Abstract：
Endothelial cell density (ECD) is a crucial parameter for the release of corneal grafts for transplantation. The Lions Eye Bank of Baden-Württemberg uses the \"Rhine-Tec Endothelial Analysis System\" for ECD quantification, which is based on a fixed counting frame method considering only a small sample of 15 to 40 endothelial cells. The measurement result therefore depends on the frame placement and manual correction of the cells counted within the frame. To increase the sample size and create higher objectivity, we developed a new method based on \"deep learning\" that automatically detects all visible endothelial cells in the image. This study aims to compare this new method with the conventional Rhine-Tec system. 9375 archived phase-contrast microscopic images of consecutive grafts from the Lions Eye Bank were evaluated with the deep learning method and compared with the corresponding archived analyses of the Rhine-Tec system. Means, Bland-Altman and correlation analyses were compared. Comparable results were obtained for both methods. The mean difference between the Rhine-Tec system and the deep learning method was only - 23 cells/mm2 (95% confidence interval - 29 to - 17). There was a statistically significant positive correlation between the two methods, with a correlation coefficient of 0.748. What was striking in the Bland-Altman analysis were clustered deviations in the cell density range between 2000 and 2500 cells/mm2 - with higher values in the Rhine-Tec system. The comparable results for cell density measurement values underline the validity of the deep learning-based method. The deviations around the formal threshold for graft release of 2000 cells/mm2 are most likely explained by the higher objectivity of the deep learning method and the fact that measurement frames and manual corrections were specifically selected to reach the formal threshold of 2000 cells/mm2 when the full area endothelial quality was good. This full area assessment of the graft endothelium cannot currently be replaced by deep learning methods and remains the most important basis for graft release for keratoplasty.
Die Endothelzelldichte ist ein objektiver Parameter für die Freigabe von Hornhauttransplantaten zur Operation. In der Lions Hornhautbank Baden-Württemberg wird für diese Quantifizierung das „Rhine-Tec Endothelial Analysis System“ verwendet, das auf der Methode des festen Zählrahmens basiert und nur eine kleine Stichprobe von 15 bis 40 Endothelzellen berücksichtigt. Das Messergebnis hängt daher von der Platzierung des Zählrahmens und der manuellen Nachkorrektur der im Zählrahmen gewerteten Zellen ab. Um den Stichprobenumfang zu erhöhen und eine höhere Objektivität zu schaffen, haben wir auf Grundlage von „Deep Learning“ eine neue Methode entwickelt, die alle sichtbaren Endothelzellen im Bild vollautomatisch erkennt. Ziel dieser Studie ist der Vergleich dieser neuen Methode mit dem konventionellen Rhine-Tec-System. 9375 archivierte phasenkontrastmikroskopische Bildaufnahmen von konsekutiven Transplantaten aus der Lions Hornhautbank wurden mit der Deep-Learning-Methode evaluiert und mit den korrespondierenden archivierten Analysen des Rhine-Tec-Systems verglichen. Zum Vergleich der Mittelwerte wurden Bland-Altman- und Korrelationsanalysen durchgeführt. Es ergaben sich vergleichbare Ergebnisse beider Methoden. Die mittlere Differenz zwischen Rhine-Tec-System und der Deep-Learning-Methode betrug lediglich − 23 Zellen/mm2 (95%-Konfidenzintervall: − 29 – − 17). Es zeigte sich eine statistisch signifikant positive Korrelation zwischen den beiden Methoden mit 0,748. Auffällig in der Bland-Altman-Analyse waren gehäufte Abweichungen im Zelldichtenbereich zwischen 2000 und 2500 Zellen/mm2 mit höheren Werten beim Rhine-Tec-System. Die vergleichbaren Ergebnisse bez. der Zelldichtenmesswerte unterstreichen die Wertigkeit des Deep-Learning-basierten Verfahrens. Die Abweichungen im Bereich der formalen Schwelle für eine Transplantatfreigabe von 2000 Zellen/mm2 sind sehr wahrscheinlich durch die höhere Objektivität der Deep-Learning-Methode erklärbar und der Tatsache geschuldet, dass Messrahmen und manuelle Nachkorrektur unter Berücksichtigung des Gesamtbildes aus der Endothelbewertung jeweils gezielt ausgewählt worden waren. Diese vollständige Sichtung des Transplantatendothels und Qualitätsbeurteilung kann aktuell noch nicht durch das Deep-Learning-System ersetzt werden und ist somit weiterhin die wichtigste Grundlage der Transplantatfreigabe zur Keratoplastik.
Die Endothelzelldichte ist ein objektiver Parameter für die Freigabe von Hornhauttransplantaten zur Operation. In der Lions Hornhautbank Baden-Württemberg wird für diese Quantifizierung das „Rhine-Tec Endothelial Analysis System“ verwendet, das auf der Methode des festen Zählrahmens basiert und nur eine kleine Stichprobe von 15 bis 40 Endothelzellen berücksichtigt. Das Messergebnis hängt daher von der Platzierung des Zählrahmens und der manuellen Nachkorrektur der im Zählrahmen gewerteten Zellen ab. Um den Stichprobenumfang zu erhöhen und eine höhere Objektivität zu schaffen, haben wir auf Grundlage von „Deep Learning“ eine neue Methode entwickelt, die alle sichtbaren Endothelzellen im Bild vollautomatisch erkennt. Ziel dieser Studie ist der Vergleich dieser neuen Methode mit dem konventionellen Rhine-Tec-System. 9375 archivierte phasenkontrastmikroskopische Bildaufnahmen von konsekutiven Transplantaten aus der Lions Hornhautbank wurden mit der Deep-Learning-Methode evaluiert und mit den korrespondierenden archivierten Analysen des Rhine-Tec-Systems verglichen. Zum Vergleich der Mittelwerte wurden Bland-Altman- und Korrelationsanalysen durchgeführt. Es ergaben sich vergleichbare Ergebnisse beider Methoden. Die mittlere Differenz zwischen Rhine-Tec-System und der Deep-Learning-Methode betrug lediglich − 23 Zellen/mm2 (95%-Konfidenzintervall: − 29 – − 17). Es zeigte sich eine statistisch signifikant positive Korrelation zwischen den beiden Methoden mit 0,748. Auffällig in der Bland-Altman-Analyse waren gehäufte Abweichungen im Zelldichtenbereich zwischen 2000 und 2500 Zellen/mm2 mit höheren Werten beim Rhine-Tec-System. Die vergleichbaren Ergebnisse bez. der Zelldichtenmesswerte unterstreichen die Wertigkeit des Deep-Learning-basierten Verfahrens. Die Abweichungen im Bereich der formalen Schwelle für eine Transplantatfreigabe von 2000 Zellen/mm2 sind sehr wahrscheinlich durch die höhere Objektivität der Deep-Learning-Methode erklärbar und der Tatsache geschuldet, dass Messrahmen und manuelle Nachkorrektur unter Berücksichtigung des Gesamtbildes aus der Endothelbewertung jeweils gezielt ausgewählt worden waren. Diese vollständige Sichtung des Transplantatendothels und Qualitätsbeurteilung kann aktuell noch nicht durch das Deep-Learning-System ersetzt werden und ist somit weiterhin die wichtigste Grundlage der Transplantatfreigabe zur Keratoplastik.
摘要：
暂无翻译
