Universität zu Köln

Setu, Md Asif Khan ORCID: 0000-0003-4195-4217 (2022). Development of Novel Diagnostic Tools for Dry Eye Disease using Infrared Meibography and In Vivo Confocal Microscopy. PhD thesis, Universität zu Köln.

PDF (PhD thesis) Md_Asif_Khan_Setu_IPHS_PhD_Thesis.pdf - Accepted Version Bereitstellung unter der CC-Lizenz: Creative Commons Attribution Non-commercial No Derivatives. Download (6MB)

Abstract

Dry eye disease (DED) is a multifactorial disease of the ocular surface where tear film instability, hyperosmolarity, neurosensory abnormalities, meibomian gland dysfunction, ocular surface inflammation and damage play a dedicated etiological role. Estimated 5 to 50% of the world population in different demographic locations, age and gender are currently affected by DED. The risk and occurrence of DED increases at a significant rate with age, which makes dry eye a major growing public health issue. DED not only impacts the patient’s quality of vision and life, but also creates a socio-economic burden of millions of euros per year. DED diagnosis and monitoring can be a challenging task in clinical practice due to the multifactorial nature and the poor correlation between signs and symptoms. Key clinical diagnostic tests and techniques for DED diagnosis include tearfilm break up time, tear secretion – Schirmer’s test, ocular surface staining, measurement of osmolarity, conjunctival impression cytology. However, these clinical diagnostic techniques are subjective, selective, require contact, and are unpleasant for the patient’s eye. Currently, new advances in different state-of-the-art imaging modalities provide non-invasive, non- or semi-contact, and objective parameters that enable objective evaluation of DED diagnosis. Among the different and constantly evolving imaging modalities, some techniques are developed to assess morphology and function of meibomian glands, and microanatomy and alteration of the different ocular surface tissues such as corneal nerves, immune cells, microneuromas, and conjunctival blood vessels. These clinical parameters cannot be measured by conventional clinical assessment alone. The combination of these imaging modalities with clinical feedback provides unparalleled quantification information of the dynamic properties and functional parameters of different ocular surface tissues. Moreover, image-based biomarkers provide objective, specific, and non / marginal contact diagnosis, which is faster and less unpleasant to the patient’s eye than the clinical assessment techniques. The aim of this PhD thesis was to introduced deep learning-based novel computational methods to segment and quantify meibomian glands (both upper and lower eyelids), corneal nerves, and dendritic cells. The developed methods used raw images, directly export from the clinical devices without any image pre-processing to generate segmentation masks. Afterward, it provides fully automatic morphometric quantification parameters for more reliable disease diagnosis. Noteworthily, the developed methods provide complete segmentation and quantification information for faster disease characterization. Thus, the developed methods are the first methods (especially for meibomian gland and dendritic cells) to provide complete morphometric analysis. Taken together, we have developed deep learning based automatic system to segment and quantify different ocular surface tissues related to DED namely, meibomian gland, corneal nerves, and dendritic cells to provide reliable and faster disease characterization. The developed system overcomes the current limitations of subjective image analysis and enables precise, accurate, reliable, and reproducible ocular surface tissue analysis. These systems have the potential to make an impact clinically and in the research environment by specifying faster disease diagnosis, facilitating new drug development, and standardizing clinical trials. Moreover, it will allow both researcher and clinicians to analyze meibomian glands, corneal nerves, and dendritic cells more reliably while reducing the time needed to analyze patient images significantly. Finally, the methods developed in this research significantly increase the efficiency of evaluating clinical images, thereby supporting and potentially improving diagnosis and treatment of ocular surface disease.

