Background: In optical coherence tomography (OCT) scans of patients with inherited retinal diseases (IRDs), the measurement of the thickness of the outer nuclear layer (ONL) has been well established as a surrogate marker for photoreceptor preservation. Current automatic segmentation tools fail in OCT segmentation in IRDs, and manual segmentation is time-consuming.
Methods and material: Patients with IRD and an available OCT scan were screened for the present study. Additionally, OCT scans of patients without retinal disease were included to provide training data for artificial intelligence (AI). We trained a U-net-based model on healthy patients and applied a domain adaption technique to the IRD patients' scans.
Results: We established an AI-based image segmentation algorithm that reliably segments the ONL in OCT scans of IRD patients. In a test dataset, the dice score of the algorithm was 98.7%. Furthermore, we generated thickness maps of the full retinal thickness and the ONL layer for each patient.
Conclusion: Accurate segmentation of anatomical layers on OCT scans plays a crucial role for predictive models linking retinal structure to visual function. Our algorithm for segmentation of OCT images could provide the basis for further studies on IRDs.
Hintergrund: Bei der optischen Kohärenztomografie (OCT) von Patienten mit erblichen Netzhauterkrankungen hat sich die Messung der äußeren Körnerschichtdicke (ONL) als Marker für den Erhalt der Photorezeptoren bewährt. Derzeitige automatische Segmentierungsprogramme versagen bei der OCT-Segmentierung dieser Patienten, und die manuelle Segmentierung ist zeitaufwendig.
Methoden und material: Für die vorliegende Studie wurden Patienten mit erblichen Netzhauterkrankungen und der Verfügbarkeit eines OCT-Scans eingeschlossen. Zusätzlich wurden OCT-Scans von Patienten ohne Netzhauterkrankung einbezogen, um Trainingsdaten für die künstliche Intelligenz (KI) zu generieren. Wir trainierten ein auf einem U-Netz basierendes Modell an gesunden Patienten und wendeten eine Anpassungsmethode auf die pathologisch veränderten Scans von Patienten an.
Ergebnisse: Es wurde ein KI-basierter Bildsegmentierungsalgorithmus entwickelt, der die ONL in OCT-Scans von Patienten mit erblichen Netzhauterkrankungen zuverlässig segmentieren kann. In einem Testdatensatz lag der Dice-Score des Algorithmus bei 98,7%. Außerdem erstellten wir für jeden Patienten Dickenkarten der gesamten Netzhautdicke und der ONL-Schicht.
Schlussfolgerung: Eine präzise Segmentierung anatomischer Schichten auf OCT-Scans ist entscheidend für Prognosemodelle, die Netzhautstruktur und Sehfunktion korrelieren. Der hier vorgestellte OCT-Bildsegmentierungsalgorithmus könnte die Grundlage für weitere Studien bez. erblicher Netzhauterkrankungen darstellen.
The Author(s). This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commecial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/).