gms | German Medical Science

49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)
19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI)
Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie
Schweizerische Gesellschaft für Medizinische Informatik (SGMI)

26. bis 30.09.2004, Innsbruck/Tirol

Computer-gesteuerte Analyse digitaler cSLO-Fundusautofluoreszenz-Aufnahmen zur Segmentierung geographischer Atrophien

Meeting Abstract (gmds2004)

  • presenting/speaker A. Deckert - Institut für Medizinische Biometrie und Informatik, Universität Heidelberg, Heidelberg, Deutschland
  • S. Schmitz-Valckenberg - Augenklinik, Universität Bonn, Bonn, Deutschland
  • J. J. Jorzik - Augenklinik, Universität Heidelberg, Heidelberg, Deutschland
  • A. Bindewald - Augenklinik, Universität Bonn, Bonn, Deutschland
  • F. G. Holz - Augenklinik, Universität Bonn, Bonn, Deutschland
  • corresponding author Hartmut Dickhaus - Institut für Medizinische Biometrie und Informatik, Universität Heidelberg, Heidelberg, Deutschland
  • U. Mansmann - Institut für Medizinische Biometrie und Informatik, Universität Heidelberg, Heidelberg, Deutschland

Kooperative Versorgung - Vernetzte Forschung - Ubiquitäre Information. 49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI) und Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI) der Österreichischen Computer Gesellschaft (OCG) und der Österreichischen Gesellschaft für Biomedizinische Technik (ÖGBMT). Innsbruck, 26.-30.09.2004. Düsseldorf, Köln: German Medical Science; 2004. Doc04gmds097

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2004/04gmds097.shtml

Veröffentlicht: 14. September 2004

© 2004 Deckert et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung

Fundusautofluoreszenz (FAF)-Imaging mittels konfokaler Scanning Laser Ophthalmoskopie (cSLO) ermöglicht eine präzise Darstellung und Unterscheidung von Arealen der Netzhaut aufgrund der An- oder Abwesenheit von autofluoreszierendem Lipofuszin [1]. Daher eignen sich solche Aufnahmen insbesondere zur Segmentierung geographischer Atrophien (GA) innerhalb longitudinaler Verlaufsuntersuchungen im Rahmen der AMD [2]. Eine automatisierte Vermessung von GA scheiterte bisher an störenden Gefäßen mit ähnlichem Grauwertprofil. Die bisher verwendeten Methoden zur Bestimmung der GA beinhalteten daher manuelle Arbeiten zur Entfernung dieser Gefäße [3]. Ziel der vorliegenden Arbeit war die Entwicklung eines neuen computergestützten automatisierten Verfahrens (Methode C) zur Quantifikation von Atrophieflächen und der Vergleich mit der bisher verwendeten halbautomatischen Messmethode (Methode B) [3]. Als weiteres Anwendungsgebiet scheint sich das Verfahren auch sehr gut für die Segmentierung der Papille zu eignen.

