Quantifizierung der frühen und intermediären altersabhängigen Makuladegeneration mittels OCT-„en-face“-Darstellung

Zusammenfassung

Hintergrund Bei der frühen und intermediären altersabhängigen Makuladegeneration (AMD) kommt es zu Ablagerungen unterhalb des retinalen Pigmentepithels (RPE) in Form von Drusen. Diese frühen Stadien der AMD beinhalten ein unterschiedliches Risiko zur Entwicklung einer späten AMD. Bisher erfolgte die Klassifizierung und Quantifizierung der frühen AMD anhand von Fundusfotos. Für klinische Studien, welche die Beeinflussung von Drusen überprüfen, erscheint dies zu wenig sensitiv. Das SD-OCT mit flächiger Darstellung segmentierter Analyseschichten ermöglicht eine En-face-Darstellung der Drusen. In der vorliegenden Studie wurden die Möglichkeiten einer Quantifizierung der frühen und intermediären AMD mit dem Verfahren des En-face-OCT untersucht.

Material und Methoden Es wurden 31 Augen von 29 Patienten mit früher und intermediärer AMD untersucht. Hierzu wurden Fundusfotos (Kowa VX-10i, Kowa, Tokyo, Japan) und En-face-OCT-Aufnahmen (RTVue XR Avanti, Optovue, Inc., Freemont, CA, USA) erstellt. Zunächst wurden verschiedene Schnittebenen (6 µm unterhalb des RPE, auf dem RPE, 6 µm und 9 µm oberhalb des RPE) und unterschiedlichen Schichtdicken (5, 10, 20 und 30 µm) analysiert, um die beste Segmentierung zur Darstellung der Drusen zu bestimmen. Die Drusen wurden manuell markiert und die Anzahl und Fläche berechnet. Diese Analyse wurde mit den standardisierten Drusenanalysen auf Fundusfotos verglichen. Zusätzliche Veränderungen einer frühen und intermediären AMD wie Pigmentepithelabhebungen (PEDs) und Subretinal drusenoid Deposits (SDD) sowie kleine Atrophien wurden ebenso dokumentiert und verglichen.

Ergebnisse Als beste Segmentierung zur Abgrenzung der Drusen auf den En-face-OCT-Aufnahmen konnte eine Segmentierung 6 µm unterhalb RPE mit einer Schnittdicke von 20 µm gefunden werden. Der Vergleich der Drusenquantifizierung auf En-face-OCT-Aufnahmen mit der standardisierten Drusenanalyse auf Fundusfotos zeigte eine sehr gute Vergleichbarkeit. Andere Veränderungen der frühen und intermediären AMD, wie PEDs, SDD und kleine Atrophien, waren auf den En-face-OCT-Aufnahmen besser beurteilbar.

Schlussfolgerung Die Analyse und Quantifizierung von Drusen auf En-face-OCT-Aufnahmen mit einer 20-µm-Segmentierung 6 µm unterhalb des RPE ermöglicht eine differenzierte Quantifizierbarkeit verschiedener Drusencharakteristika. Zudem können auch weitere Veränderungen der frühen und intermediären AMD analysiert werden. Dies könnte in zukünftigen Beobachtungs- und Behandlungsstudien zur Quantifizierung von Drusen eingesetzt werden.

