм). Для обучающей разметки был использован en face пласт толщиной 10 мкм в плоскости над пигментным эпителием сетчатки. В соответствии с задачами обучения нейронной сети на кросс-секционных сканах были выделены три категории патологических изменений: класс 1 — субретинальная жидкость, класс 2 — аномалии пигментного эпителия сетчатки и класс 3 — точки просачивания. Количество данных для каждой из категорий составило 4800/1400 тренировочных/тестовых изображений для класса 1, 2000/802 для класса 2 и 1504/408 для класса 3. Для решения задачи сегментации патологий на ОКТ-сканах была использована архитектура, аналогичная Unet.
Результаты. Анализ тестовых сетов показал, что чувствительность, специфичность, точность и F1-мера в детекции субретинальной жидкости составили 0,61; 0,99; 0,99 и 0,76 соответственно; для детекции аномалий пигментного эпителия сетчатки чувствительность, специфичность, точность и F1-мера равнялись 0,14; 0,95; 0,94 и 0,24 соответственно; для детекции точки просачивания чувствительность, специфичность, точность и F1-мера составили 0,06; 1,0; 1,0 и 0,12 соответственно.
Заключение. Таким образом, машинное обучение демонстрирует высокий потенциал в идентификации патологических изменений, характерных для острой формы ЦСХ (отслойки нейроэпителия сетчатки и альтерации пигментного эпителия сетчатки), по данным ОКТ. Топическая индикация точки просачивания представляется возможной на больших обучающих сетах.