Ретина без границ: Новый подход к анализу ОКТ-изображений

Автор: Денис Аветисян

Исследователи предлагают инновационный метод обработки томограмм сетчатки, позволяющий преодолеть ограничения, связанные с анизотропией данных и низким разрешением.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Сопоставляя данные, полученные с помощью методов визуализации en-face (например, SLO и FAF) и ОКТ, исследование демонстрирует, что ограниченное количество B-сканов в клинической практике приводит к анизотропии изображения, однако, используя обобщенные представления INR, возможно создание независимых от разрешения интерпретаций отдельных данных или атласов.

В статье рассматривается применение неявных нейронных представлений (INR) для улучшения интерполяции, регистрации изображений и создания атласов в оптической когерентной томографии.

Несмотря на широкое распространение оптической когерентной томографии (ОКТ) сетчатки, большие интервалы между сканами приводят к анизотропии изображений и затрудняют точный трехмерный анализ. В работе ‘Don’t Mind the Gaps: Implicit Neural Representations for Resolution-Agnostic Retinal OCT Analysis’ предложен инновационный подход, использующий неявные нейронные представления (INRs) для интерполяции данных и создания разрешения-независимого атласа сетчатки. Разработанные фреймворки позволяют преодолеть ограничения, связанные с разрежением сканирования, и обеспечить более точное представление формы и патологий сетчатки. Открывает ли это новые возможности для более глубокого понимания структуры сетчатки и улучшения диагностики заболеваний глаз?

Пределы Традиционной Визуализации Сетчатки

Современные методы визуализации сетчатки, такие как стандартная оптическая когерентная томография (ОКТ), зачастую демонстрируют недостаточную разрешающую способность и точность для адекватной оценки незначительных изменений, возникающих при развитии заболеваний. Это связано с физическими ограничениями самой технологии и сложностью дифференцировать тонкие структурные отклонения от нормальных вариаций. В результате, на ранних стадиях заболеваний, когда лечение наиболее эффективно, патологические процессы могут оставаться незамеченными. Неспособность точно визуализировать мельчайшие изменения в слоях сетчатки затрудняет своевременную диагностику и мониторинг прогрессирования таких заболеваний, как глаукома, диабетическая ретинопатия и возрастная макулярная дегенерация, что подчеркивает необходимость разработки новых, более чувствительных методов визуализации.

Традиционный анализ изображений сетчатки зачастую полагается на ручную сегментацию и субъективную интерпретацию, что вносит значительную погрешность в диагностику. Врач, анализируя снимки, выделяет интересующие структуры — слои сетчатки, кровеносные сосуды, поврежденные участки — вручную, что требует времени и подвержено влиянию индивидуального опыта и усталости. Эта субъективность приводит к расхождениям в оценках между разными специалистами, а также к ошибкам в постановке диагноза и выборе оптимальной тактики лечения. Невозможность автоматизировать этот процесс ограничивает скорость и точность анализа большого количества изображений, что особенно критично при мониторинге прогрессирования заболеваний или оценке эффективности терапии. В результате, полагаясь на ручную интерпретацию, можно упустить незначительные, но важные изменения, которые могли бы быть обнаружены при использовании более объективных и автоматизированных методов.

Анализ сложных заболеваний сетчатки требует интеграции данных, полученных с использованием различных методов визуализации, что представляет собой значительную проблему для традиционных подходов. Существующие методы часто ограничиваются информацией, полученной из одного источника — например, только с помощью оптической когерентной томографии или флуоресцентной ангиографии. Однако, для полноценной оценки состояния сетчатки и точной диагностики необходимо учитывать совокупность данных, включающую структурные изменения, нарушения кровоснабжения и функциональные характеристики. Объединение информации из нескольких модальностей позволяет получить более полное представление о патологическом процессе, выявить скрытые повреждения и оценить эффективность лечения. Неспособность к эффективной интеграции данных приводит к неполной диагностике, субъективной интерпретации результатов и, как следствие, к снижению точности и надежности диагностики сложных заболеваний сетчатки.

Предложенная схема интерполяции использует нейронную сеть (INR) для реконструкции томов ОКТ и сегментации по 3D-координатам, полученным из ОКТ и интенсивности SLO, при этом для реконструкции новых случаев сеть остается замороженной, а адаптируется лишь латентный prior.

