Framework to correct for eye motion artefacts in optical coherence tomography imaging

Abstract

Tomografia de Coerência Óptica (OCT) é a técnica de diagnóstico não invasiva utilizada para adquirir imagens de cortes transversais da retina. Apesar de ser uma técnica utilizada recorrentemente em prática clínica, a correção de artefactos do movimento nas imagens adquiridas é ainda um dos maiores desafios nesta área. Durante a aquisição de imagens de OCT, os movimentos involuntários do olho provocam artefactos substanciais, o que dificulta a interpretação e análise da informação adquirida. Desta forma, o principal objetivo deste projeto era desenvolver um algoritmo para corrigir artefactos do movimento para volumes de OCT. Para isso, foram adquiridos volumes de OCT com simulação de movimentos involuntários do olho, e foram ainda estudadas duas abordagens de registro de imagens. O fantoma do olho foi desenvolvido com as principais estruturas do olho humano: a lente (segmento anterior), o humor vítreo e três camadas posteriores do olho: a retina, a coroide e a esclera. Este fantoma do olho foi utilizado para adquirir um data set sintético, que consiste em 156 volumes de OCT com artefactos do movimento simulados por dois motores externos. Neste data set foram replicados dois movimentos involuntários do olho: drifts e microsaccades. A sua amplitude e frequência está dentro dos valores fisiológicos (microsaccades com amplitudes entre 0.25º e 1º, e frequência de 2 revoluções por minuto (RPM); drifts com amplitudes entre 0.05º e 0.75º, e frequência entre 0.02RPM e 0.08RPM). Estes volumes foram utilizados para estudar e comparar a performance de duas abordagens de registo de imagem. Os dois algoritmos selecionados são algoritmos de análise de intensidade de imagem, para o registo de imagem ser independente de estruturas específicas. Um dos algoritmos utilizados usa um processamento de imagem convencional, com abordagem em pares de scans. O outro algoritmo estudado utiliza uma abordagem deep-learning, com uma abordagem em grupo de scans, o que permitiu preservar a estrutura da retina. A distância Euclideana e o coeficiente de Dice foram utilizados como métricas para avaliar os algoritmos. O algoritmo com a melhor performance, o modelo baseado na abordagem de deep-learning, foi testado num data set de pacientes, que consiste em 146 volumes de OCT de 19 pacientes. Os resultados foram analisados comparando um algoritmo pré-treinado, em volumes adquiridos com o fantoma do olho, com um algoritmo sem pré-treino. Os resultados mostraram que o algoritmo pré-treinado melhora os resultados em imagens clínicas. De um modo geral, o fantoma desenvolvido representa as estruturas essenciais do olho humano, permitindo a aquisição de volumes de OCT que simulam os movimentos involuntários do olho. O algoritmo criado pode ser utilizado para melhorar e validar diversos algoritmos de registo de imagem, nomeadamente para microsaccades com maiores amplitudes, que são os movimentos mais difíceis de corrigir. Para além disso, o algoritmo pré-treinado mostrou melhorias quando comparado com o algoritmo sem pré-treino, o que significa que data sets com poucos volumes podem ser melhorados com a utilização de algoritmos pré-treinados em tarefas semelhantes de registo de imagens.

Optical Coherence Tomography (OCT) is a noninvasive imaging technology used to obtaincross-sectional images of the retina. Despite being an imaging technique routinely used inclinical practice, correction of motion artefacts remains one of its major challenges. Involuntaryeye movements during the OCT acquisition create substantial artefacts in the volumetric datawhich difficults its interpretation and analysis. Hence, the main goal of this project was todevelop a framework for correcting intra-volume motion artefacts in OCT imaging. For that,OCT data with simulated motion artefacts from an eye phantom was obtained and used to studytwo image registration approaches.The eye phantom was designed and created with the following structures: the lens (anteriorsegment), the vitreous body, and three posterior segment layers (the retina, the choroid, andthe sclera). This eye phantom was used to acquire a synthetic OCT data set consisting of 156volumes with intra-volume motion artefacts simulated by two external motors. In this set, tworealistic involuntary eye movements were replicated: drifts and microsaccades. Their amplitudeand frequency values were within the physiological range (microsaccades with amplitude between0.25°and 1°, and frequency of 2 revolutions per minute (RPM); drifts with amplitude between0.05°and 0.75°, and frequency between 0.02RPM and 0.08RPM). These volumes were used tostudy and compare the performance of two state-of-the-art registration approaches. Both algorithmswere chosen to be intensity-based, in order to keep independence from engineeredfeatures. One of the algorithms used a conventional image processing, pair-wise approach, andcompared pairs of B-scans on a multi-resolution level. The other algorithm used a deep leaninggroup-wise approach, which allowed it to preserve the retinal curvature better. Dice score andthe Euclidean distance were used to objectively evaluate the algorithms. The algorithm withthe best performance, the deep learning based model, was tested in a patient database consistingof 146 OCT volumes from 19 patients. The results were further analysed by comparing apre-trained model on phantom data with a non pre-trained algorithm. The results showed that the pre-training with the phantom OCT data improves the registration results on clinical data.Overall, the developed eye phantom has shown to be representative of the main human eyestructures allowing the acquisition of OCT data that mimics different involuntary eye movements.The created framework can be used to further improve and validate registration algorithmsnamely for microsaccades with large amplitudes, which has revealed to be more challengingin this project. In addition, the pre-trained algorithm showed improvements when compared tothe non pre-trained algorithm, meaning that smaller data sets can be compensated by the usageof pre-training algorithms on similar registration tasks.