3D-Kartierung der DMEK-Abhebungsfläche aus OCT-Scans des vorderen Augensegmentes mit klinischen Anwendungen

Zusammenfassung

Die häufigste Komplikation nach Descemet-Membran-Endothel-Keratoplastik (DMEK) ist die Transplantatabhebung. Ausmaß und Vergleich der Abhebung sind mittels Spaltlampenmikroskopie jedoch nur eingeschränkt beurteilbar. Eine präzise Quantifizierung und Möglichkeit zur longitudinalen Beurteilung bietet eine 3-D-Höhenkarte mittels Segmentierung und Zusammenführung der VAA-OCT-Aufnahmen durch ein neuronales Netzwerk. Ziel dieses Artikels ist es, einen Überblick über die neu etablierte 3-D-Kartierung der DMEK-Abhebungsfläche und ihre bisherigen Anwendungsgebiete zu geben. Die 3-D-Kartierung konnte bereits genutzt werden, um den Verlauf der natürlichen Transplantatanlage, den Einfluss möglicher Risikofaktoren wie der postoperativen Lagerung oder den Langzeiteffekt der Transplantatabhebung zu beurteilen. Die Deep-Learning-basierte Abhebungskarte zeichnet sich durch ihre Genauigkeit, die standardisierte Bestimmung von Abhebungsfläche und -volumen auch bei größeren Datensätzen, und die intuitive, schnelle und verlässliche Auswertbarkeit aus.

Schlüsselwörter

VAA-OCT - endotheliale Keratoplastik - Fuchs-Endotheldystrophie - DMEK - Transplantatabhebung

Publication History

Received: 28 November 2023

Accepted: 08 January 2024

Article published online:
30 April 2024

• References/Literatur

• 1 Flockerzi E, Turner C, Seitz B. et al. Descemetʼs membrane endothelial keratoplasty is the predominant keratoplasty procedure in Germany since 2016: a report of the DOG-section cornea and its keratoplasty registry. Br J Ophthalmol 2023;
• 2 Deng SX, Lee WB, Hammersmith KM. et al. Descemet Membrane Endothelial Keratoplasty: Safety and Outcomes: A Report by the American Academy of Ophthalmology. Ophthalmology 2018; 125: 295-310
• 3 Parekh M, Leon P, Ruzza A. et al. Graft detachment and rebubbling rate in Descemet membrane endothelial keratoplasty. Surv Ophthalmol 2018; 63: 245-250
• 4 Glatz A, Böhringer D, Zander DB. et al. Three-dimensional map of Descemet membrane endothelial keratoplasty detachment: development and application of a deep learning model. Ophthalmol Sci 2021; 1: 100067
• 5 Ang M, Wilkins MR, Mehta JS. et al. Descemet membrane endothelial keratoplasty. Br J Ophthalmol 2016; 100: 15-21
• 6 Dirisamer M, van Dijk K, Dapena I. et al. Prevention and management of graft detachment in Descemet membrane endothelial keratoplasty. Arch Ophthalmol 2012; 130: 280-291
• 7 Arbelaez MC, Versaci F, Vestri G. et al. Use of a support vector machine for keratoconus and subclinical keratoconus detection by topographic and tomographic data. Ophthalmology 2012; 119: 2231-2238
• 8 Kovacs I, Mihaltz K, Kranitz K. et al. Accuracy of machine learning classifiers using bilateral data from a Scheimpflug camera for identifying eyes with preclinical signs of keratoconus. J Cataract Refract Surg 2016; 42: 275-283
• 9 Zander D, Grewing V, Glatz A. et al. Predicting Edema Resolution After Descemet Membrane Endothelial Keratoplasty for Fuchs Dystrophy Using Scheimpflug Tomography. JAMA Ophthalmol 2021; 139: 423-430
• 10 Sun SY, Wacker K, Baratz KH. et al. Determining Subclinical Edema in Fuchs Endothelial Corneal Dystrophy: Revised Classification using Scheimpflug Tomography for Preoperative Assessment. Ophthalmology 2019; 126: 195-204
• 11 Eleiwa T, Elsawy A, Tolba M. et al. Diagnostic Performance of 3-Dimensional Thickness of the Endothelium-Descemet Complex in Fuchsʼ Endothelial Cell Corneal Dystrophy. Ophthalmology 2020; 127: 874-887
• 12 Dos Santos VA, Schmetterer L, Stegmann H. et al. CorneaNet: fast segmentation of cornea OCT scans of healthy and keratoconic eyes using deep learning. Biomed Opt Express 2019; 10: 622-641
• 13 Treder M, Lauermann JL, Alnawaiseh M. et al. Using Deep Learning in Automated Detection of Graft Detachment in Descemet Membrane Endothelial Keratoplasty: A Pilot Study. Cornea 2019; 38: 157-161
• 14 Heslinga FG, Alberti M, Pluim JPW. et al. Quantifying Graft Detachment after Descemetʼs Membrane Endothelial Keratoplasty with Deep Convolutional Neural Networks. Transl Vis Sci Technol 2020; 9: 48
• 15 Fritz M, Grewing V, Gruber M. et al. Rotational alignment of corneal endothelial grafts and risk of graft detachment after Descemet membrane endothelial keratoplasty: a double-masked pseudo-randomized study. Acta Ophthalmol 2021; 99: e1334-e1339
• 16 Wacker K, Fritz M, Grewing V. et al. Vertical Scrolling Axis of Corneal Endothelial Grafts for Descemet Membrane Endothelial Keratoplasty. Cornea 2021; 40: 497-501
• 17 Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF. eds. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer International Publishing; 2015: 234-241
• 18 Kladny AS, Zander DB, Lieberum JL. et al. Graft detachment after Descemet membrane endothelial keratoplasty with and without cataract surgery. Ophthalmol Sci 2022; 2: 100194
• 19 Kladny AS, Zander D, Glatz A. et al. Einfluss der Transplantatanlage nach Descemet Membrane Endothelial Keratoplasty auf die Endothelzelldichte: Langzeitergebnisse prospektiver Kohortenstudien. Präsentation beim jährlichen Kongress der Deutschen Ophthalmologischen Gesellschaft in Berlin, 01102022.
• 20 McCarey BE, Edelhauser HF, Lynn MJ. Review of corneal endothelial specular microscopy for FDA clinical trials of refractive procedures, surgical devices, and new intraocular drugs and solutions. Cornea 2008; 27: 1-16
• 21 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
• 22 Kladny AS, Glatz A, Lieberum JL. et al. Supine positioning for graft attachment after Descemet membrane endothelial keratoplasty: a randomized-controlled trial. Am J Ophthal 2023;