Automatisierte Zellzählung in Spenderhornhäuten aus Organkultur mittels „Deep Learning“ erreicht hohe Präzision und Genauigkeit

Zusammenfassung

Hintergrund Ein Hornhauttransplantat aus Organkultur darf i. d. R. nur verwendet werden, wenn präoperativ eine Endothelzelldichte von mindestens 2000 Zellen pro mm² nachgewiesen ist. Die Messung der Endothelzelldichte ist dadurch erschwert, dass in der Phasenkontrastmikroskopie die Zellgrenzen der Endothelzellen nicht immer gut sichtbar sind und die zählbare Fläche durch quellungsbedingte Descemet-Falten limitiert ist. Bislang ist daher keine automatische Methode zur Endothelzelldichtebestimmung in Hornhauttransplantaten verfügbar. Das neuronale Netzwerk U-Net hat sich in der vollautomatischen Analyse von spiegelmikroskopischen Aufnahmen des Hornhautendothels bewährt. Ziel dieser Studie war die Anwendung des U-Net in der Qualitätssicherung von Hornhauttransplantaten.

Material und Methoden Das U-Net wurde zunächst anhand von 100 manuell markierten Befundungsbildern von Hornhäuten aus der Lions-Hornhautbank Baden-Württemberg trainiert. Für die Prüfung der Messgenauigkeit des U-Net wurden 100 weitere Befundungsbilder von der o. g. Hornhautbank zur Verfügung gestellt. Diese wurden jeweils von a) einer erfahrenen Befunderin und b) einem weniger erfahrenen Augenarzt manuell gezählt. Die identischen Bilder wurden vollautomatisch über das trainierte U-Net ausgezählt und dieses Ergebnis mit beiden manuellen Analysen mittels Pearson-Korrelation verglichen.

Ergebnisse Der Korrelationskoeffizient zwischen dem U-Net und der erfahren Untersucherin als „Goldstandard“ betrug 0,90. Der Korrelationskoeffizient des weniger erfahrenen Augenarztes mit dem Goldstandard betrug nur 0,81. Beide Korrelationen erwiesen sich als statistisch hochsignifikant (p < 0,0001).

Schlussfolgerung Die enge Korrelation des U-Net mit dem „Goldstandard“ deutet darauf hin, dass mit dem U-Net, die medizintechnische Zulassung vorausgesetzt, eine effektive Unterstützung in der Qualitätsbeurteilung von Hornhauttransplantaten in der Hornhautbank möglich ist. Dies hätte Vorteile für die Objektivität und die Arbeitseffizienz.

Abstract

Background Human corneal grafts from organ culture need to have more than 2000 endothelial cells/mm² to be suitable for transplantation. Measurement of the endothelial cell density is complicated by invisible cell borders in phase contrast microscopy, as well as by limited areas for counting due to folds in the Descemet membrane of the swollen corneal grafts. To date, no automated counting method for measuring the endothelial cell density exists. The neuronal network U-Net has already proven itself in automated segmentation of specular microscopy images of human corneal endothelium. The aim of this study was the application of the U-Net in the quality control of human corneal grafts.

Material and Methods Training of the U-Net was performed using 100 manually tagged endothelial cell images of corneal grafts from the Lions eye bank in Baden-Württemberg. Another 100 images were obtained for testing the precision of measurements of the U-Net. These were adjudged manually by a) an experienced investigator and b) a less experienced ophthalmologist. The endothelial cells in identical images were then counted automatically by the trained U-Net. Comparison with the manually counted results was drawn by Pearson correlation.

Results The correlation coefficient between the U-Net and the experienced investigator as gold standard was 0.9. The correlation coefficient between the less experienced ophthalmologist and the gold standard was only 0.81. Both correlations were statistically highly significant (p < 0.0001).

Discussion The strong correlation between the U-Net and the gold standard points out that, given medical approval, effective assistance for eye banks is possible in quality control by automated counting. This could improve objectivity and efficiency of work flow.

