Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
DIPL.-INF. HOLGER LANGNER, PROF. DR. MARC RITTER
Vortrag zum Workshop „LocalizeIT“
IM RAHMEN DER CHEMNITER LINUXTAGE 2019
ANWENDUNG VON DEEP-LEARNING-VERFAHREN
ZUR OCT-BILDANALYSE BEI DEGENERATIVEN
NETZHAUTERKRANKUNGEN
17.03.19
1. Kurzvorstellung unseres Forschungsprojekts TOPOs
2. Degenerative Netzhauterkrankungen in der Augenmedizin: Bedeutung, Diagnostik und
Therapie
3. Der TOPOs-Patientendatenbestand
4. Anwendung von Maschinellen Lernverfahren auf die OCT-Bildanalyse in der
Augenmedizin
VORTRAGSGLIEDERUNG
2
DAS FORSCHUNGSPROJEKT TOPOS
4
Das Projekt wird gefördert von: BMBF Förderschwerpunkt „Digitale Gesundheitsversorgung“
▪ Laufzeit: 02.2017 - 01.2020
Beteiligte Forschungspartner:
Professur Medieninformatik
Fakultät für Angewandte Computer- und
Biowissenschaften
http://topos.averbis.de/
Averbis GmbH, Freiburg
Verbundkoordinator
Klinik für Augenheilkunde am
Universitätsklinikum Freiburg
Universität Rostock
Institut für Informatik
Visual Computing und Computergraphik
▪ Degenerationsprozess der menschlichen Netzhaut, häufig altersbedingt (AMD)
▪ ist in Deutschland mit 50% Anteil die häufigste Ursache für eine schwere Sehbehinderung1
▪ jährlich erblinden in Deutschland dadurch etwa 5.000 Menschen neu
▪ 2012 waren in Deutschland rund 1.6 mio. Menschen ernsthaft daran erkrankt, und weitere 2.6 mio. im Frühstadium
▪ weltweit sind es ca. 20-25 mio. Menschen
▪ eine individuelle Therapie-Erfolgsprognose war bisher nicht möglich
6
DEGENERATIVE NETZHAUTERKRANKUNGEN
1lt. Berufsverband der Augenärzte Deutschlands e.V. (BVA)
ALTERSBEDINGTE MAKULADEGENERATION
AM SEHVORGANG DIREKT BETEILIGTE AUGENTEILE
7
DEGENERATIVE NETZHAUTERKRANKUNGEN
Bildquelle: Wikipedia
Netzhaut (Retina)
mit Makula /Fovea Centralis
FUNDUSKAMERA
8
BILDGEBENDE VERFAHREN IN DER OPTHALMOLOGIE
Bildquellen: Wikipedia, 2, 3commons.wikimedia.org
Funduskamera2
Fundusbild eines gesunden rechten
Auges3
FUNDUSKAMERA
9
BILDGEBENDE VERFAHREN IN DER OPTHALMOLOGIE
Sehnerv / Papille
Fovea Centralis, Punkt des schärfsten Sehens
Fundusbild eines gesunden rechten Auges
OPTISCHE KOHÄRENZTOMOGRAFIE (OCT)
10
BILDGEBENDE VERFAHREN IN DER OPHTHALMOLOGIE
Bildquellen: 1http://www.labmedicasystems.com/spectral-domain-oct.php?c=2,2Videoausschnitt „SPECTRALIS 4D HD Eye Health Check”, https://www.youtube.com/watch?v=c9MWijaByek
Laser-Ophthalmoskop
Heidelberg Spectralis OCT1
volumetrische OCT-Tiefenschnitt-
aufnahme der Netzhautregion2
11
DEGENERATIVE NETZHAUTERKRANKUNGEN
MAKULADEGENERATION: FORMEN UND VERLAUF
Trockene Form der AMD
▪ Einlagerung der Abbaustoffe in Drusen
Drusenbildung bei trockener AMD
Retinales Pigmentepithel (RPE)
im gesunden Zustand
12
DEGENERATIVE NETZHAUTERKRANKUNGEN
MAKULADEGENERATION: FORMEN UND VERLAUF
