Assessing the predictive capability of vascular tortuosity metrics in OCTA images for diabetic retinopathy detection using machine learning algorithms

Diabetic Retinopathy (DR) is the leading cause of human blindness in patients with Type 1 Diabetes Mellitus, primarily due to impaired blood flow in the retina. Although accurately staging this disease can be challenging, early detection is essential as it can interrupt further progression and potentially prevent vision loss. Optical Coherence Tomography Angiography (OCTA) is a recent, non-invasive imaging technique that provides detailed views of the retinal vasculature, enabling the detection of microvascular abnormalities in the eyes. Previous studies have demonstrated a correlation between the tortuosity measurements of blood vessels and capillaries and the progression of DR. This thesis investigates the predictive capabilities of tortuosity metrics in OCTA images as features to be used by machine learning models to detect the disease. A vessel analysis method is employed to mitigate the discretization noise caused by their skeletonization process in image pre-processing. The findings reveal modest performances across three of the four different classification tasks related to DR detection, particularly underscoring the value of tortuosity as a feature to distinguish between diabetic individuals without DR and those who have the condition. When compared to Fundus Retinography imaging techniques, OCTA stands out, particularly in its ability to detect microvascular changes related to DR progression. While the analysis of different vessel types in OCTA images—including all vessels, large vessels, and small capillaries—indicates that the "all vessels" configuration remains the best performer, while small capillaries alone may still provide sufficient predictive power for DR. Moreover, the inclusion of additional metrics related to DR progression—such as those pertaining to the Foveal Avascular Zone, Vessel Caliber, Vessel Density, and geometrical and fractal aspects of the vessels—enhances classifier results, leading to improved performance.

La Retinopatia Diabetica (DR) è la principale causa di cecità umana nei pazienti con Diabete Mellito di Tipo 1, principalmente a causa del flusso sanguigno compromesso nella retina. Sebbene la stadiazione accurata di questa malattia possa essere difficile, una diagnosi precoce è essenziale poiché può interrompere la progressione della patologia e potenzialmente prevenire la perdita della vista. L’Angiografia con Tomografia a Coerenza Ottica (OCTA) è una tecnica di imaging recente e non invasiva che fornisce la vista dettagliata della vascolarizzazione retinica, permettendo il rilevamento di anomalie microvascolari negli occhi. Studi precedenti hanno dimostrato una correlazione tra le misurazioni della tortuosità dei vasi sanguigni e dei capillari e la progressione della DR. Questa tesi indaga le capacità predittive dei parametri di tortuosità nelle immagini OCTA come caratteristiche da utilizzare nei modelli di apprendimento automatico per rilevare la malattia. Un metodo specifico di analisi dei vasi è stato impiegato per mitigare il rumore di discretizzazione causato dal processo di scheletrizzazione durante la pre-elaborazione delle immagini. I risultati rivelano prestazioni modeste in tre dei quattro compiti di classificazione relativi al rilevamento della DR, evidenziando in particolare il valore della tortuosità come caratteristica distintiva tra individui diabetici senza DR e quelli con la condizione. Rispetto alle tecniche di imaging con Retinografia Fundus, l’OCTA si distingue, in particolare per la sua capacità di rilevare i cambiamenti microvascolari legati alla progressione della DR. Mentre l'analisi dei diversi tipi di vasi nelle immagini OCTA—includendo tutti i vasi, i grandi vasi e i piccoli capillari—indica che la configurazione che comprende tutti i vasi rimane la migliore, mentre i soli piccoli capillari possono comunque fornire una capacità predittiva sufficiente per la malattia. Inoltre, l'inclusione di ulteriori metriche relative alla progressione della DR—come quelle riguardanti la Zona Avascolare Foveale, il Calibro dei Vasi, la Densità Vascolare e gli aspetti geometrici e frattali dei vasi—migliora i risultati del classificatore, portando a un incremento delle prestazioni.