Modelli generativi per la sintesi di immagini OCT retiniche in relazione alla degenerazione maculare legata all'età = Generative models for synthesising retinal OCT images in relation to age-related macular degeneration

Nei Paesi industrializzati la degenerazione maculare legata all’età (Age-related Macular Degeneration, AMD) rappresenta la principale causa di perdita visiva irreversibile nella popolazione anziana. Questa patologia retinica degenerativa interessa primariamente la regione maculare, compromettendo in maniera significativa la funzione visiva centrale. Attualmente, la tomografia a coerenza ottica (Optical Coherence Tomography, OCT) è considerata il gold standard per la diagnosi precoce e per la caratterizzazione morfologica delle lesioni associate all’AMD in quanto consente un’analisi non invasiva e ad alta risoluzione delle strutture retiniche. La combinazione di questa tecnologia e di algoritmi basati sulle reti neurali (IA) renderebbe meno gravoso il lavoro dei medici nel rilevare e monitorare il decorso della malattia nel tempo. Il dataset preso in esame comprende immagini OCT relative a pazienti appartenenti ai diversi stadi della malattia (163 pazienti sani, 272 con Stadio Intermedio, 150 con Atrofia Geografica e 154 con stadio Neovascolare). Per ciascun paziente sono state raccolte 49 immagini, per un totale complessivo di 36.211 immagini OCT. Nella tesi presentata è stato analizzato il dataset al fine di allenare una rete generativa avversaria (Generative Adversarial Network o GAN) nella produzione di immagini OCT fittizie della retina aventi le stesse caratteristiche dello stadio associato. Nella prima fase del percorso è stato analizzato il contenuto semantico delle immagini originali in modo da dare alla rete un’informazione generale della struttura dell’occhio, così da poter generare una serie d’immagini coerenti tra loro che possano simulare un occhio umano reale. Nella seconda parte è stata allenata una GAN con architettura piramidale usando il contenuto semantico analizzato e le immagini originali per un totale di cento epoche. Le immagini ottenute sono state valutate sia qualitativamente dai clinici che quantitativamente. Nei pazienti sani, i valori ottenuti mostrano un PSNR di 23,19, un SSIM pari a 0,46, un FID di 28,59, errori relativi di texture analysis intorno al 3,7% e un Contrast Improvement Index (CII) pari a 1,6. Nei pazienti con stadio intermedio, i parametri risultano leggermente differenti: il PSNR scende a 22,13, l’SSIM si attesta a 0,44, mentre il FID cresce sensibilmente fino a 55,7. Gli errori relativi di texture analysis rimangono contenuti, circa il 3,5% e il CII risulta pari a 1,65. Nei pazienti con Atrofia Geografica, invece, si rileva un PSNR di 22,36 e un SSIM di 0,43. In questo gruppo il FID risulta pari a 29,08, mentre gli errori relativi di texture analysis si riducono ulteriormente, attestandosi intorno al 2,6%. Il CII, invece, mostra un incremento, raggiungendo il valore di 1,69. Infine, nei pazienti con stadio Neovascolare, i valori riportano un PSNR di 22,62, un SSIM di 0,44, un FID pari a 43,12, con errori relativi di texture analysis leggermente più alti, circa il 3,8% e un CII di 1,66. I risultati confermano la qualità delle immagini prodotte con un aumento generale del contrasto nelle immagini generate e una buona fedeltà strutturale risultando molto simili alle controparti originali. Grazie ai risultati ottenuti le immagini generate potranno essere utilizzate sia per la formazione dei medici specializzandi sia come dataset di supporto (Data Augmentation) per algoritmi di classificazione automatica, contribuendo ad aumentare l’accuratezza nel rilevamento dei diversi stadi di AMD e fornendo un valido supporto alla pratica clinica.