Volumetrische 3D-Rekonstruktion des retinalen Gefässsystems in OCT-Angiographie

3D automatisierte Rekonstruktion und Analyse von Netzhautgefässen von gesunden und kranken Augen mit Hilfe von maschinellem Lernen und künstlicher Intelligenz in der optischen Kohärenztomographie-Angiographie.

Factsheet

  • Lead school School of Engineering and Computer Science
  • Institute Institut für Optimierung und Datenanalyse IODA
  • Funding organisation Others
  • Duration (planned) 01.11.2022 - 31.07.2025
  • Project management Tiziano Ronchetti
  • Head of project Tiziano Ronchetti
  • Project staff Sascha Ledermann
  • Partner INVENTUS BERN - Stiftung
    SWISS EYE INSTITUTE AG
    Berner Augenklinik AG
  • Keywords Krankheiten der Makula, Augenheilkunde, ophthalmologische medizinische Bildanalyse, Optische Kohärenztomographie Angiographie, maschinelles Lernen, künstliche Intelligenz, 3D Rekonstruktion Netzh

Situation

Eine perfekt funktionierende Struktur des Gefässnetzwerkes ist entscheidend für eine optimale Durchblutung der Netzhaut des menschlichen Auges. Eine regelmässige Überwachung ist wichtig, sowohl für die rechtzeitige Erkennung von pathologischen Veränderungen als auch für die Kontrolle der Wirkung von Therapien. Obwohl die "state-of-the-art" Bildgebungstechnik der optischen Kohärenztomographie-Angiographie (OCT-A) hochauflösende 2D-Projektionen der verschiedenen Gefässebenen liefert, treten Projektionsartefakte auf und die Dreidimensionalität fehlt komplett, was Diagnosen fehleranfällig macht. An dieser Stelle kann die volumetrische Rekonstruktion des retinalen Gefässsystems ein praktisches Diagnoseinstrument für klinische Fachexperten darstellen und die Möglichkeit bieten, neue Messgrössen zur Quantifizierung des Krankheitsverlaufs zu entwickeln.

Course of action

Die Methode wird an Datensätzen von Proband*innen mit gesunder Netzhaut entwickelt und ihre Robustheit zunächst an Fällen mit geringen Gefässveränderungen und relativ normaler Netzhautanatomie, wie die makuläre Teleangiektasie (MacTel2), getestet. In Folgeprojekten wird die Methode weiterentwickelt und verbessert an Datensätzen von Testpersonen mit leichten anatomischen Veränderungen ohne signifikante Beeinträchtigung der Netzhautstruktur (diabetische Retinopathie und retinale Gefässverschlüsse) und schliesslich an Patient*innen mit starken Gefässveränderungen der Netzhautarchitektur (altersbedingte Makuladegeneration). Durch die Kombination verschiedener Techniken aus dem maschinellen Lernen (ML) und der künstlichen Intelligenz (KI) wird ein hybrides Framework entwickelt, das sowohl die Extraktion von detaillierten, hochauflösenden räumlichen Informationen als auch die Extraktion von globalen Zusammenhängen aus den Daten ermöglicht.

Result

Ziel dieses Projekts ist es, die Visualisierung von Netzhautgefässen zu verbessern, um mikrovaskuläre Pathologien der Makula zu erkennen. Dies birgt ein grosses Potenzial für das Verständnis der Funktionsweise von Netzhautgefässnetzwerken im gesunden Auge und insbesondere bei pathologischen Veränderungen. Verschiedene Erkrankungen der Makula, wie die makuläre Teleangiektasie (MacTel2), die diabetische Makulopathie und die altersbedingte Makuladegeneration (AMD), weisen spezifische Gefässveränderungen auf, deren Verständnis ein aktives Forschungsfeld ist. Durch eine verbesserte nicht-invasive Bildgebung der Netzhautgefässe lassen sich eine Krankheitsprogression oder eine Reaktivierung frühzeitig erkennen. Dies könnte dann für die Therapiesteuerung genutzt werden und so die Behandlungssicherheit sowie die Langzeitprognose für die betroffenen Patient*innen verbessern.

Defekte in der Makula können zum Verlust des zentralen Sehvermögens führen.
Defekte in der Makula können zum Verlust des zentralen Sehvermögens führen.

This project contributes to the following SDGs

  • 3: Good health and well-being
  • 9: Industry, innovation and infrastructure