Glaukom: Neues Deep-Learning-Modell hilft beim automatisierten Screening

Eine Gruppe japanischer Forscher der Universität Tohoku hat ein neues Deep-Learning(DL)-Modell entwickelt, welches Bildauffälligkeiten im Zusammenhang mit Erkrankungen des Auges präzise und schnell erfasst.

Das DL-Modell in “Leichtbauweise” lässt sich der Forschungsgruppe zufolge mit wenigen, sogar stark verrauschten Bildern trainieren und ist ressourcenschonend, sodass es auch auf mobilen Endgeräten einsetzbar ist. Es soll genaue Analysen zur Verfügung stellen, die in Stand-alone-Selbstüberwachungsgeräten verwendet werden.

Die Gesellschaft altert und medizinisches Personal ist knapp, somit werden die DL-Modell-abhängige Selbstüberwachung und das Tele-Screening von Krankheiten immer mehr zu Routine.
Die Identifizierung von Krankheiten erfordert jedoch genaue Messungen von Anomalien. Dazu ist ein Modell notwendig, das separate Bilder betrachtet und Grenzen markiert – ein Prozess, der als Segmentierung bezeichnet wird. Eine genaue Vorhersage benötigt jedoch mehr Rechenleistung, was die Bereitstellung auf Mobilgeräten erschwert.

“Bei DL-Modellen gibt es immer einen Kompromiss zwischen Genauigkeit, Geschwindigkeit und Rechenressourcen”, sagt Toru Nakazawa, Co-Autor der Studie und Professor in der Abteilung für Augenheilkunde der Universität Tohoku, Sendai (Japan). „Das von uns entwickelte Modell hat eine bessere Segmentierungsgenauigkeit und bietet eine verbesserte Reproduzierbarkeit des Modelltrainings, sogar mit weniger Parametern – was es im Vergleich zu anderer kommerzieller Software effizienter und leichter macht.“

Um das Modell zu erstellen, kooperierten Nakazawa, Prof. Parmanand Sharma, Dr. Takahiro Ninomiya und Studenten der Abteilung für Augenheilkunde mit Prof. Takayuki Okatani von der Graduate School of Information Sciences der Tohoku-Universität. Sie verwendeten ressourcenschonende Geräte und setzten Messungen der fovealen avaskulären Zone der Netzhaut ein, um das Screening auf Glaukom zu verbessern. „Unser Modell ist auch in der Lage, Papille und Blutungen in Fundusbildern mit hoher Präzision zu erkennen beziehungsweise zu segmentieren“, fügt Nakazawa hinzu.

Die Gruppe hofft, das “Leichtbau”-DL-Modell in Zukunft auch für das Screening weiterer häufiger Augenleiden und anderer Krankheiten einsetzen zu können.

Originalpublikation:
Sharma P et al. A lightweight deep learning model for automatic segmentation and analysis of ophthalmic images. Scientific Reports 2022.
https://doi.org/10.1038/s41598-022-12486-w