Deep Learning-Based Retinal Layer Segmentation in Optical Coherence Tomography Scans of Patients with Inherited Retinal Diseases

Abstract

Background: On optical coherence tomography (OCT) scans of patients with inherited retinal diseases (IRDs), the outer nuclear layer (ONL) thickness measurement has been well established as a surrogate marker for photoreceptor preservation. Current automatic segmentation tools fail in OCT segmentation in IRDs, and manual segmentation is time consuming. Methods and Material: Patients with IRD and the availability of an OCT scan were screened for the present study. Additionally, OCT scans of patients without retinal disease were included, to provide training data for the artificial intelligence (AI). We trained a U-net based model on healthy patients and applied a domain adaption technique to IRD patients’ scans. Results: We established an AI-based image segmentation algorithm that reliably segments the ONL in OCT scans of IRD patients. In a test dataset, the dice-score of the algorithm was 98.7%. Furthermore, we generated thickness maps of the full retinal thickness and the ONL layer for each patient. Conclusion: Accurate segmentation of anatomical layers on OCT scans plays a crucial role for predictive models linking retinal structure to visual function. The here-presented OCT image segmentation algorithm could provide the basis for further studies on IRDs. Hintergrund: Bei der optischen Kohärenztomographie (OCT) von Patienten mit erblichen Netzhauterkrankungen hat sich die Messung der äußeren Körnerschichtdicke (ONL) als Marker für den Erhalt der Photorezeptoren bewährt. Derzeitige automatische Segmentierungsprogramme versagen bei der OCT-Segmentierung dieser Patienten, und die manuelle Segmentierung ist zeitaufwendig. Methoden und Material: Für die vorliegende Studie wurden Patienten mit erblichen Netzhauterkrankungen und der Verfügbarkeit eines OCT-Scans eingeschlossen. Zusätzlich wurden OCT-Scans von Patienten ohne Netzhauterkrankung einbezogen, um Trainingsdaten für die künstliche Intelligenz (KI) zu generieren. Wir trainierten ein auf einem U-Netz basierendes Modell an gesunden Patienten und wendeten eine Anpassungsmethode auf die pathologisch veränderten Scans von Patienten an. Ergebnisse: Es wurde ein KI-basierter Bildsegmentierungsalgorithmus entwickelt, der die ONL in OCT-Scans von Patienten mit erblichen Netzhauterkrankungen zuverlässig segmentieren kann. In einem Testdatensatz lag der Dice-Score des Algorithmus bei 98,7 %. Außerdem erstellten wir für jeden Patienten Dickenkarten der gesamten Netzhautdicke und der ONL-Schicht. Schlussfolgerung: Eine präzise Segmentierung anatomischer Schichten auf OCT-Scans ist entscheidend für Prognosemodelle, welche Netzhautstruktur und Sehfunktion korrelieren. Der hier vorgestellte OCT-Bildsegmentierungsalgorithmus könnte die Grundlage für weitere Studien bezüglich erblichen Netzhauterkrankungen darstellen.