Published May 4, 2021 | Version v1
Publication Open

Deep learning for gradability classification of handheld, non-mydriatic retinal images

Creators

  • 1. University College London
  • 2. Sankara Nethralaya
  • 3. Dr. Mohan's Diabetes Specialities Centre
  • 4. Madras Diabetes Research Foundation
  • 5. King's College London
  • 6. Moorfields Eye Hospital
  • 7. NIHR Moorfields Biomedical Research Centre
  • 8. Aravind Eye Hospital
  • 9. L V Prasad Eye Institute
  • 10. Chaithanya Eye Hospital and Research Institute
  • 11. Aditya Jyot Eye Hospital
  • 12. Fernandez Hospital
  • 13. Dr. Shroff's Charity Eye Hospital
  • 14. Little Flower Hospital & Research Centre
  • 15. Narayana Nethralaya
  • 16. PBMA's H.V. Desai Eye Hospital
  • 17. Meenakshi Academy of Higher Education and Research

Description

Screening effectively identifies patients at risk of sight-threatening diabetic retinopathy (STDR) when retinal images are captured through dilated pupils. Pharmacological mydriasis is not logistically feasible in non-clinical, community DR screening, where acquiring gradable retinal images using handheld devices exhibits high technical failure rates, reducing STDR detection. Deep learning (DL) based gradability predictions at acquisition could prompt device operators to recapture insufficient quality images, increasing gradable image proportions and consequently STDR detection. Non-mydriatic retinal images were captured as part of SMART India, a cross-sectional, multi-site, community-based, house-to-house DR screening study between August 2018 and December 2019 using the Zeiss Visuscout 100 handheld camera. From 18,277 patient eyes (40,126 images), 16,170 patient eyes (35,319 images) were eligible and 3261 retinal images (1490 patient eyes) were sampled then labelled by two ophthalmologists. Compact DL model area under the receiver operator characteristic curve was 0.93 (0.01) following five-fold cross-validation. Compact DL model agreement (Kappa) were 0.58, 0.69 and 0.69 for high specificity, balanced sensitivity/specificity and high sensitivity operating points compared to an inter-grader agreement of 0.59. Compact DL gradability model performance was favourable compared to ophthalmologists. Compact DL models can effectively classify non-mydriatic, handheld retinal image gradability with potential applications within community-based DR screening.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يحدد الفحص بشكل فعال المرضى المعرضين لخطر اعتلال الشبكية السكري الذي يهدد البصر (STDR) عندما يتم التقاط صور الشبكية من خلال بؤبؤ العين المتوسع. توسع الحدقة الدوائي غير ممكن من الناحية اللوجستية في الفحص غير السريري المجتمعي، حيث يُظهر الحصول على صور الشبكية القابلة للتدرج باستخدام الأجهزة المحمولة باليد معدلات عطل فنية عالية، مما يقلل من اكتشاف STDR. يمكن أن تدفع تنبؤات قابلية التدرج القائمة على التعلم العميق (DL) عند الاستحواذ مشغلي الأجهزة إلى استعادة صور ذات جودة غير كافية، مما يزيد من نسب الصور القابلة للتدرج وبالتالي اكتشاف STDR. تم التقاط صور شبكية العين غير المائية كجزء من دراسة سمارت إنديا، وهي دراسة مستعرضة ومتعددة المواقع وقائمة على المجتمع وفحص DR من منزل إلى منزل بين أغسطس 2018 وديسمبر 2019 باستخدام كاميرا ZEISS Visuscout 100 المحمولة باليد. من بين 18277 عين مريض (40126 صورة)، كانت 16170 عين مريض (35319 صورة) مؤهلة وتم أخذ عينات من 3261 صورة لشبكية العين (1490 عين مريض) ثم وصفها اثنان من أطباء العيون. كانت منطقة نموذج رخصة القيادة الرقمية المدمجة تحت المنحنى المميز لمشغل جهاز الاستقبال 0.93 (0.01) بعد التحقق المتبادل من خمسة أضعاف. كانت اتفاقية نموذج رخصة القيادة المدمجة (كابا) 0.58 و 0.69 و 0.69 للخصوصية العالية والحساسية/الخصوصية المتوازنة ونقاط التشغيل عالية الحساسية مقارنة بالاتفاقية بين الطلاب البالغة 0.59. كان أداء نموذج قابلية تدرج DL المضغوط إيجابيًا مقارنة بأطباء العيون. يمكن لنماذج DL المدمجة أن تصنف بشكل فعال قابلية تدرج صورة الشبكية غير المائية والمحمولة باليد مع التطبيقات المحتملة ضمن فحص DR المجتمعي.

