Nauwkeuriger en efficiënter in kaart brengen van retinale bloedvaten met behulp van een padvolgend beeldverwerkingsschema, ontwikkeld door een door A*STAR geleid onderzoeksteam, kan helpen bij het verbeteren van het scannen van het netvlies en de medische diagnose.

De bloedvaten op het netvlies aan de achterkant van het oog zijn een belangrijke diagnostische indicator voor veel klinische aandoeningen, waaronder diabetes, hoge bloeddruk, arteriële verharding, en afsluiting van de retinale slagaders. Echter, het opsporen van bloedvaten in het netvlies is een tijdrovend proces dat training en vaardigheid vereist, die beter zou kunnen worden uitgevoerd door een betrouwbaar geautomatiseerd proces dat het scheepsnetwerk efficiënt in kaart kan brengen.

"We hebben jarenlang de bloedvaten van het netvlies geanalyseerd, waarbij het altijd een uitdaging is om elk vat van de rest te onderscheiden of om slagader van adervaten te scheiden, ", zegt Cheng Li van het A*STAR Bioinformatics Institute. "We hebben een algoritme ontwikkeld dat een netwerk kan traceren vanaf een paar gemarkeerde of 'gelabelde' knooppunten, en het werkt vooral goed voor grootschalige netwerken van, zeggen, miljoenen knooppunten, zelfs met zeer weinig bekende labels."

In hun theoretische studie Li en zijn team onderzochten het gebruik van een beproefd algoritme voor beeldverwerking, genaamd de Markov-keten, om de complexe vertakkingsnetwerken van bloedvaten in het netvlies beter te volgen.

Een Markov-keten is een statistische weergave van een reeks, in dit geval van verbonden knooppunten, waarbij een element in de reeks onafhankelijk is van alles wat ervoor kwam. Voor een bloedvat dit betekent dat de richting van vertakking vanaf een bepaald punt geheel willekeurig kan zijn en niet afhankelijk van het pad van het vaartuig dat ervoor kwam. Li's team ging verder om een ​​absorberende Markov-ketting te adopteren, die het getraceerde pad 'vergrendelt' tot aan het huidige knooppunt, en past vervolgens een random walk-algoritme toe om een ​​beeld te onderzoeken voor de volgende bloedvatrichting.

Op deze manier, hun beeldverwerkingsalgoritme kan starten vanaf een gelabeld knooppunt, zoals een grote vestiging, en traceer de bloedvaten om een ​​verbonden netwerk te vormen op een manier die vergelijkbaar is met hoe een arts het probleem zou aanpakken.

In toepassing op echte beelden van het netvlies, het algoritme presteerde beter dan andere state-of-the-art benaderingen, en kwam overeen met de nauwkeurigheid van menselijke tracering.

"We hebben dit algoritme ontwikkeld op basis van onze zeer praktische biomedische beeldvormingservaring in het traceren van bloedvaten gedurende een aantal jaren, " zegt Li. "Onze aanpak is eenvoudig, eenvoudig te implementeren, en heeft veel belangrijke toepassingen, waaronder beeldclassificatie, en netwerk- en linkanalyse."