SOPHIA: Sistema para adquisición, transmisión, y análisis inteligente de imágenes oftálmicas
Resumen
Las enfermedades oculares son una de las principales causas de incapacidad irreversible en personas en edad productiva. En 2020, la población mundial con retinopatía diabética y edema macular diabético está estimada como el 18% de la población mundial, aproximadamente, desafortunadamente, solo la mitad de estas personas fueron diagnosticadas correctamente. Por otro lado, en Colombia, la población diabética (8% de la población total del país) presenta o ha presentado alguna complicación ocular que ha llevado a otros costos asociados y, en algunos casos, ha provocado limitación de la visión o ceguera. Las imágenes de fondo de ojo son la fuente de información ocular más rápida y económica que puede proveer una valoración clínica del estado de la retina de los pacientes. Sin embargo, el número de oftalmólogos es insuficiente, la atención de estos expertos está limitada a zonas urbanas, y el análisis de dichas imágenes por parte de profesionales requiere una amplia formación; incluso para los más experimentados, es un proceso engorroso y propenso a errores. Los métodos de aprendizaje profundo han marcado avances importantes en imágenes médicas debido al desempeño sobresaliente en tareas de segmentación, detección y clasificación de enfermedades. Este artículo presenta SOPHIA, un sistema basado en el aprendizaje profundo para la adquisición, transmisión, análisis inteligente y soporte de decisiones clínicas para el diagnóstico de enfermedades oculares. El sistema se encuentra en desarrollo activo en un proyecto que reúne a instituciones proveedoras de salud, especialistas en oftalmología e informáticos. Finalmente, los resultados preliminares en el análisis automático de imágenes oculares utilizando el aprendizaje profundo son presentados, y se discute el trabajo futuro necesario para la implementación y validación del sistema en Colombia.
Palabras clave
adquisición de imágenes oftálmicas, análisis inteligente, apoyo a la decisión clínica, aprendizaje profundo, enfermedades oculares, telemedicina
Biografía del autor/a
Oscar Julián Perdomo-Charry, Ph. D.
Roles: Análisis formal, Investigación, Metodología, Escritura – borrador original.
Andrés Daniel Pérez-Pérez
Roles: Análisis formal, Investigación, Metodología, Escritura – borrador original.
Melissa de-la-Pava-Rodríguez
Roles: Análisis formal, Investigación, Metodología, Escritura – borrador original.
Hernán Andrés Ríos-Calixto
Roles: Conceptualización, Investigación, Validación.
Víctor Alfonso Arias-Vanegas
Roles: Análisis formal, Investigación, Metodología, Escritura – borrador original.
Juan Sebastián Lara-Ramírez
Roles: Análisis formal, Investigación, Metodología, Escritura – borrador original.
Santiago Toledo-Cortés, Ph. D. (c)
Roles: Análisis formal, Investigación, Metodología, Escritura – borrador original.
Jorge Eliecer Camargo-Mendoza, Ph. D.
Roles: Conceptualización, Metodología, Supervisión, Escritura – revisión y edición.
Francisco José Rodríguez-Alvira
Roles: Conceptualización, Investigación, Validación.
Fabio Augusto González-Osorio, Ph. D.
Roles: Conceptualización, Metodología, Supervisión, Escritura – revisión y edición.
Citas
[1] American Diabetes Association, “Classification and diagnosis of diabetes,” Diabetes Care, vol. 39 (1), S13-S22, 2016. https://doi.org/10.2337/dc16-S005
[2] M. Abràmoff, M. Garvin, and M. Sonka, "Retinal imaging and image analysis,” IEEE reviews in biomedical engineering, vol. 3, pp. 169-208, 2010. https://doi.org/10.1109/RBME.2010.2084567
[3] J. Köberlein, K. Beifus, C. Schaffert, and R. Finger, “The economic burden of visual impairment and blindness: a systematic review,” BMJ open, vol. 3 (11), e003471, 2013. https://doi.org/10.1136/bmjopen-2013-003471
[4] G. Labiris, E. Panagiotopoulou, and V. Kozobolis, “A systematic review of teleophthalmological studies in Europe,” International journal of ophthalmology, vol. 11 (2), pp. 314-325, 2018. https://doi.org/10.18240/ijo.2018.02.22
[5] R. Gargeya, and T. Leng, “Automated identification of diabetic retinopathy using deep learning,” Ophthalmology, vol. 124 (7), pp. 962-969, 2017. https://doi.org/10.1016/j.ophtha.2017.02.008
