Bioimage informatics approach to automated meibomian gland analysis in infrared images of meibography

BackgroundInfrared (IR) meibography is an imaging technique to capture the Meibomian glands in the eyelids. These ocular surface structures are responsible for producing the lipid layer of the tear film which helps to reduce tear evaporation. In a normal healthy eye, the glands have similar morphological features in terms of spatial width, in-plane elongation, length. On the other hand, eyes with Meibomian gland dysfunction show visible structural irregularities that help in the diagnosis and prognosis of the disease. However, currently there is no universally accepted algorithm for detection of these image features which will be clinically useful. We aim to develop a method of automated gland segmentation which allows images to be classified.MethodsA set of 131 meibography images were acquired from patients from the Singapore National Eye Center. We used a method of automated gland segmentation using Gabor wavelets. Features of the imaged glands including orientation, width, length and curvature were extracted and the IR images enhanced. The images were classified as ‘healthy’, ‘intermediate’ or ‘unhealthy’, through the use of a support vector machine classifier (SVM). Half the images were used for training the SVM and the other half for validation. Independently of this procedure, the meibographs were classified by an expert clinician into the same 3 grades.ResultsThe algorithm correctly detected 94% and 98% of mid-line pixels of gland and inter-gland regions, respectively, on healthy images. On intermediate images, correct detection rates of 92% and 97% of mid-line pixels of gland and inter-gland regions were achieved respectively. The true positive rate of detecting healthy images was 86%, and for intermediate images, 74%. The corresponding false positive rates were 15% and 31% respectively. Using the SVM, the proposed method has 88% accuracy in classifying images into the 3 classes. The classification of images into healthy and unhealthy classes achieved a 100% accuracy, but 7/38 intermediate images were incorrectly classified.ConclusionsThis technique of image analysis in meibography can help clinicians to interpret the degree of gland destruction in patients with dry eye and meibomian gland dysfunction.

ResumenAntecedentesLa meibografía de infrarrojos (IR) es una técnica de imagen que capta las glándulas de Meibomio de los párpados. Dichas estructuras de la superficie ocular son responsables de la producción de la capa lipídica de la película lagrimal, que ayuda a reducir la evaporación de las lágrimas. En un ojo sano normal, las glándulas tienen características morfológicas similares en términos de anchura espacial, elongación en plano y longitud. Por otro lado, los ojos con disfunción de las glándulas de Meibomio muestran irregularidades estructurales visibles que ayudan al diagnóstico y pronóstico de la enfermedad. Sin embargo, actualmente no existe un algoritmo universalmente aceptado para la detección de dichas características de imagen que sea clínicamente útil. Nuestro objetivo es desarrollar un método de segmentación automatizada de la glándula que permita la clasificación de las imágenes.MétodosSe adquirió una serie de 131 imágenes meibográficas procedentes de los pacientes del Centro Ocular Nacional de Singapur. Utilizamos un método de segmentación automatizada de las glándulas, mediante ondículas de Gabor. Se extrajeron las características de las imágenes de las glándulas tales como orientación, anchura y curvatura, realzándose las imágenes de IR. Se clasificaron las imágenes como “sanas”, “intermedias” o “insanas”, mediante el uso de una máquina clasificadora de vectores de soporte (SVM). La mitad de las imágenes se utilizaron para probar la SVM y la otra mitad para validación. Independientemente de este procedimiento, las meibografías fueron clasificadas por un médico clínico experto, con arreglo a las 3 categorías anteriores.ResultadosEl algoritmo detectó correctamente el 94% y el 98% de los píxeles de la línea media de la glándula y de las regiones inter-glandulares, respectivamente, en las imágenes sanas. En las imágenes intermedias, se obtuvieron porcentajes correctos de detección del 92% y 97% de los píxeles de la línea media de la glándula y de las regiones inter-glandulares, respectivamente. El porcentaje positivo y cierto de detección de las imágenes sanas fue del 86%, y del 74% para las imágenes intermedias. Los correspondientes porcentajes de falsos positivos fueron del 15% y 31%, respectivamente. Utilizando la SVM el método propuesto logró un 88% de precisión en la clasificación de imágenes conforme a las 3 categorías. La clasificación de las imágenes de las categorías sana e insana logró un 100% de precisión, aunque 7/38 de las imágenes intermedias fueron clasificadas incorrectamente.ConclusionesEsta técnica de análisis de imágenes en la meibografía puede ayudar a los médicos clínicos a interpretar el grado de destrucción de una glándula en pacientes con ojo seco y disfunción de la glándula de Meibomio.