Development and web-based implementations of algorithms for the automatic analysis of vessels in retinal images

L'analisi del fundus retinico è diventata oramai un comune sistema diagnostico, in quanto permette di ottenere informazioni sulla circolazione sanguigna in maniera facile e non-invasiva. La mia attività di dottorato si è principalmente concentrata sullo sviluppo di algoritmi e tools per l'analisi dell'immagine retinica permettendo un'automatica e riproducibile conoscenza della circolazione sanguigna e in particolare dei parametri strutturali della rete vascolare e dei parametri clinici che da essi si possono dedurre. Se parecchi algoritmi sono stati sviluppati allo scopo di segmentare i vasi sanguigni, molti pochi sono stati proposti per il postprocessing a questo primo step. Innanzitutto quest'ulteriore elaborazione è importante perchè la segmentazione potrebbe essere affetta da alcuni errori quali il riconoscimento come vasi di altre regioni scure dell'immagine (per esempio microaneurismi e emorragie in situazioni patologiche dell'occhio, o solamente rumore, ombre e la fovea in condizioni normali). Quindi il primo compito del postprocessing consiste nel miglioramento delle prestazioni dell'algoritmo di tracking in termini di specificità: a questo scopo un modulo per il riconoscimento di falsi vasi è stato sviluppato. Dopo questo step preliminare, l'algoritmo di postprocessing analizza la rete vascolare precedentemente segmentata allo scopo di ricavare alcuni punti d'interesse dell'immagine, alcuni di essi appartenenti alla rete vascolare come biforcazioni e incroci, altri deducibili da essa come il disco ottico e la fovea. I vasi sanguigni emergono dal disco ottico come arteriole, si aprono e si diffondono quasi radialmente (nell'immagine retinica assumono un profilo a doppia arcata) e allo stesso tempo si assotigliano fino a diventare capillari. Molti di essi convergono nella fovea, ossia la zona della retina con la massima acuità visiva. Da essa dipartono i capillari con flusso venoso seguendo un percorso a parabola simile a quello arteriolare per riunirsi ancora poi nel disco ottico. Questo definito comportamento è stato utilizzato dall'algoritmo come un'utile informazione per l'identificazione del disco ottico e della fovea a partire dalla rete vascolare segmentata. L'importanza di questi punti è da ricondurre a molteplici ragioni: molte patologie colpiscono il disco ottico (come il glaucoma) o la fovea (come nella telengiectasia maculare) o entrambi e spesso il loro riconoscimento è usato per altri scopi quali la calibrazione dell'immagine. Inoltre nell'algoritmo di postprocessing l'informazione sulla loro posizione permette di capire il verso del flusso sanguigno all'interno dei singoli segmenti di vasi disconnessi tra loro. Questa informazione è stata sfruttata per la connessione di tali segmenti in un unico vaso, per esempio in presenza di un incrocio, e nel riconscimento di biforcazioni quando due rami dipartono da un unico vaso. L'algoritmo di postprocessing permette inoltre di classificare i vasi in arterie e vene ed esso può essere applicato nella diagnosi precoce delle retinopa- tie. Infatti nei primi stadi di diverse patologie sono visibili cambiamenti a livello vascolare che interessano diversamente i due tipi di vaso. Le arterie di solito appaiono più chiare delle vene e talora con un riflesso centrale dovuto alla maggiore reflettività delle pareti arteriolare in presenza di ossigeno.Tuttavia queste differenze colpiscono solo i vasi maggiori e variano fortemente da paziente a paziente e a seconda delle zone della retina, rendendo la loro classificazione un difficile compito. L'algoritmo di classificazione proposto usa un approccio modulare probabilistico: sono stati implementati diversi classificatori che restituiscono ognuno una probabilità che il vaso considerato sia vena (uguale a 1 meno la probabilità di essere arteria). Le diverse probabilità sono poi integrate sfruttando anche metainformazioni derivanti da caratteristiche topologiche dei vasi: agli incroci i due vasi appartengono a classi diverse e alle biforcazioni i due rami appartengono alla stessa classe del tronco e, ancora, nell'area attorno