Shear modulus estimate of corneal phantoms through convolutional neural networks on elastography images

An ongoing challenge is to increase the scientific knowledge about the relationship between mechanical and structural changes in the cornea, improving those clinically measured optical modifications in pathological conditions and track their development over time. In particular, this is crucial to enhance the detection and management of glaucoma and ectatic corneal disorders such as keratoconus and to comprehend the effects of surgeries like Collagen Cross-Linking (CXL), excimer laser refractive surgery. Hence, advances in this area have the potential to improve diagnosis, enable tailored risk assessment and optimize treatment and surgical planning. Recently, elastography-based imaging methods provided encouraging results, being able to measure non invasively in-vivo corneal biomechanical properties. These techniques detect the mechanical wave behavior in soft biological tissues to build back the shear viscoelastic properties that are affected by diseases, injuries or treatments. However, the reconstruction strategies that have been developed so far neglect boundary conditions, such as prestress, that characterize many organs as well as the cornea, affecting estimates' accuracy. To improve current methods, this work collected experimental and computational data using Scanning Laser Doppler Vibrometry (SLDV) as imaging technique and Finite Element Analysis (FEA). The comparison between experiments and simulations helped to better understand the waveguide and prestress effects on complex shear modulus estimates of corneal phantoms. In particular, a new approach called Transformation Acousto-Elastography (TAE) was introduced to account for the prestress effect without the need to know its value given that it can’t be measured in-vivo. Results obtained say that the mechanical properties predictions stay close to each other and within 10% of the reference value. Given the promising results, Machine Learning (ML) has been integrated to validate this approach for clinical use. Regression models have been trained to predict the complex shear modulus of the imaged corneal phantoms. The best architecture built has a Mean Squared Error (MSE) of 0,014 a Root Mean Squared Error (rMSE) of 0,118 and a Mean Absolute Error (MAE) of 0,078 on complex shear modulus real part predictions, and a MSE of 0,016, a rMSE of 0,126 and a MAE of 0,089 on complex shear modulus imaginary part predictions.

Attualmente, un’importante obbiettivo è quello di aumentare la conoscenza scientifica sulla relazione tra i cambiamenti meccanici e strutturali della cornea, migliorando le misure dei cambiamenti ottiche clinicamente rilevati in condizioni patologiche e tracciando il loro sviluppo nel tempo. In particolare, ciò è cruciale per migliorare la diagnosi e il trattamento del glaucoma, delle patologie corneali ectasiche come il cheratocono e per comprendere gli effetti di interventi chirurgici come CXL, la chirurgia refrattiva con laser. Pertanto, i progressi in questo campo hanno il potenziale per migliorare la diagnosi e ottimizzare la pianificazione dei trattamenti e della chirurgia in oftalmologia. Recentemente, i metodi di imaging basati sull’elastografia hanno fornito risultati incoraggianti, essendo in grado di misurare in modo non invasivo le proprietà biomeccaniche della cornea in vivo. Queste tecniche rilevano il comportamento delle onde meccaniche nei tessuti biologici mollii per ricostruire le proprietà viscoelastiche di taglio che sono influenzate da malattie, lesioni o trattamenti. Tuttavia, le strategie di ricostruzione che sono state sviluppate finora trascurano le condizioni al contorno, come il prestress, che caratterizzano molti organi inclusa la cornea. Per migliorare i metodi attuali, questo lavoro ha raccolto dati sperimentali e computazionali utilizzando SLDV come tecnica di imaging e FEA. Il confronto tra esperienze e simulazioni ha contribuito a comprendere meglio gli effetti di waveguide e prestress sulle stime del modulo di taglio complesso dei fantocci corneali. In particolare, è stato introdotto una nuovo approccio chiamato TAE per considerare l’effetto del prestress senza la necessità di conoscere il suo valore dato che non può essere misurato in vivo. I risultati ottenuti indicano che le previsioni delle proprietà meccaniche rimangono vicine tra loro e entro il 10% dal valore di riferimento. Date i risultati promettenti, il ML è stato integrato per convalidare questo approccio anche per l’uso clinico. I modelli di regressione sono stati addestrati per prevedere il modulo di taglio complesso dei fantocci corneali costruiti. La migliore architettura costruita ha un MSE di 0,014, un rMSE di 0,118 e un MAE di 0,078 sulle previsioni della parte reale del modulo di taglio complesso e un MSE di 0,016, un rMSE di 0,126 e un MAE di 0,089 sulle previsioni della parte immaginaria del modulo di taglio complesso.