Diseño y desarrollo de un sistema de gradación del glaucoma a partir de la retropropagación del defecto medio de imágenes de OCT

Abstract

[ES] El glaucoma es una de las causas más prevalentes de ceguera irreversible a nivel mundial. Por tanto, la detección precoz es un factor crucial para evitar su evolución hacia estadios más avanzados. En la práctica clínica, algunas de las técnicas más comunes para la evaluación del glaucoma son las imágenes de Tomografía por Coherencia Óptica (OCT) y la prueba de campo visual (VF). En concreto, las imágenes de OCT ofrecen un corte transversal de la retina, por lo que es posible medir el grosor de la capa de fibras nerviosas (RNLF), parámetro determinante en la evaluación del glaucoma. Además, a partir de la prueba de campo visual se puede obtener el defecto medio (MD) de la retina, que indica el estado de evolución del glaucoma en cuanto a la pérdida campo visual de un paciente. Por tanto, ambas pruebas son fundamentales en la evaluación del grado y progresión del glaucoma. El objetivo de este Trabajo de Fin de Grado es ofrecer una herramienta de ayuda al diagnóstico que permita clasificar imágenes de OCT según el grado de glaucoma. Para ello, se desarrolla un clasificador basado en Deep Learning para diferenciar pacientes normales, con glaucoma temprano y avanzado. Este clasificador se basa en la técnica de fine-tuning a la que se le añade un módulo de atención. En este trabajo se evalua la influencia de añadir un módulo de predicción del índice MD en la gradación del glaucoma. Además, el enfoque propuesto puede servir como herramienta para la predicción del MD sin necesidad de realizar una prueba de campo visual, disminuyendo los costes asociados a esta prueba.

[CAT] El glaucoma és una de les causes més prevalents de ceguesa irreversible a nivell mundial. Per tant, la detecció precoç és un factor crucial per a evitar la seua evolució cap a estadis més avançats. En la pràctica clínica, algunes de les tècniques més comunes per a l'avaluació del glaucoma són les imatges de tomografia per coherència òptica (OCT) i la prova de camp visual. En concret, les imatges d’OCT ofereixen un tall transversal de la retina, per la qual cosa és possible mesurar el gruix de la capa de fibres nervioses (RNLF), paràmetre determinant en l'avaluació del glaucoma. A més, a partir de la prova de camp visual es pot obtindre el defecte mitjà (MD) de la retina, que indica l'estat d'evolució del glaucoma quant a la pèrdua camp visual d'un pacient. Per tant, totes dues proves són fonamentals en l'avaluació del grau i progressió del glaucoma. L'objectiu d'aquest Treball de Fi de Grau és oferir una eina d'ajuda al diagnòstic que permeta classificar imatges d’OCT segons el grau de glaucoma. Per a això, es desenvolupa un classificador basat en Deep Learning que diferencie entre pacients normals, amb glaucoma primerenc i avançat. Aquest classificador es basa en la tècnica de fine-tuning a la qual se li afig un mòdul d'atenció. En aquest treball s'avaluarà la influència d'afegir un mòdul de predicció de l'índex MD en la gradació del glaucoma. A més, l'enfocament proposat pot servir com a eina per a la predicció del MD sense necessitat de realitzar una prova de camp visual, disminuint els costos associats a aquesta prova.

[EN] Glaucoma is one of the most prevalent causes of irreversible blindness worldwide. Therefore, early detection is a crucial factor in preventing its progression to more advanced stages. In clinical practice, some of the most common techniques for the evaluation of glaucoma are optical coherence tomography (OCT) imaging and visual field testing. In particular, OCT images provide a cross-sectional view of the retina, making it possible to measure the thickness of the nerve fibre layer (RNLF), a key parameter in the assessment of glaucoma. In addition, from the visual field test it is possible to obtain the mean defect (MD) of the retina, which indicates the state of evolution of glaucoma in terms of a patient's visual field loss. Therefore, both tests are fundamental in the evaluation of the degree and progression of glaucoma. The aim of this Final Degree Project is to offer a tool to aid diagnosis by classifying OCT images according to the degree of glaucoma. To this end, a classifier based on Deep Learning is developed to differentiate between normal, early and advanced glaucoma patients. This classifier is based on the fine-tuning technique with the addition of an attention module. In this work, the influence of adding an MD index prediction module on glaucoma grading will be evaluated. Furthermore, the proposed approach can serve as a tool for MD prediction without the need for a visual field test, decreasing the costs associated with this test.