al disco ottico un' arteria è spesso alternata ad una vena. Oltre allo sviluppo dell'algoritmo di postprocessing la mia attività si è focalizzata sull'applicazione dell'informazione vascolare per la stima di alcuni indici clinici, in particolare della tortuosità e del rapporto Artero-Venoso (AVR). E' stato ampiamente dimostrato che le arterie si restringono (e conseguentemente è misurato un ridotto valore dell'AVR) in presenza di alcune patologie oculari come nella retinopatia diabetica e ipertensiva. E' stato osservato che uno dei loro effetti è una cresciuta tortuosità vascolare: i vasi retinici in condizioni normali sono dritti o leggermente curvi, ma si dilatano e aumentano in tortuosità in presenza di alta pressione del sangue, angiogenesi e congestione vasale. Tuttavia questo comportamento, in particolare nel caso del diabete, non è stato chiaramente capito e dimostrato in maniera affidabile, sostanzialemente perchè una misura quantitativa della tortuosità non esiste ancora, così come i tool per poterla misurare. Fino ad ora la tortuosità è stata valutata dagli esperti usando una scala qualitativa (leggera, modesta, severa e estrema), ma una misura quantitativa permetterebbe di comprendere e verificare più facilmente la tortuosità vascolare retinica e la sua progressione. Inoltre la mancanza di tool che forniscono una misura automatica di tortuosità, ha finora impedito l'analisi di questo segno nella normale pratica clinica. Infine in letteratua alcuni lavori propongono misure di tortuosità del singolo vaso, mentre non è ancora stata proposta una misura di tortuosità dell'intera immagine. La collaborazione con il Reading Center, Dipartimento R\&D, del Moorfields Eye Hospital di Londra, dove ho trascorso sei mesi, ha permesso di approfondire la conoscenza riguardo i cambiamenti di tortuosità dei vasi in presenza di retinopatia diabetica. Inoltre ha permesso di svolgere uno studio sulla valutazione degli esperti e la loro percezione riguardo il parametro tortuosità e, infine, di sviluppare un tool per la misura di questo parametro. Lo studio riguardo la percezione clinica della tortuosità è stato organizzato come segue: è stato chiesto a due esperti di classificare il livello di tortuosità (distinguendo tra 6 classi) di un dataset di 200 immagini appartenenti a 50 pazienti mongoli (2 immagini per occhio: una con FoV centrato sul disco ottico, l'altra sulla macula, e entrambi gli occhi sono stati considerati). E' apparso che i graders condividono, ma solo modestamente, la percezione di tortuosità, che entrambi i FoV sono necessari per una misura affidabile di tortuosità e la modesta correlazione tra occhio destro e sinistro ha suggerito che la tortuosità potrebbe essere parzialmente congenita e parzialmente dovuta a condizioni patologiche del singolo occhio. Allo scopo di stimare la tortuosità in modo automatico, una misura di tortuosità del singolo vaso è stata proposta: essa integra l'informazione sul numero di cambiamenti di convessità (o del segno di curvatura) del vaso e sull'ampiezza di ciascun segmento di curva (delimitato da due cambiamenti in convessità), e considera anche il diametro del vaso. Una seconda misura di tortuosità è stata proposta: essa considera soltanto i cambiamenti locali di curvatura e il diametro locale del vaso, senza considerare a quale vaso appartenga il punto considerato. Entrambe le misure correlano bene con la percezione di tortuosità degli esperti, offrendo quindi una stima di essa quantitativa, obiettiva e riproducibile. Inoltre la correlazione di tali misure con i dati clinici suggerisce che la tortuosità abbia potere diagnostico per la retinopatia diabetica. Infine due sistemi sono stati sviluppati: uno per la stima dell'AVR (AVRnet) e l'altro per la stima della tortuosità (TorTnet). Entrambi sono composti di un modulo automatico per il tracking vascolare, di un'interfaccia interattiva per correggere gli errori in modo facile e veloce e per settare i parametri d'analisi richiesti, e di un modulo per il calcolo degli indici clinici. I sistemi sono stati organizzati con una struttura client-server per permettere a clinici e ricercatori da tutto il mondo di poter lavorare con essi da remoto.