| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.84 MB | Adobe PDF |
Abstract(s)
A degenerescência macular relacionada com a idade (DMRI) é uma das principais causas de
cegueira em adultos com 60 anos ou mais. Trata-se de uma doença que afeta o olho e que pode
eventualmente danificar a mácula. A mácula é a parte central da retina cheia de fotorreceptores e é
caracterizada por depósitos focais ou difusos ricos em lipoproteínas chamados drusas.
Existem 2 tipos de DMRI: húmida e seca. A maioria da população afetada tem DMRI seca
que, tende a progredir lentamente ao longo de vários anos, no entanto, as pessoas com DMRI húmida
sofrem de perda de visão mais rápida. Esta perda de visão mais acelerada é causada quando um vaso
sanguíneo anormal cresce irregularmente a partir da coroide ou da circulação da retina tendo este
crescimento anormal o nome de neovascularização macular. Estes novos vasos sanguíneos ao
contrário dos vazos normais tendem a verter fluidos do sangue incluindo glóbulos vermelhos. A
direção do crescimento deste vaso sanguíneo pode alterar drasticamente a velocidade da perda de
visão, mais especificamente se a neovascularização crescer em direção à própria retina. Se o vaso
sanguíneo anormal crescer em direção à retina, pode causar uma perda de visão mais rápida pois o
verter de fluidos do sangue para a retina pode imediatamente distorcer a visão, e ao longo de vários
meses estes fluidos podem matar os fotorreceptores que se encontram presentes nesta parte do olho. A
neovascularização macular não tem cura, no entanto, existem possíveis terapias para atrasar o
crescimento anormal do vaso sanguíneo, o mais notável sendo injeções de aflibercept, esta trata-se de
uma glicoproteína que inibe proliferação endotelial, permeabilidade vascular, e neovascularização. No
entanto, o facto deste método não se tratar de uma cura estabelece uma necessidade de profissionais de
saúde determinarem um prognóstico para a perda de visão de um paciente, determinando quanto
tempo irá durar a acuidade visual de um paciente será necessário saber a direção de crescimento do
vaso sanguíneo.
Até recentemente, não havia forma de prever com precisão a direção de crescimento destes
vasos sanguíneos anormais e, por conseguinte, não havia forma de obter um prognóstico preciso da
perda de visão devido à DMRI húmida, mas, entretanto, foram realizados novos estudos que
descobriram uma correlação entre a concentração de drusas na mácula e a direção de crescimento
destes vasos sanguíneos anormais. Drusas são depósitos focais de material extracelular que se formam
entre a lâmina basal do epitélio pigmentado da retina e a camada de colágeno interna da membrana de
Bruch, estas são amarelados e totalmente assintomáticos, no entanto quanto maior a concentração de
drusas numa especifica direção da neovascularização macular, maior a probabilidade de o vaso crescer
nessa direção. Esta descoberta está a levar à exploração de possíveis alternativas para determinar a
direção de crescimento destes vasos sanguíneos, de modo a fornecer aos doentes um prognóstico mais
preciso da perda de visão.
Nesta dissertação, decidimos explorar a possibilidade de utilizar algoritmos de aprendizagem
automática como alternativa para a previsão da direção de crescimento destes vasos sanguíneos
anormais. Os algoritmos criados para testar estas possibilidades utilizaram imagens de tomografia de
coerência ótica obtidas de diversos pacientes. As imagens foram obtidas na escala de cinzento, cada
paciente forneceu 2 imagens sendo estas a tomografia realizada no diagnostico e uma subsequente
tomografia uns meses depois. Cada imagem obtida foi processada obtendo um total de 4 imagens
diferentes por cada paciente, sendo estas uma imagem da tomografia de diagnostico, uma imagem
binarizada da tomografia de diagnostico na qual as drusas se encontram destacadas a branco, uma
imagem binarizada da tomografia de diagnostico na qual a neovascularização macular se encontra
destacada a branco, e finalmente uma imagem binarizada da tomografia tirada uns meses pós o
diagnóstico na qual a neovascularização macular se encontra destacada a branco. Através deste procedimento foi criada uma base de dados de vários pacientes que incluía as 4 imagens de cada um.