Retinales Pigmentepithel (RPE)
im gesunden Zustand
Atrophie bei trockener AMD
Trockene Form der AMD
▪ Einlagerung der Abbaustoffe in Drusen
▪ späte Phase: Absterben der Photorezeptoren
(geographische Atrophie)
▪ führt i.A. zu Erblindung
▪ ist nicht direkt therapierbar
▪ derzeit Suche nach Prognoseindikatoren, die
anzeigen, ob eine frühe Phase in die späte
Phase übergehen wird
13
DEGENERATIVE NETZHAUTERKRANKUNGEN
MAKULADEGENERATION: FORMEN UND VERLAUF
Feuchte Form der AMD
▪ Auge bildet neue Blutgefäße aus, die beim
Abtransport der Abbaustoffe helfen sollen
(Choroidale Neovaskularisationen)
▪ führt zu Leckagen d.h. Flüssigkeits-
ansammlungen sowie Blutungen
subretinale Flüssigkeit bei feuchter AMD
Retinales Pigmentepithel (RPE)
im gesunden Zustand
14
DEGENERATIVE NETZHAUTERKRANKUNGEN
MAKULADEGENERATION: FORMEN UND VERLAUF
Feuchte Form der AMD
▪ Auge bildet neue Blutgefäße aus, die beim Abtransport der Abbaustoffe helfen sollen(Choroidale Neovaskularisationen)
▪ führt zu Leckagen d.h. Flüssigkeits-ansammlungen sowie Blutungen
▪ Therapie: Injektion von VGEF-Inhibitoren in die Netzhaut („IVOM“-Therapie)
▪ unterdrücken des Blutgefäßwachstums
▪ Leckagen klingen dann ab
▪ Serie mehrerer Injektionen notwendig (Wirkung über ca. 4 Wochen hinweg)
subretinale Flüssigkeit bei feuchter AMD
15
DEGENERATIVE NETZHAUTERKRANKUNGEN
MAKULADEGENERATION: FORMEN UND VERLAUF
Feuchte Form der AMD
▪ Auge bildet neue Blutgefäße aus, die beim Abtransport der Abbaustoffe helfen sollen(Choroidale Neovaskularisationen)
▪ führt zu Leckagen d.h. Flüssigkeits-ansammlungen sowie Blutungen
▪ Therapie: Injektion von VGEF-Inhibitoren in die Netzhaut („IVOM“-Therapie)
▪ unterdrücken des Blutgefäßwachstume
▪ Leckagen klingen dann ab
▪ Serie mehrerer Injektionen notwendig (Wirkung über ca. 4 Wochen hinweg)
▪ Komplizierte Form: Flächenblutungen und Vernarbung Makulanarbe bei feuchter AMD
▪ wir verwenden einen „Realwelt“-
Klinikdatensatz der Augenklinik am
Universitätsklinikum Freiburg
▪ Historie von ca. 3600 Patienten
▪ erhoben im Zeitraum zwischen 2007 und
01.2018
▪ zumeist ältere Patienten
▪ jeder von ihnen hat mind. einmal eine IVOM-
Therapie bekommen
▪ viele davon über lange Zeit hinweg
▪ ansonsten keine besonderen Auswahlkriterien
▪ viele Patienten leiden an mehreren
Augenerkrankungen gleichzeitig
DER TOPOS PATIENTENDATENSATZ
17
DATENERHEBUNG IN DER AUGENMEDIZIN
Datenelement Anzahl
Datensätze
Patienten 3 683
OCT Exportdateien 49 856
OCT-Befunde 110 283
OCT-Einzelbilder („B-Scans“) 3 465 957
Fundusbilder 110 282
ICD/OPS Ereignisse 334 102
Visusmessungen 86 491
Händisch erhobene OPS-Ereignisse 45 491
Arztbriefe 40 485
Averbis Text-Mining-Annotationen,
extrahiert aus Arztbriefen
> 280 000
WIE WERDEN PATIENTENDATEN COMPUTERTECHNISCH ERFASST?