Schlüsselwörter

Hornhauttransplantation - Hornhautbank - Endothel - neuronales Netzwerk - Deep Learning

Key words

corneal transplantation - eye banking - corneal endothelium - neuronal network - deep learning

• Literatur

• 1 Schroeter J, Maier P, Bednarz J. et al. [Procedural guidelines. Good tissue practice for cornea banks]. Ophthalmologe 2009; 106: 265-274 276
• 2 Pels E, Rijneveld WJ. Organ culture preservation for corneal tissue. Technical and quality aspects. Dev Ophthalmol 2009; 43: 31-46
• 3 Heinzelmann S, Böhringer D, Eberwein P. et al. Outcomes of Descemet membrane endothelial keratoplasty, Descemet stripping automated endothelial keratoplasty and penetrating keratoplasty from a single centre study. Graefes Arch Clin Exp Ophthalmol 2016; 254: 515-522
• 4 Salla S, Kruse FE, Walter P. et al. Supplementation of organ culture medium with dextran is not required in pre-stripped human donor tissue for DMEK surgery. Cell Tissue Bank 2019; 20: 193-200
• 5 Acquart S, Gain P, Zhao M. et al. Endothelial morphometry by image analysis of corneas organ cultured at 31 degrees C. Invest Ophthalmol Vis Sci 2010; 51: 1356-1364
• 6 Reinhard T, Spelsberg H, Holzwarth D. et al. [Endothelial evaluation of corneal transplants by digital imaging]. Klin Monatsbl Augenheilkd 1999; 214: 407-411
• 7 Deb-Joardar N, Thuret G, Gavet Y. et al. Reproducibility of endothelial assessment during corneal organ culture: comparison of a computer-assisted analyzer with manual methods. Invest Ophthalmol Vis Sci 2007; 48: 2062-2067
• 8 Hirneiss C, Schumann RG, Grüterich M. et al. Endothelial cell density in donor corneas: a comparison of automatic software programs with manual counting. Cornea 2007; 26: 80-83
• 9 Ruggeri A, Grisan E, Schroeter J. Evaluation of repeatability for the automatic estimation of endothelial cell density in donor corneas. Br J Ophthalmol 2007; 91: 1213-1215
• 10 Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for biomedical Image Segmentation. In: Medical Image Computing and Computer-assisted Intervention – MICCAI 2015. Cham: Springer International Publishing; 2015: 234-241 Im Internet: http://link.springer.com/10.1007/978-3-319-24574-4_28 Stand: 07.06.2019
• 11 Daniel MC, Atzrodt L, Bucher F. et al. Automated segmentation of the corneal endothelium in a large set of “real-world” specular microscopy images using the U-Net architecture. Sci Rep 2019; 9: 4752
• 12 Pau G, Fuchs F, Sklyar O. et al. EBImage–an R package for image processing with applications to cellular phenotypes. Bioinformatics 2010; 26: 979-981
• 13 Akeret J, Chang C, Lucchi A. et al. Radio frequency interference mitigation using deep convolutional neural networks. Astron Comput 2017; 18: 35-39
• 14 Abib FC, Holzchuh R, Schaefer A. et al. The endothelial sample size analysis in corneal specular microscopy clinical examinations. Cornea 2012; 31: 546-550
• 15 Gasser L, Daniel M, Reinhard T. et al. Long-term tracking of the central corneal endothelial mosaic. PLoS One 2014; 9: e88603
• 16 Böhringer D, Hettich L, Maier PC. et al. [Data quality of unsupervised endothelial cell counting vs. reading centre analysis in multicentric clinical trials]. Klin Monatsbl Augenheilkd 2012; 229: 628-631
• 17 Schroeter J, Rieck P. Endothelial evaluation in the cornea bank. Dev Ophthalmol 2009; 43: 47-62
• 18 De Fauw J, Ledsam JR, Romera-Paredes B. et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 2018; 24: 1342-1350