Translated Description (French)

Le dépistage identifie efficacement les patients à risque de rétinopathie diabétique menaçant la vue (RDSV) lorsque les images rétiniennes sont capturées par des pupilles dilatées. La mydriase pharmacologique n'est pas réalisable sur le plan logistique dans le dépistage non clinique et communautaire de la DR, où l'acquisition d'images rétiniennes graduables à l'aide d'appareils portatifs présente des taux d'échec technique élevés, ce qui réduit la détection de la STDR. Les prédictions de gradabilité basées sur l'apprentissage profond (DL) lors de l'acquisition pourraient inciter les opérateurs d'appareils à recapturer des images de qualité insuffisante, augmentant ainsi les proportions d'images à grader et, par conséquent, la détection STDR. Des images rétiniennes non hydriatiques ont été capturées dans le cadre de SMART India, une étude transversale, multi-sites, communautaire, de dépistage de la DR de maison en maison entre août 2018 et décembre 2019 à l'aide de la caméra portable Zeiss Visuscout 100. Sur 18 277 yeux de patients (40 126 images), 16 170 yeux de patients (35 319 images) étaient éligibles et 3 261 images rétiniennes (1 490 yeux de patients) ont été prélevées puis étiquetées par deux ophtalmologistes. La surface du modèle DL compact sous la courbe caractéristique de l'opérateur du récepteur était de 0,93 (0,01) après une validation croisée quintuple. L'accord de modèle DL compact (Kappa) était de 0,58, 0,69 et 0,69 pour des points de fonctionnement de haute spécificité, de sensibilité/spécificité équilibrée et de haute sensibilité par rapport à un accord intergrade de 0,59. Les performances du modèle compact de gradabilité DL étaient favorables par rapport aux ophtalmologistes. Les modèles DL compacts peuvent classer efficacement la gradabilité de l'image rétinienne non hydriatique et portable avec des applications potentielles dans le cadre du dépistage DR communautaire.

Translated Description (Spanish)

El cribado identifica eficazmente a los pacientes con riesgo de retinopatía diabética amenazante para la vista (STDR) cuando las imágenes de la retina se capturan a través de las pupilas dilatadas. La midriasis farmacológica no es logísticamente factible en el cribado de DR comunitario no clínico, donde la adquisición de imágenes retinianas graduables utilizando dispositivos portátiles exhibe altas tasas de fallas técnicas, lo que reduce la detección de STDR. Las predicciones de gradabilidad basadas en el aprendizaje profundo (DL) en la adquisición podrían llevar a los operadores de dispositivos a recapturar imágenes de calidad insuficiente, aumentando las proporciones de imágenes graduables y, en consecuencia, la detección de STDR. Las imágenes retinianas no midriáticas se capturaron como parte de SMART India, un estudio de detección de DR transversal, multisitio, basado en la comunidad y de casa en casa entre agosto de 2018 y diciembre de 2019 utilizando la cámara portátil Zeiss Visuscout 100. De 18,277 ojos de pacientes (40,126 imágenes), 16,170 ojos de pacientes (35,319 imágenes) fueron elegibles y 3261 imágenes de retina (1490 ojos de pacientes) fueron muestreadas y luego etiquetadas por dos oftalmólogos. El área del modelo DL compacto bajo la curva característica del operador del receptor fue de 0,93 (0,01) después de una validación cruzada de cinco veces. El acuerdo del modelo DL compacto (Kappa) fue de 0.58, 0.69 y 0.69 para alta especificidad, sensibilidad/especificidad equilibrada y puntos operativos de alta sensibilidad en comparación con un acuerdo entre calificadores de 0.59. El rendimiento del modelo compacto de gradabilidad de DL fue favorable en comparación con los oftalmólogos. Los modelos compactos de DL pueden clasificar eficazmente la gradabilidad de imágenes retinianas portátiles no midriáticas con posibles aplicaciones dentro de la detección de DR basada en la comunidad.

Files

s41598-021-89027-4.pdf.pdf

Files (2.6 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:9e407393ab63ca2c40b253fa9237eaf4
2.6 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التعلم العميق لتصنيف قابلية التدرج لصور الشبكية المحمولة وغير المائية
Translated title (French)
Apprentissage en profondeur pour la classification de la gradabilité des images rétiniennes portatives non hydriatiques
Translated title (Spanish)
Aprendizaje profundo para la clasificación de graduabilidad de imágenes retinianas portátiles no midriáticas

Identifiers

Other
https://openalex.org/W3159154275
DOI
10.1038/s41598-021-89027-4

Is supplement to
https://openalex.org/W4387265590 (Other)
https://openalex.org/W4375867731 (Other)
https://openalex.org/W3034529322 (Other)
https://openalex.org/W2744576618 (Other)
https://openalex.org/W2611989081 (Other)
https://openalex.org/W2357479218 (Other)
https://openalex.org/W2155505549 (Other)
https://openalex.org/W2115913271 (Other)
https://openalex.org/W2113597336 (Other)
https://openalex.org/W1819546284 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
India

References

  • https://openalex.org/W1444168786
  • https://openalex.org/W1616249925
  • https://openalex.org/W194978300
  • https://openalex.org/W1969176779
  • https://openalex.org/W2005772228
  • https://openalex.org/W2023260945
  • https://openalex.org/W2058816799
  • https://openalex.org/W2068376589
  • https://openalex.org/W2090777308
  • https://openalex.org/W2104976517
  • https://openalex.org/W2150780222
  • https://openalex.org/W2156356730
  • https://openalex.org/W2234307896
  • https://openalex.org/W2263861417
  • https://openalex.org/W2557738935
  • https://openalex.org/W2590154593
  • https://openalex.org/W2727603722
  • https://openalex.org/W2800027855
  • https://openalex.org/W2899693970
  • https://openalex.org/W2945282322
  • https://openalex.org/W2962897984
  • https://openalex.org/W3024770508
  • https://openalex.org/W4244478258