18
DATENERHEBUNG IN DER AUGENMEDIZIN
Schematische Darstellung (BPMN) am Beispiel der Augenklinik Freiburg
WIE WERDEN PATIENTENDATEN COMPUTERTECHNISCH ERFASST?
19
DATENERHEBUNG IN DER AUGENMEDIZIN
Anonymisierung
Dateiexport und -transfer
ca. 2.6 TB Rohdaten, nach Aufbereitung ca. 500GB KIS-seitige Entwicklungdauer
für Datenbereitstellung:
ca. 9-12 Monate
AUFBEREITUNG DER OCT-BILDROHDATEN
20
DATENERHEBUNG IN DER AUGENMEDIZIN
1https://bitbucket.org/uocte/uocte/wiki/Home2http://www.labmedicasystems.com/spectral-domain-oct.php?c=2
*.E2E-Files
Heidelberg Spectralis OCT-Gerät2
OCT-Bilddatenserver
Dateiexport
UOCTE-Bildexport
B-Scans als 512 x 496 Grauwert *.png
reine Rechenzeit für
50000 E2E-Files:
ca. 450h
1. Export des proprietären OCT-Bildformats
(E2E) in Bilddateien mit dem „Unified OCT
Explorer“1
▪ Bilder werden anschließend im
Dateisystem verwaltet
EIN EINFACHES OCT-KLASSIFIKATIONSBEISPIEL
22
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
Diagnoseklassifikation: Unterscheidung feuchte vs. trockene AMD
▪ Aufgabe für das Klassifikationssystem:
▪ wir zeigen dir ein OCT-Bild eines an AMD erkrankten Patienten
▪ entscheide, welche Form der AMD dieser Patient hat
feucht
?trocken
FUNKTIONSPRINZIP MASCHINELLER LERNVERFAHREN
23
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
Trainingsmenge von OCT-Bildern d.h. für diese ist uns bekannt,
ob jeweils AMD feucht oder trocken vorliegt
feucht
trockenDeep-Learning-System
Trainingsphase:
das System lernt die Klassenzuordnung aus
den ihm präsentierten Beispielen
es werden sehr viele Bildbeispiele
pro Patientenkategorie benötigt!
▪ wurde eingeführt von Simonyan and Zisserman: “Very Deep Convolutional Networks for Large Scale
Image Recognition”
24
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
AUFBAU EINES CNN
Bildquelle: Webseite “VGG in Tensorflow” (Davi Frossard), https://www.cs.toronto.edu/~frossard/post/vgg16/ (letzter Zugriff: 14.03.19)
VGG16-CNN-Architektur:
25
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
AUFBAU EINES CNN
Input Image
128x128x8bit
conv2d_1
8x28x96 relu
… …
conv2d_2
9x9x64 relu
MaxPooling 3x3
…
conv2d_3
3x3x256MaxPooling 3x3
dense_1
1024, reludense_2
1024, relu
dense_3
512, relu
trocken
feucht
Output
2, softmax
adam update
cross entropy loss
lrate 0.00015
80 epochs
Beispiel für ein funktionsfähiges handcrafted CNN:
EIN EINFACHES OCT-KLASSIFIKATIONSBEISPIEL
27
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
Diagnoseklassifikation: Unterscheidung feuchte vs. trockene AMD
▪ Aufgabe für das Klassifikationssystem:
▪ wir zeigen dir ein OCT-Bild eines an
AMD erkrankten Patienten
▪ entscheide, welche Form der AMD
dieser Patient hat
feucht
?trocken
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
28
Typisches Klassifikationsergebnis:
Diagnoseklassifikation: Unterscheidung feuchte vs. trockene AMD
Accuracy: 87,3% (80/20-Test)
▪ → CNNs sind offenbar sehr gut darin,
komplexe Befundmerkmale in Bildern zu
detektieren
▪ Wie viele Injektionsserien werden notwendig
sein?
▪ Wird der Patient viele Serien über lange Zeit
hinweg benötigen?
▪ Oder wird der Zustand nach den ersten Serien
dann stabil bleiben (regelmäßige Kontrolle)
▪ Wie hoch ist das Risiko einer ungeplanten
Therapiepause?