Обобщенные Неявные Нейронные Представления: Новый Взгляд

Неявные нейронные представления (INRs) представляют собой мощный подход к представлению изображений в виде непрерывных функций, что позволяет избежать ограничений, связанных с дискретными пиксельными представлениями. Вместо хранения отдельных значений пикселей, INR моделируют изображение как функцию, отображающую координаты в значения цвета или интенсивности. Это обеспечивает независимость от разрешения, так как изображение может быть сгенерировано при любом требуемом разрешении путем оценки функции в соответствующих координатах. Более того, такой подход обеспечивает эффективное хранение данных, поскольку для представления изображения требуется лишь набор параметров модели, а не массив пикселей. Размер модели, и, следовательно, объем необходимой памяти, значительно меньше, чем размер пиксельного представления при сравнимом качестве изображения.

Представлен обобщенный подход к неявным нейронным представлениям (INR), обученный на популяции сканирований сетчатки глаза. Данный метод позволяет осуществлять интерполяцию и регистрацию новых данных с высокой точностью. Обучение на большом наборе данных обеспечивает возможность генерации реалистичных и анатомически корректных изображений сетчатки, а также точное выравнивание новых сканирований с существующими, что критически важно для задач диагностики и мониторинга заболеваний глаз.

Внедрение анализа главных компонент (PCA) и учет определителей Якоби позволяют нашей методике захватывать тонкие анатомические вариации и обеспечивать геометрически точные преобразования. Первые две главные компоненты объясняют 20% дисперсии в латентном пространстве интерполяции, что указывает на эффективное представление основных форм и структур. Использование PCA снижает размерность данных, сохраняя при этом наиболее значимую информацию, необходимую для точной реконструкции и регистрации изображений. Учет определителей Якоби в процессе преобразования гарантирует, что изменения в пространстве изображения соответствуют физически правдоподобным деформациям, предотвращая искажения и обеспечивая сохранение топологии.

Метод GenINR, основанный на нейронных сетях, обеспечивает более точную интерполяцию B-сканов сетчатки, корректно восстанавливая как структуру фовеальной области, так и локализуя кровеносные сосуды на периферии, в отличие от линейных и регистрационных методов, которые подвержены артефактам интерполяции и не способны к самостоятельному восстановлению деталей.

Точное Сопоставление и Регистрация Снимков Сетчатки

Метод повышения разрешения изображений сетчатки основан на интерполяции B-сканов с использованием Generalizable Implicit Neural Representation (INR). INR позволяет эффективно реконструировать высокодетализированные изображения из ограниченного набора данных, что критически важно для визуализации тонких структур сетчатки. Интерполяция B-сканов, управляемая INR, генерирует промежуточные срезы, увеличивая общее разрешение и обеспечивая более четкое отображение слоев сетчатки, сосудов и других важных элементов. Это позволяет получить более детальную информацию о состоянии сетчатки, чем при использовании стандартных методов обработки изображений.

Регистрация изображений, осуществляемая с использованием B-сплайновых контрольных точек, обеспечивает точное выравнивание сканов, полученных с использованием различных модальностей и в разные моменты времени. Данный метод позволяет компенсировать смещения и деформации, возникающие при получении изображений, что критически важно для сравнительного анализа и мониторинга изменений в структуре сетчатки. Использование B-сплайнов обеспечивает плавную и непрерывную деформацию изображения, минимизируя артефакты и обеспечивая высокую точность совмещения данных. Алгоритм позволяет эффективно регистрировать изображения, полученные с помощью оптической когерентной томографии (ОКТ) и флуоресцентной ангиографии, а также сравнивать последовательные сканы одного пациента для отслеживания прогрессирования заболеваний.

В результате применения разработанного метода создан детальный Атлас сетчатки, служащий всесторонней картой для точного сопоставления и анализа сканов отдельных пациентов. Достигнута высокая точность сегментации слоев сетчатки, подтвержденная показателем Dice Score в 86.4%, а также минимальное расхождение между автоматически определенными границами и эталонными данными, выраженное в Average Symmetric Surface Distance (ASSD) равном 11.3 µm. Эти результаты демонстрируют значительное улучшение производительности по сравнению с существующими методами визуализации и анализа структуры сетчатки.

Предложенный фреймворк генерации атласа использует обобщенную INR для предсказания поля деформации на основе 3D координат (<span class="katex-eq" data-katex-display="false">x</span>) и индивидуального латентного априорного распределения, при этом слои INR модулируются векторами масштабирования и сдвига, предсказанными гиперсетью, что позволяет получить разрешение-независимый атлас с интенсивностью и метками сегментации. — Предложенный фреймворк генерации атласа использует обобщенную INR для предсказания поля деформации на основе 3D координат ( $x$ ) и индивидуального латентного априорного распределения, при этом слои INR модулируются векторами масштабирования и сдвига, предсказанными гиперсетью, что позволяет получить разрешение-независимый атлас с интенсивностью и метками сегментации.