Methoden

Für die Vermessung von Atrophieflächen auf FAF Aufnahmen verwendet Methode C justierbares Flächenwachstum. Dadurch soll eine individuelle Auswahl von GA ermöglicht und eine Beschneidung der Kompetenzen des Anwenders verhindert werden. Zusätzliche Werkzeuge zur Aufhellung von großflächig schattigen Arealen und zur automatischen Entfernung von störenden retinalen Gefäßen sind integriert und optional anwendbar [4]. Der interne Vorgang der Segmentierung ist in Abbildung 1 [Abb. 1] dargestellt. Dabei wurde aufgrund der besseren Darstellbarkeit beispielhaft eine Papille segmentiert. Nachdem der Anwender die interessierende Fläche durch einen Mausklick ausgewählt hat, führt das Programm eine erste Segmentierung mit dem mittleren Grauwert des Bildes als Toleranzwert für das Flächenwachstum durch. Die gefundene Kontur wird vom Anwender ohne Rücksicht auf ein Ausbrechen an störenden Gefäßen mittels eines Schieberelementes soweit verfeinert, bis die Kontur an den gefäßfreien Teilstücken korrekt wiedergegeben wird (Bild 1, innere Linie [Abb. 1]). Danach wird die Gefäßdetektion gestartet. Das Programm erweitert dazu die zuerst gefundene Kontur (Bild 1, äußere Linie [Abb. 1]) und führt innerhalb dieser Region die Gefäßdetektion durch. Dabei ersetzt das Programm die Grauwerte der Gefäßpixel durch den Wert 255 (Bild 2 [Abb. 1]). Im nächsten Schritt führt das Programm automatisch eine erneute Segmentierung mit den vom Anwender bei der ersten Segmentierung gewählten Parametern durch. Weiße Gefäßstümpfe, die in die GA oder Papille einragen, werden dabei ausgespart (Bild 3, weiße Linie; Gefäßpixel hier verdunkelt [Abb. 1]). Die sichtbaren störenden Gefäße liegen allerdings auf der Netzhaut. Es muss daher davon ausgegangen werden, dass die GA unter den Gefäßstümpfen innerhalb der angrenzenden GA-Kontur ebenfalls vorhanden ist. Das Gleiche gilt für die Definition der Papillenfläche. Anhand des Gefäßdurchmessers erfolgt deshalb durch Closing eine Korrektur der Kontur an den ausgesparten Gefäßstümpfen (Bild 4, schwarze Linie [Abb. 1]). Dabei werden allerdings auch vorher korrekt segmentierte gefäßfreie Zacken geglättet. Das Ergebnis ist eine Kontur mit korrigierten Teilstücken an den Gefäßstümpfen aber zu weiten Teilstücken an gefäßfreien Abschnitten. Daher wird die Region innerhalb dieser Kontur aus dem Originalbild ausgeschnitten (Bild 5 [Abb. 1]) und die Segmentierung mit denselben Startparametern innerhalb dieser ausgeschnittenen Region ein letztes Mal wiederholt (Bild 6 [Abb. 1]), wobei nun die Gefäßstümpfe innerhalb der Region wieder mit segmentiert werden. Ein Nachbessern der Kontur an den Gefäßeintritten durch den Anwender ist durch Aufweiten der grauen Begrenzungskontur möglich (Bild 7-9, grau: Begrenzungskontur, weiß: Kontur der Papille [Abb. 1]). In Bild 10 [Abb. 1] ist die fertig segmentierte Papille dargestellt. Die Übereinstimmung zwischen den Methoden wurde für die GA mittels Bland-Altman Tests und andere statistische Tests in einer Pilotstudie mit zwei unabhängigen Anwendern an 34 Augen mit GA untersucht.

Ergebnisse

Der Algorithmus zur Entfernung störender Gefäße ermöglicht eine zuverlässige Erkennung von Gefäßen vor der Segmentierung der Atrophieflächen und der Papille. Für die Segmentierung von GA-Flächen haben sich weitere Werkzeuge wie ein großflächiger Helligkeitsausgleich, tangentiale sowie radiale Konturkorrektur und die sensitive Einstellung der Parameter als hilfreich erwiesen. Die Übereinstimmung zwischen den Untersuchern war -0,108mm² ± 0,489 mit Methode B und 0,121mm² ± 0,278 mit Methode C. Der Friedman-Test zeigte eine allgemeine Abhängigkeit von Methoden und Anwender (α=0,05; p<0,001).

Diskussion

Computer-unterstützte Vermessungsmethoden sind notwendig, um die verfahrensbedingte Variabilität bei der Analyse von Flächen in Verlaufsbeobachtungen, wie auch bei zukünftigen Interventionsstudien, zur Verlangsamung der Atrophieprogression einzuschränken. In der vorgestellten Arbeit konnten einige wichtige Aspekte für eine Verbesserung der Vermessung gefunden und passende Algorithmen erfolgreich getestet werden. Eine Weiterentwicklung der Analyse von FAF Aufnahmen bei GA Patienten erfordert eine sinnvolle Kombination dieser Algorithmen und die Integration verschiedener Konzepte.


Literatur

1.
Rückmann AV, Fitzke FW, Bird AC. Fundus autofluorescence in age-related macular disease imaged with a laser scanning ophthalmoscope. Invest Ophthalmol Vis Sci 1997; 38:478-486
2.
Bressler NM, Bressler SB, Fine SL. Age-related macular degeneration. Surv Ophthalmol Vis Sci 1988; 32:375-413
3.
Holz FG, Schmitz-Valckenberg S, Jorzik J, et al. Analysis of digital scanning laser ophthalmoscopy fundus autofluorescence images of geographic atrophy in advanced age-related macular degeneration. Graefe's Arch Clin Exp Ophthalmol 2002; 240:73-78
4.
Steger C. An unbiased detector of curvilinear structures. Technical Report FGBV-96-03, July 1996, Technical University Munich, research team image processing