Esta base de dados foi fornecida pelos Vitreous Retina Macula consultants of New York para o
desenvolvimento desta dissertação. Esta base de dados, no entanto era demasiado pequena fornecendo
dados de apenas 17 indivíduos e como tal medidas foram tomadas para alongar esta base de dados,
indivíduos eram escolhidos aleatoriamente e as suas imagens eram copiadas com ligeiras alterações,
nomeadamente as imagens eram rodadas um número de graus aleatório para criar uma nova adição á
base de dados, este processo foi repetido 100 vezes de forma a criar um total de 100 pacientes
artificiais cada um com as suas respetivas 4 imagens. A obtida base de dados foi utilizada para a
criação de diversos modelos de aprendizagem automática.
Para criar um modelo de aprendizagem automática é necessário organizar os dados numa
matriz de informação com apenas uma coluna de alvo, esta matriz contém instâncias em cada linha e
as suas correspondentes colunas contêm dados para prever o seu correspondente resultado na coluna
alvo. Um modelo de aprendizagem automática será fornecido com vários exemplos de instâncias e os
seus respetivos resultados e tentará prever os resultados de outras novas instâncias que não estejam
incorporados nos exemplos fornecidos ao modelo, os resultados obtidos são comparados aos valores
reais para obter métricas de avaliação do desempenho do modelo. Mas para realizar este processo a
criação da matriz será necessária, como tal cada paciente foi dividido em 25 instâncias diferentes cada
uma correspondendo a um porção de imagem correspondendo a uma abertura de um ângulo em torno
do centro da neovascularização macular, as 4 imagens sendo divididas de igual forma. A matriz foi
criada obtendo métricas destas porções de imagens que foram utilizadas como valores para as colunas
sendo que a coluna alvo corresponderia a uma previsão do crescimento nessa particular direção.
A partir das porções de imagens foram obtidas diversas métricas que corresponderam aos
valores das colunas, sendo estes valores: o número de pixéis brancos na porção de imagem
correspondente a drusas, o numero de zonas de maior densidade de drusas, a média do tamanho destas
áreas de maior densidade, a distancia entre o centro da neovascularização macular e a zona com maior
densidade, a quantidade de pixéis brancos nessa zona de maior densidade, o número de pixéis brancos
correspondendo á neovascularização macular nessa particular porção de imagem, as características de
Haralick, e finalmente a característica alvo que o modelo tentará prever, existindo 3 possíveis
alternativas todas elas representando o crescimento da neovascularização nessa respetiva porção da
imagem.
Após a criação da matriz os modelos foram criados utilizando diversos algoritmos, sendo
estes: árvores de decisão, diversos métodos de regressão linear, Naïve Bayes, k-vizinhos mais
próximos, máquina de vetores de suporte, e métodos de conjunto. Após testar os diversos modelos
podemos descobrir quais características calculadas presentes na matriz são redundantes e como tal
poderão ser retiradas sem causar grande impacto no modelo.
Os modelos obtidos após retirar as características redundantes foram avaliados e comparados
para determinar se os modelos de Aprendizagem Automática podem ser utilizados para prever a
direção de crescimento de um vaso sanguíneo anormal na mácula e qual o modelo com melhor
desempenho global para este objetivo. Os modelos obtidos tiveram um bom desempenho, o que me
leva a crer que um modelo de aprendizagem automática pode levar a um melhor prognóstico da perda
de visão na AMD húmida, observando também que os modelos de Floresta Aleatória tiveram um
desempenho superior aos restantes.
