IMAGE SEGMENTATION METHODS FOR THE BIOMECHANICAL ANALYSIS OF KERATOCONIC AND HEALTHY CORNEAS USING IN VIVO DATA FROM AIR-PUFF DEFORMATION OPTICAL COHERENCE TOMOGRAPHY

Abstract

El queratocono es una distrofia corneal ectásica y degenerativa, caracterizada por un adelgazamiento localizado de la córnea que transforma la córnea en una forma cónica. Dado que es una enfermedad degenerativa, la detección temprana es crucial para intervenir en la enfermedad. En los últimos años, se ha planteado y demostrado que las mediciones de la biomecánica corneal se pueden utilizar para la detección temprana de enfermedades como el queratocono. La combinación de técnicas de imagen avanzadas y estímulos de excitación corneal permite la extracción de datos basados en el comportamiento biomecánico de la córnea, lo cual a su vez puede contribuir a un diagnóstico temprano de la enfermedad.

En este trabajo, se utilizó la Tomografía de Coherencia Óptica (OCT) acoplada a una excitación con ráfagas de aire para extraer parámetros de deformación corneal de 5 pacientes con queratocono y 5 sujetos de control. Aquí, la córnea se deforma mediante un pulso de aire rápido, mientras que la deformación se captura mediante imágenes OCT de barrido de fuente ultrarrápida. La segmentación de imágenes OCT resultantes generalmente se realiza utilizando un algoritmo de segmentación semiautomático basado en contornos activos, que requiere que el usuario ingrese y corrija manualmente las imágenes. Existe la necesidad de un algoritmo automatizado para reducir la carga de trabajo y el tiempo invertido en la segmentación.

Este proyecto aborda esta necesidad con la introducción de un algoritmo de segmentación automática llamado Algoritmo Revertido de Contornos Activos (RACA). Esta nueva metodología mejora el algoritmo de segmentación semiautomática (SDCA) que se utiliza en el Laboratorio de Óptica Visual y Biofotónica (IO-CSIC). RACA incluye un enfoque inverso al proceso de segmentación para reducir la acumulación de errores, una función de "fuerza de globo" para mejorar el modelo de contornos activos, un filtrado de las imágenes tanto por la experiencia del usuario como por el algoritmo, y una metodología automatizada de extracción de datos para reducir el tiempo invertido. Para la evaluación de RACA, se realizó la segmentación de 10 pacientes utilizando el metodo manual (estándar de oro), SDCA y RACA, y se calcularon cuatro parámetros de deformación para cada método, que son la relación de asimetría, la relación de amplitud de deformación, la distancia de pico a pico y la relación inversa. Los parámetros de deformación calculados para el algoritmo RACA y SDCA se compararon con el estándar de oro utilizando la diferencia media y el error estándar como métricas. La metodología RACA mejoró en 3 de los parámetros en comparación con SDCA, y redujo el tiempo en casi un 85\%.

En general, la nueva metodología RACA se puede utilizar para la extracción de estos parámetros para la evaluación de cambios en la biomecánica de la córnea, así como para su aplicación en la esclera. Además, la metodología presentada se puede utilizar para futuras mejoras.