Schlüsselwörter

frühe und intermediäre AMD - Drusenfläche - Drusenanzahl

Publikationsverlauf

Eingereicht: 21. August 2020

Angenommen: 28. Oktober 2020

Artikel online veröffentlicht:
29. Januar 2021

• References/Literatur

• 1 Bird AC, Bressler NM, Bressler SB. et al. An international classification and grading system for age-related maculopathy and age-related macular degeneration. Surv Ophthalmol 1995; 39: 367-374 doi:10.1016/s0039-6257(05)80092-x
• 2 Deutsche Ophthalmologische Gesellschaft. Nahrungsergänzungsmittel bei altersabhängiger Makuladegeneration. Aktuelle Stellungnahme der Deutschen Ophthalmologischen Gesellschaft, der Retinologischen Gesellschaft und des Berufsverbandes der Augenärzte Deutschlands (Stand Oktober 2014). Klin Monbl Augenheilkd 2015; 232: 196-201 doi:10.1055/s-0034-1396155
• 3 Ferris FL, Wilkinson CP, Bird A. et al. Clinical classification of age-related macular degeneration. Ophthalmology 2013; 120: 844-851 doi:10.1016/j.ophtha.2012.10.036
• 4 Lim LS, Mitchell P, Seddon JM. et al. Age-related macular degeneration. Lancet 2012; 379: 1728-1738 doi:10.1016/S0140-6736(12)60282-7
• 5 von Strachwitz CN. Trockene altersabhängige Makuladegeneration. Ophthalmologe 2013; 110: 555-565 doi:10.1007/s00347-012-2757-y
• 6 Hartnett ME, Weiter JJ, Garsd A. et al. Classification of retinal pigment epithelial detachments associated with drusen. Graefes Arch Clin Exp Ophthalmol 1992; 230: 11-19 doi:10.1007/bf00166756
• 7 Cukras C, Agrón E, Klein ML. et al. Natural history of drusenoid pigment epithelial detachment in age-related macular degeneration: age-related eye disease study report no. 28. Ophthalmology 2010; 117: 489-499 doi:10.1016/j.ophtha.2009.12.002
• 8 Schmitz-Valckenberg S, Steinberg JS, Fleckenstein M. et al. Combined confocal scanning laser ophthalmoscopy and spectral-domain optical coherence tomography imaging of reticular drusen associated with age-related macular degeneration. Ophthalmology 2010; 117: 1169-1176 doi:10.1016/j.ophtha.2009.10.044
• 9 Fleckenstein M, Schmitz-Valckenberg S, Sunness JS. et al. Geographische Atrophie. In: Holz FG, Pauleikhoff D, Spaide RF, Bird AC. Hrsg. Altersabhängige Makuladegeneration. Berlin, Heidelberg: Springer; 2011: 125-141
• 10 Heimann H, Kellner U. Fundusfotografie und Weitwinkelsysteme. In: Heimann H, Kellner U. Hrsg. Atlas des Augenhintergrundes. Stuttgart: Thieme; 2010
• 11 Kellner S, Rüther K. Prinzipien der Diagnostik retinaler Erkrankungen. Augenheilkunde up2date 2013; 3: 219-237 doi:10.1055/s-0032-1325094
• 12 Nathoo NA, Or C, Young M. et al. Optical coherence tomography-based measurement of drusen load predicts development of advanced age-related macular degeneration. Am J Ophthalmol 2014; 158: 757-761.e1 doi:10.1016/j.ajo.2014.06.021
• 13 Nittala MG, Ruiz-Garcia H, Sadda SR. Accuracy and reproducibility of automated drusen segmentation in eyes with non-neovascular age-related macular degeneration. Invest Ophthalmol Vis Sci 2012; 53: 8319-8324
• 14 Freeman SR, Kozak I, Cheng L. et al. Optical coherence tomography-raster scanning and manual segmentation in determining drusen volume in age-related macular degeneration. Retina 2010; 30: 431-435 doi:10.1097/IAE.0b013e3181bd2f94
• 15 Diniz B, Ribeiro R, Heussen FM. et al. Drusen measurements comparison by fundus photograph manual delineation versus optical coherence tomography retinal pigment epithelial segmentation automated analysis. Retina 2014; 34: 55-62 doi:10.1097/IAE.0b013e31829d0015
• 16 Gregori G, Yehoshua Z, Garcia Filho CA. et al. Change in drusen area over time compared using spectral-domain optical coherence tomography and color fundus imaging change in drusen area over time: SDOCT Versus CFIs. Invest Ophthalmol Vis Sci 2014; 55: 7662-7668
• 17 Yehoshua Z, Gregori G, Sadda SR. et al. Comparison of drusen area detected by spectral domain optical coherence tomography and color fundus imaging. Invest Ophthalmol Vis Sci 2013; 54: 2429-2434
• 18 Kumari K, Mittal D. Drusen quantification for early identification of age related macular degeneration. Adv Image Video Process 2015; 3: 28-40 doi:10.14738/aivp.33.1291
• 19 van Grinsven MJ, Lechanteur YT, van de Ven JP. et al. Automatic drusen quantification and risk assessment of age-related macular degeneration on color fundus images. Invest Ophthalmol Vis Sci 2013; 54: 3019-3027
• 20 Lee CS, Baughman DM, Lee AY. Deep learning is effective for the classification of OCT images normal versus Age-related Macular Degeneration. Ophthalmol Retina 2017; 1: 322-327 doi:10.1016/j.oret.2016.12.009
• 21 Fang L, Cunefare D, Wang C. et al. Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search. Biomed Opt Express 2017; 8: 2732-2744 doi:10.1364/boe.8.002732
• 22 Venhuizen FG, van Ginneken B, van Asten F. et al. Automated Staging of Age-Related Macular Degeneration Using Optical Coherence Tomography. Invest Ophthalmol Vis Sci 2017; 58: 2318-2328 doi:10.1167/iovs.16-20541
• 23 Schmidt-Erfurth U, Waldstein SM, Klimscha S. et al. Prediction of Individual Disease Conversion in Early AMD Using Artificial Intelligence. Invest Ophthalmol Vis Sci 2018; 59: 3199-3208 doi:10.1167/iovs.18-24106
• 24 Treder M, Eter N. Chancen von künstlicher Intelligenz und Big Data für die Diagnostik und Behandlung der altersabhängigen Makuladegeneration. Klin Monbl Augenheilkd 2019; 236: 1418-1422 doi:10.1055/a-1012-2036
• 25 Schmidt-Erfurth U, Sadeghipour A, Gerendas BS. et al. Artificial intelligence in retina. Prog Retin Eye Res 2018; 67: 1-29 doi:10.1016/j.preteyeres.2018.07.004
• 26 Burlina P, Pacheco KD, Joshi N. et al. Comparing humans and deep learning performance for grading AMD: A study in using universal deep features and transfer learning for automated AMD analysis. Comput Biol Med 2017; 82: 80-86 doi:10.1016/j.compbiomed.2017.01.018