Многомодальная Интеграция для Улучшенной Диагностики

Внедрение комплексного подхода к анализу данных, объединяющего оптическую когерентную томографию, фундус-автофлуоресценцию и сканирующую лазерную офтальмоскопию, позволяет получить детальное и всестороннее представление о состоянии сетчатки. Данная интеграция различных модальностей визуализации обеспечивает более полную картину, чем при использовании отдельных методов, поскольку каждый из них предоставляет уникальную информацию о структуре и функции тканей глаза. Сочетание этих данных позволяет выявлять даже незначительные изменения, которые могли бы остаться незамеченными при использовании только одного метода исследования, что значительно повышает точность диагностики и мониторинга заболеваний сетчатки.

Многомодальный анализ, объединяющий данные оптической когерентной томографии, аутофлуоресценции сетчатки и сканирующей лазерной офтальмоскопии, значительно повышает точность выявления и характеристики таких заболеваний, как центральная серозная хориоретинопатия. Этот комплексный подход предоставляет клиницистам ценные сведения о состоянии сетчатки, позволяя более эффективно диагностировать заболевание на ранних стадиях и отличать его от других схожих патологий. Возможность детальной оценки структурных и функциональных изменений в сетчатке, полученная благодаря интеграции различных методов визуализации, способствует более обоснованному принятию клинических решений и разработке индивидуальных планов лечения.

Технология, выходя за рамки простой диагностики, предоставляет уникальные возможности для отслеживания эффективности лечения и прогнозирования развития заболеваний сетчатки. Исследования демонстрируют, что разработанный метод обеспечивает структурное сходство изображений с индексом $SSIM$ 42.4%, при этом время обработки данных для одного пациента сокращено до 23.1 секунды. Это значительно быстрее, чем у существующих аналогов, таких как SINA (около 200 секунд) и SingleINR (около 60 секунд), что позволяет оперативно оценивать динамику состояния пациента и корректировать терапевтические стратегии для достижения оптимальных результатов.

Предложенный метод GenINR с интеграцией FAF успешно воспроизводит форму сетчатки при центральной серозной хориоретинопатии (CSCR), но демонстрирует размытость и отсутствие теней кровеносных сосудов в областях смещения слоев сетчатки, что подтверждается примерами суб- и интраретинальной жидкости, а также атрофии фоторецепторов.

Представленная работа демонстрирует элегантный подход к анализу данных, полученных с помощью оптической когерентной томографии (ОКТ). Исследователи предлагают решение для работы с анизотропными данными, используя неявные нейронные представления (INR). Этот метод позволяет добиться более точной интерполяции и регистрации изображений, что, в свою очередь, способствует созданию более качественных атласов. Как отмечал Ян ЛеКун: «Машинное обучение — это обучение представлений». Данное исследование ярко иллюстрирует эту идею, поскольку INR представляет собой эффективный способ представления данных ОКТ, позволяющий извлекать полезную информацию и решать сложные задачи медицинской визуализации. Гармоничное сочетание формы и функции позволяет добиться значительных улучшений в анализе данных ОКТ, открывая новые возможности для клинического применения.

Куда же дальше?

Представленные исследования, безусловно, открывают новые горизонты в анализе ОКТ-изображений. Однако, элегантность решения не должна заслонять оставшиеся вопросы. Возможность преодоления анизотропии данных посредством неявных нейронных представлений — шаг вперед, но истинная гармония между формой и функцией требует более глубокого понимания. Построение атласов, основанных на INRs, представляется перспективным, но не лишенным сложностей, особенно в отношении масштабируемости и учета индивидуальных вариаций.

В дальнейшем, необходимо обратить внимание на устойчивость представлений к шумам и артефактам, неизбежно возникающим в клинической практике. Использование INRs в сочетании с другими методами машинного обучения, например, с генеративными состязательными сетями, может позволить создавать более реалистичные и детализированные модели. Важно помнить, что технология, лишенная критического осмысления, рискует превратиться в изящную, но бесполезную игру.

Настоящая задача — не просто улучшить разрешение изображений, а создать инструменты, позволяющие врачу видеть за пределами видимого, понимать скрытые закономерности и принимать обоснованные решения. И тогда, возможно, этот метод действительно станет не просто техническим достижением, а инструментом, приближающим нас к пониманию сложной архитектуры зрительного органа.

Оригинал статьи: https://arxiv.org/pdf/2601.02447.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-07 23:52