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
29
Kernproblem: Individuelle Erfolgsprognose der IVOM-Therapie
29
Wird eine IVOM-Therapie dem individuellen Patienten wahrscheinlich helfen?
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
30
Patientensegmentierung nach Therapieerfolg
▪ Woran kann man an einer vorhandenen
Patientenhistorie erkennen, ob die Therapie
erfolgreich war?
▪ → am Verlauf des Visus
IVOM-Injektionstermine
Kontrolltermine
fiktiver Idealverlauf des Visus bei erfolgreicher
Therapie:
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
31
Praxisprobleme bei der Patientensegmentierung nach Therapieerfolg
▪ Wie kann man diese Idealverläufe in der
Datenmenge automatisch auffinden?
▪ Visusdelta mit Schwellenwert?
▪ reicht nicht aus, denn
▪ nur wenige Patienten weisen einen
solchen Idealverlauf auf, da viele andere
Einflussfaktoren den Visus drastisch
verändern
▪ bisherige Lösung: grobes Vorfiltern und
händisches Annotieren an Hand mehrerer
Faktoren gleichzeitig
▪ Form des Verlaufs
▪ Berücksichtigen von anderen
Einflussfaktoren
unterscheidbare Kategorien des Therapieerfolgs:
4_untreat: IVOM-Therapie ist nicht (mehr) anwendbar
z.B. da der Visus von Anfang an sehr schlecht (<0.05 vdez) war
2_instable: Sehschärfe stabilisiert sich, benötigt aber über
lange Zeit hinweg beständige IVOM-Therapie
1_decr: Visus nimmt trotz Therapie sukzessive / drastisch ab
3_incr: der Patient spricht dauerhaft auf eine kurze Therapie an
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
32
Praxisprobleme bei der Patientensegmentierung nach Therapieerfolg
insgesamt 7726 Sehverläufe (= Augen)
2596 = 33,6% zu kurze Befundhistorie
weniger als 6 Visusmessungen
63 = 0,8% increasing 98 = 1,3% instable
139 = 1,3% decreasing
4830 = 4_untreat oder unklar
▪ Das Endergebnis: eine Tabelle mit händisch
nach Verlaufskategorie annotierten Patienten
▪ enthält alle eindeutigen Fälle
PID eyeSide performerClass
2273 R 3_incr
2318 L 1_decr
437 R 1_decr
152 L 2_stable
1882 R 2_stable
… … …
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
33
Vorhersage des Therapieerfolgs an Hand eines OCT-Befundes
▪ Aufgabe für das Prognosesystem:
▪ wir zeigen dir ein OCT-Bild vom
Erstbefund des Patienten
▪ sage vorher, in welcher Erfolgskategorie
der Patient am Ende landen wird
1_decr
? 2_instable
3_incr
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
34
Vorhersage des Therapieerfolgs an Hand eines OCT-Befundes
▪ Training des Prognosesystems:
▪ bekommt als Bilddatenmenge alle B-
Scans des ersten OCT-Befunds des
jeweiligen Patienten
▪ Bilddatenmenge enthält alle 300
Sehverläufe, die eindeutig
kategorisierbar waren
▪ davon wurden 90% fürs Training und
10% für den Test verwendet
Kategorie Anzahl Bilder in der
Trainingsmenge
Anzahl Bilder in
der Testmenge
1_decr 3231 360
2_instable 2197 245
3_incr 1539 172
▪ → Es gibt Anzeichen dafür, dass
Informationen über den finalen Therapieerfolg
bereits im ersten OCT-Befund enthalten sind
▪ Nächste Schritte im FuE-Projekt:
▪ Vertreter der Kategorie 4_untreat
herausfiltern
▪ die unklaren Fälle in den Griff bekommen
▪ die Beispielmenge erweitern, um valide /
reproduzierbare Ergebnisse zu erhalten
▪ empirischer Vergleich mit der
Prognosefähigkeit menschlicher
Fachexperten
ANWENDUNG DES MASCHINELLEN LERNENS AUF OCT-BILDER
35
Accuracy: 77,09%
Typisches Klassifikationsergebnis:
Vorhersage des Therapieerfolgs an Hand eines OCT-Befundes