[6] S. Otálora, O. Perdomo, F. González, and H. Müller, “Training deep convolutional neural networks with active learning for exudate classification in eye fundus images,” In Intravascular Imaging and Computer Assisted Stenting, and Large-Scale Annotation of Biomedical Data and Expert Label Synthesis, pp. 146-154, 2017. https://doi.org/10.1007/978-3-319-67534-3_16
[7] C. Lam, C. Yu, L. Huang, and D. Rubin, “Retinal lesion detection with deep learning using image patches,” Investigative ophthalmology & visual science, vol. 59 (1), pp. 590-596, 2018. https://doi.org/10.1167/iovs.17-22721
[8] O. Perdomo, S. Otálora, F. Rodríguez, J. Arévalo, and F. González, “A novel machine learning model based on exudate localization to detect diabetic macular edema,” in Proceedings of the Ophthalmic Medical Image Analysis Third International Workshop, pp. 137-144, 2016. https://doi.org/10.17077/omia.1057
[9] B. Host, A. Turner, and J. Muir, “Real‐time teleophthalmology video consultation: an analysis of patient satisfaction in rural Western Australia,” Clinical and Experimental Optometry, vol. 101 (1), pp. 129-134, 2018. https://doi.org/10.1111/cxo.12535
[10] J. Micheletti, A. Hendrick, F. Khan, D. Ziemer, and F. Pasquel, “Current and next generation portable screening devices for diabetic retinopathy,” Journal of diabetes science and technology, vol. 10 (2), pp. 295-300, 2016. https://doi.org/10.1177/1932296816629158
[11] W. Alyoubi, W. Shalash, and M. Abulkhair, “Diabetic retinopathy detection through deep learning techniques: A review,” Informatics in Medicine Unlocked, vol. 20, e100377, 2016. https://doi.org/10.1016/j.imu.2020.100377
[12] K. Stebbins, “Diabetic Retinal Examinations in Frontline Care Using RetinaVue Care Delivery Model,” Point of Care, vol. 18 (1), pp. 37-39, 2019. https://doi.org/10.1097/POC.0000000000000183
[13] O. Perdomo, J. Arévalo, and F. González, “Convolutional network to detect exudates in eye fundus images of diabetic subjects,” in 12th International Symposium on Medical Information Processing and Analysis, 2017, e101600T. https://doi.org/10.1117/12.2256939
[14] O. Perdomo, V. Andrearczyk, F. Meriaudeau, H. Müller, and F. González, “Glaucoma diagnosis from eye fundus images based on deep morphometric feature estimation,” in Computational pathology and ophthalmic medical image analysis, pp. 319-327, 2018. https://doi.org/10.1007/978-3-030-00949-6_38
[15] B. Graham, “Kaggle diabetic retinopathy detection competition report,” Master Thesis, University of Warwick, United Kingdom, 2015.
[16] K. Zhou, Z. Gu, A. Li, J. Cheng, S. Gao, and J. Liu, “Fundus image quality-guided diabetic retinopathy grading,” in Computational Pathology and Ophthalmic Medical Image Analysis, pp. 245-252, 2018. https://doi.org/10.1007/978-3-030-00949-6_29
[17] H. Fu, B. Wang, J. Shen, S. Cui, Y. Xu, J. Liu, and L. Shao, “Evaluation of retinal image quality assessment networks in different color-spaces,” in International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 48-56, 2019. https://doi.org/10.1007/978-3-030-32239-7_6
[18] E. Decencière, X. Zhang, G. Cazuguel, B. Lay, B. Cochener, C. Trone, P. Gain, R. Ordonez, P. Massin, A. Erginay, B. Charton and J-C. Klein, “Feedback on a publicly distributed image database: the Messidor database,” Image Analysis & Stereology, vol. 33 (3), pp. 231-234, 2014. https://doi.org/10.5566/ias.1155
[19] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the inception architecture for computer vision,” in Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2818-2826, 2016. https://doi.org/10.1109/CVPR.2016.308
[20] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. Berg and L. Fei-Fei, “Imagenet large scale visual recognition challenge,” International journal of computer vision, vol. 115 (3), pp. 211-252, 2015. https://doi.org/10.1007/s11263-015-0816-y
[21] T. Vu, C. Van Nguyen, T. Pham, T. Luu, and C. Yoo, “Fast and efficient image quality enhancement via desubpixel convolutional neural networks,” in Proceedings of the European Conference on Computer Vision (ECCV), 2018. https://doi.org/10.1007/978-3-030-11021-5_16
[22] J. Wan, D. Wang, S. Hoi, P. Wu, J. Zhu, Y. Zhang, and J. Li, “Deep learning for content-based image retrieval: A comprehensive study,” in Proceedings of the 22nd ACM international conference on Multimedia, pp. 157-166, 2014. https://doi.org/10.1145/2647868.2654948
[23] Y. Cao, S. Steffey, J. He, D. Xiao, C. Tao, P. Chen, and H. Müller, “Medical image retrieval: a multimodal approach,” Cancer informatics, vol. 13, e14053, 2014. https://doi.org/10.4137/CIN.S14053