Ausgangslage
Mit OCT-Scans lässt sich die feine Schichtstruktur der Netzhaut nicht-invasiv aufnehmen. OCT wird in Kliniken häufig zur Diagnose wesentlicher Augenerkrankungen eingesetzt, etwa bei altersbedingter Makuladegeneration, Glaukom oder diabetischer Retinopathie. Die manuelle Auswertung der dreidimensionalen Bilddaten ist jedoch aufwendig und erfordert medizinisches Fachwissen. KI-gestützte Bildanalyse kann dabei helfen, relevante Strukturen automatisiert zu segmentieren und grosse Mengen an OCT-Daten reproduzierbar auszuwerten.
Der Beitrag von SCS
SCS entwickelte ein modifiziertes U-Net-CNN zur automatisierten Segmentierung von OCT-Bildern und setzte eine reproduzierbare Entwicklungsumgebung für Training, Evaluation und Betrieb auf. Für seltene Tumorbilder untersuchte SCS zusätzlich Verfahren zur synthetischen Datengenerierung.
Ergebnis
In der wissenschaftlichen Evaluation lag die automatisierte Segmentierung der untersuchten Augenstrukturen innerhalb der Variabilität menschlicher Auswertungen. Das Modell wurde als dockerisierter Dienst auf einer lokalen Plattform bereitgestellt. Anonymisierte OCT-Scans können über eine Weboberfläche ausgewertet und Flächen sowie Volumen der segmentierten Augenstrukturen bestimmt werden. Der Ansatz unterstützt unterschiedliche OCT-Aufnahmeverfahren und Geräte. Wissenschaftlich publiziert: «Validation of automated artificial intelligence segmentation of optical coherence tomography images», PLOS ONE, 2019.
auf menschlichem Niveau
Segmentierung der Augenstrukturen im Bereich manueller Auswertungen.
geräteübergreifend
das Modell funktioniert für verschiedene OCT-Geräte.
PLOS ONE 2019
wissenschaftlich publizierte Evaluation der OCT-Segmentierung.