Age-related macular degeneration (AMD) is a leading cause of blindness in adults 60 years and older, this is a disease that affects the eye and can eventually damage the macula. The macula is a is the central part of the retina filled with photoreceptors and is characterized by focal or diffuse lipoprotein-rich deposits called drusen, damaging this region can cause blurring in the central vision. There are 2 types of AMD: wet, and dry. Most people have dry AMD that usually progresses slowly over the years, however, the people with wet AMD suffer from faster vision loss, and it is caused when an abnormal blood vessel grows irregularly from the choroid or retinal circulation, the direction of growth of this blood vessel can drastically change the speed of vision loss, more specifically if the blood vessel grows towards the retina itself. If the abnormal blood vessel grows towards the retina, it can cause a faster vision loss. Until now there have been no ways to accurately predict the direction of growth of these abnormal blood vessels, and there for, no way to obtain an accurate prognostic of vision loss due to wet AMD. New studies have been made that have found a correlation between the concentration of drusen in the macula and the direction of growth of these abnormal blood vessels. This discovery is leading towards the exploration of possible alternatives to determine the direction of growth of these blood vessels in order to give more accurate prognostics of vision loss to patients. In this dissertation we are exploring the possibility of using Machine Learning algorithms as an alternative for the prediction of direction of growth of these abnormal blood vessels. The created algorithms to test these possibilities have used optical coherence tomography images, where data features were calculated and arranged to create a dataset that was subsequently used to create several possible Machine Learning models. The obtained models were then validated and compared to determine if Machine Learning models can be used to predict the direction of growth of an abnormal blood vessel in the macula, and which model has an overall better performance towards this goal. The obtained models performed well, leading me to believe that a Machine Learning model can lead to better prognostics of vision loss in wet AMD, also noting that Random Forest models have performed head and shoulders above the rest.
Age-related macular degeneration (AMD) is a leading cause of blindness in adults 60 years and older, this is a disease that affects the eye and can eventually damage the macula. The macula is a is the central part of the retina filled with photoreceptors and is characterized by focal or diffuse lipoprotein-rich deposits called drusen, damaging this region can cause blurring in the central vision. There are 2 types of AMD: wet, and dry. Most people have dry AMD that usually progresses slowly over the years, however, the people with wet AMD suffer from faster vision loss, and it is caused when an abnormal blood vessel grows irregularly from the choroid or retinal circulation, the direction of growth of this blood vessel can drastically change the speed of vision loss, more specifically if the blood vessel grows towards the retina itself. If the abnormal blood vessel grows towards the retina, it can cause a faster vision loss. Until now there have been no ways to accurately predict the direction of growth of these abnormal blood vessels, and there for, no way to obtain an accurate prognostic of vision loss due to wet AMD. New studies have been made that have found a correlation between the concentration of drusen in the macula and the direction of growth of these abnormal blood vessels. This discovery is leading towards the exploration of possible alternatives to determine the direction of growth of these blood vessels in order to give more accurate prognostics of vision loss to patients. In this dissertation we are exploring the possibility of using Machine Learning algorithms as an alternative for the prediction of direction of growth of these abnormal blood vessels. The created algorithms to test these possibilities have used optical coherence tomography images, where data features were calculated and arranged to create a dataset that was subsequently used to create several possible Machine Learning models. The obtained models were then validated and compared to determine if Machine Learning models can be used to predict the direction of growth of an abnormal blood vessel in the macula, and which model has an overall better performance towards this goal. The obtained models performed well, leading me to believe that a Machine Learning model can lead to better prognostics of vision loss in wet AMD, also noting that Random Forest models have performed head and shoulders above the rest.
Description
Tese de Mestrado, Engenharia Biomédica e Biofísica , 2024, Universidade de Lisboa, Faculdade de Ciências
Keywords
Aprendizagem automática Neovascularização macular Drusas Degenerescência macular Angiografia por tomografia de coerência ótica Teses de mestrado - 2024