Automatic quantification of toric intraocular lens orientation based on visual computing and deep learning

Abstract

Bei der Durchführung einer Kataraktoperation wird die natürliche Linse durch eine künstliche ersetzt, wodurch die Möglichkeit besteht, eine Hornhautverkrümmung mithilfe torischer Intraokularlinsen zu korrigieren. Die Wirksamkeit dieser Linsen hängt von ihrer präzisen Ausrichtung ab. Allerdings kann sich die torische Intraokularlinse in den Wochen/Monaten nach der Operation drehen. Diese postoperative Rotation verringert die Korrekturwirkung der torischen Intraokularlinse erheblich.Derzeitige Methoden zur Beurteilung der Rotation sind manuell, zeitaufwendig und oft ungenau. Diese Arbeit entwickelt und evaluiert zwei automatisierte Methoden zur Beurteilung der Rotation - eine auf Computer Vision basierende sowie eine Deep-Learning-basierte Methode - mit dem Ziel, die Rotation der Linse präzise zu bestimmen. Die Methoden wurden anhand eines Datensatzes von Bildern von 130 Patienten getestet und ihre Genauigkeit mit manuellen Messungen von Ärzten verglichen. Die Deep-Learning-basierte Methode erreichte eine Vorhersagegenauigkeit von weniger als 6 Grad für mehr als 82% der Bilder. Diese Methode basiert auf einem standardisierten ResNet18-Modell, das zusätzlich explizit extrahierte Merkmale nutzt.Dieser Ansatz kann in einem Klassifikator-Setting mit einem entsprechend gewählten Schwellenwert auf den postoperativen Intervallen von 1 Stunde bis zu 6 Monaten nach der Operation etwa 50% der angenommenen pathologischen Fälle mit einer Linsenrotation über 2 Grad erkennen. Dieses vorläufige Ergebnis muss mit einem größeren Patientendatensatz weiter validiert und spezifiziert werden. Dies zeigt jedoch bereits die Machbarkeit einer vollständigen Automatisierung des Beurteilungsprozesses der Linsenrotation mit angemessener Genauigkeit.Darüber hinaus legen die Ergebnisse nahe, dass die Deep-Learning-Methode weiter verbessert werden kann und ein hohes Potenzial besitzt, die Vorhersagegenauigkeit und damit die praktische Anwendbarkeit weiter zu steigern.

When cataract surgery is performed, the natural lens is replaced with an artificial one, which offers the opportunity to correct astigmatism using toric intraocular lenses. The effectiveness of these lenses depends on their precise orientation. However the toric intraocular lens can be rotated in the following weeks/months after the operation, due to currently not clarified reasons. This postoperative rotation significantly reduces the corrective power of the toric intraocular lens. State of the art methods for assessing rotation are manual, time-consuming and often inaccurate. This thesis develops and evaluates two automated candidate assessing methods - using a computer vision-based and a deep learning-based approach - in order to determine lens rotation accurately. The methods were tested on a dataset of images of 130 patients and their accuracy was compared to manual measurements performed by physicians. The deep learning-based approach achieved a prediction accuracy of less than 6 degrees for more than 82% of the images. This is based on a standardized ResNet18 model, which also uses explicitly extracted features. This approach can detect approximately 50% of the assumed pathological cases, having a lens rotation above 2 degrees, when used in a classificator setting with a properly set threshold on the postoperative intervals between 1 hour up to 6 months after the operation on the considered image set. This preliminary result must be justified and specified on an image set with a higher number of patients. This demonstrates the feasibility of fully automating the lens rotation assessment process with appropriate accuracy. In addition, the results suggest that the deep learning method can be further improved and has high potential to improve the prediction accuracy and therefore the practical usability of it.