Item Type:	Thesis (PhD thesis)
Translated abstract:	Abstract Language Das Syndrom des trockenen Auges (DED) ist eine multifaktorielle Erkrankung der Augenoberfläche, bei der Tränenfilminstabilität, Hyperosmolarität, neurosensorische Anomalien, Funktionsstörungen der Meibomschen Drüsen sowie Entzündungen und Schädigungen der Augenoberfläche eine wichtige Rolle spielen. Derzeit sind schätzungsweise 5 bis 50 % der Weltbevölkerung in verschiedenen demografischen Regionen, Altersgruppen und Geschlechtern von DED betroffen. Das Risiko und Auftreten von DED nimmt mit dem Alter deutlich zu, was das trockene Auge Syndrom zu einem wichtigen und wachsenden Problem der öffentlichen Gesundheit macht. DED beeinträchtigt nicht nur die Seh- und Lebensqualität der Patienten, sondern verursacht auch eine sozioökonomische Belastung in Höhe von Millionen Euro pro Jahr. Die Diagnose und Überwachung von DED kann in der klinischen Praxis aufgrund des multifaktoriellen Charakters und der geringen Korrelation zwischen Anzeichen und Symptomen eine schwierige Aufgabe darstellen. Zu den wichtigsten klinischen Diagnosetests und -techniken für die DED-Diagnose gehören die Tränenfilmaufreißszeit, die Tränensekretion (Schirmer-Test), die Färbung der Augenoberfläche, die Messung der Osmolarität und die Bindehautabdruckzytologie. Diese klinischen Diagnoseverfahren sind jedoch subjektiv, selektiv, erfordern Kontakt und sind für das Auge des Patienten unangenehm. Gegenwärtig bieten neue Fortschritte bei verschiedenen modernen bildgebenden Verfahren nicht-invasive, berührungsfreie oder halb-berührungsfreie und objektive Parameter, die eine objektive Bewertung der DED-Diagnose ermöglichen. Unter den verschiedenen und sich ständig weiterentwickelnden bildgebenden Verfahren wurden einige Techniken entwickelt, um die Morphologie und Funktion der Meibom-Drüsen sowie die Mikroanatomie und Veränderungen der verschiedenen Gewebe der Augenoberfläche wie Hornhautnerven, Immunzellen, Mikroneurome und konjunktivale Blutgefäße zu beurteilen. Diese klinischen Parameter können nicht allein durch die herkömmliche klinische Beurteilung gemessen werden. Die Kombination dieser bildgebenden Verfahren mit klinischem Feedback liefert unvergleichliche Informationen zur Quantifizierung der dynamischen Eigenschaften und funktionellen Parameter der verschiedenen Gewebe der Augenoberfläche. Darüber hinaus bieten bildbasierte Biomarker eine objektive, spezifische und kontaktfreie Diagnose, die schneller und weniger unangenehm für das Auge des Patienten ist als die klinischen Beurteilungsverfahren. Ziel dieser Dissertation war die Einführung neuer, auf Deep Learning basierender Berechnungsmethoden zur Segmentierung und Quantifizierung von Meibom-Drüsen (Ober- und Unterlider), Hornhautnerven und dendritischen Zellen. Die entwickelten Methoden verwendeten Rohbilder, die direkt von den klinischen Geräten exportiert wurden, ohne jegliche Bildvorverarbeitung, um Segmentierungsmasken zu erzeugen. Anschließend liefert es vollautomatische morphometrische Quantifizierungsparameter für eine zuverlässigere Krankheitsdiagnose. Bemerkenswert ist, dass die entwickelten Methoden vollständige Segmentierungs- und Quantifizierungsinformationen für eine schnellere Krankheitscharakterisierung liefern. Somit sind die entwickelten Methoden die ersten (insbesondere für Meibom-Drüsen und dendritische Zellen), die eine vollständige morphometrische Analyse ermöglichen. Zusammengenommen haben wir ein auf Deep Learning basierendes automatisches System zur Segmentierung und Quantifizierung verschiedener Augenoberflächengewebe im Zusammenhang mit DED entwickelt, nämlich Meibom-Drüse, Hornhautnerven und dendritische Zellen, um eine zuverlässige und schnellere Charakterisierung der Krankheit zu ermöglichen. Das entwickelte System überwindet die derzeitigen Grenzen der subjektiven Bildanalyse und ermöglicht eine präzise, genaue, zuverlässige und reproduzierbare Analyse des Augenoberflächengewebes. Diese Systeme haben das Potenzial, sich sowohl in der Klinik als auch in der Forschung auszuwirken, indem sie eine schnellere Krankheitsdiagnose ermöglichen, die Entwicklung neuer Medikamente erleichtern und klinische Studien standardisieren. Darüber hinaus können Forscher und Kliniker Meibom-Drüsen, Hornhautnerven und dendritische Zellen zuverlässiger analysieren und gleichzeitig die für die Analyse von Patientenbildern benötigte Zeit erheblich reduzieren. Schließlich erhöhen die in dieser Forschungsarbeit entwickelten Methoden die Effizienz der Auswertung klinischer Bilder erheblich, wodurch die Diagnose und Behandlung von Augenoberflächenerkrankungen unterstützt und potenziell verbessert werden kann. German
Creators:	Creators Email ORCID ORCID Put Code Setu, Md Asif Khan setu.asif@gmail.com orcid.org/0000-0003-4195-4217 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-641831
Date:	22 November 2022
Publisher:	Digital Express 24
Place of Publication:	Köln
Language:	English
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Augenheilkunde
Subjects:	Data processing Computer science Natural sciences and mathematics Life sciences Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language Dry eye English Deep learning English cornea English segmentation English software English confocal microscopy English infrared meibography English
Date of oral exam:	22 November 2022
Referee:	Name Academic Title Tresch, Achim Prof. Dr.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/64183