Doktorsvörn í líf- og læknavísindum - Róbert Arnar Karlsson

Föstudaginn 24. nóvember 2023 ver Róbert Arnar Karlsson doktorsritgerð sína í líf- og læknavísindum við Læknadeild Háskóla Íslands . Ritgerðin ber heitið Þróun sjálfvirkra aðferða í súrefnismælingum í augnbotnum. Automation of retinal oximetry. Doktorsgráðan er sameiginleg með Læknadeild og Rafmagns- og tölvuverkfræðideild.

Andmælendur eru dr. Giovanni Ometto, vísindamaður við City University of London, School of Health and Psychological Sciences, og dr. Goran Petrovski, prófessor við augnlækningadeild Ríkisspítalans og Háskólann í Ósló.

Umsjónarkennari og leiðbeinandi var Sveinn Hákon Harðarson, dósent, leiðbeinandi var Jón Atli Benediktsson, prófessor og rektor Háskóla Íslands, og meðleiðbeinandi var Einar Stefánsson, prófessor. Auk þeirra sátu í doktorsnefnd Lotta María Ellingsen, dósent,og Toke Bek, prófessor.

Þórarinn Guðjónsson, prófessor og deildarforseti Læknadeildar, stjórnar athöfninni sem fer fram í Hátíðasal Háskóla Íslands og hefst kl. 9.00.

Ágrip

Augnbotnamyndataka er notuð til að greina og fylgjast með augnsjúkdómum svo sem æðalokunum, augnbotnahrörnun í sykursýki, gláku og aldurstengdri hrörnun í augnbotnum. Súrefnismæling í augnbotnum, sem er tegund af augnbotnamyndatöku, veitir nýja innsýn í meingerð augans og gæti gert kleift að greina margvíslega sjúkdóma fyrr og nákvæmar en er mögulegt með núverandi klínískri tækni. Handvirk greining augnbotnamynda er tímafrek og niðurstöðurnar geta verið huglægar. Súrefnismæling í augnbotnum krefst mynda af nægjanlegum gæðum ef niðurstöðurnar eiga að vera áreiðanlegar. Þar að auki byggir súrefnismæling í augnbotnum á staðsetningu mælipunkta og vali á mælisvæði. Þó að sérfræðingar geti metið myndgæði og valið mælisvæði er þörf á þjálfun og verulegur munur á milli sérfræðinga er til staðar sem gæti leitt til ónákvæmra niðurstaðna. Nýlegar framfarir í myndvinnslu og vélanámi gera mögulega þróun á sjálfvirkum hugbúnaði til að gera súrefnismælingar nákvæmari og fljótlegri. Niðurstöður okkar benda til þess að sjálfvirki hugbúnaðurinn sé betri í að meta myndfókus eða blæbrigði en sérfræðingar. Þegar kemur að staðsetningu og flokkun æða í augnbotnum eru sérfræðingar enn betri í að greina milli slagæðlinga og bláæðlinga eftir að æðakerfið hefur verið staðsett. Sjálfvirka aðferðin er betri í að staðsetja æðakerfið og greina milli slagæðlinga og bláæðlinga í einu heildarverkefni. Staðsetning og flokkun æða í augnbotnum er leiðinlegt og tímafrekt verkefni sem er ómögulegt að framkvæma handvirkt í nokkrum mæli. Sjálfvirk staðsetning og flokkun slagæðlinga/bláæðlinga bætti endurtekningu súrefnismælinga í augnbotnum mælinga miðað við handvirkt val og flokkun æðahluta. Sjálfvirkni myndgreiningar á læknisfræðilegum gögnum getur hjálpað sérfræðingum að fá endurtakanlegar niðurstöður, vinna meira magn af gögnum með færri villum  og framkvæma rannsóknir sem annars væru óhóflega tímafrekar.

Abstract

Fundus photography is used to diagnose and monitor eye diseases such as vascular occlusions, diabetic retinopathy, glaucoma, and age-related macular degeneration. Retinal oximetry, a form of fundus imaging, provides new insights into the physiology and pathophysiology of the eye and could enable earlier and more accurate diagnosis of many diseases compared to what is possible with current clinical technology. Analysis of fundus images by humans is often time-consuming and the results are subjective. Retinal oximetry relies on images of sufficient quality if the results are to be reliable. Furthermore, retinal oximetry relies on the placement of measurement points and the selection of measurement areas. While human experts can evaluate image quality and select measurement areas, training is required and significant inter-operator differences are present, which could lead to inaccurate results. Recent advances in image processing and machine learning enable the development of automated software to make oximetry measurements more accurate and less time-consuming. Our results indicate that automated software is better at evaluating image focus or contrast than human experts. On the task of segmenting and classifying retinal vessels, human experts are still better at differentiating between arterioles and venules after the vasculature has been segmented. The automated method is better at the combined task of segmenting the vasculature and differentiating between arterioles and venules. Segmenting the retinal vasculature is a tedious, time-consuming task that is infeasible to perform manually. Automated vessel segmentation and arteriole/venule classification improved the repeatability of retinal oximetry measurements compared with manually selecting and classifying vessel segments. Automation of medical image analysis can assist human experts in achieving more repeatable results, allow more data to be processed with fewer mistakes, and perform research that would otherwise be prohibitively time-consuming.

Um doktorsefnið

Róbert Arnar Karlsson er fæddur árið 1977 á Akranesi. Hann lauk BS-prófi í rafmagns- og tölvuverkfræði frá Háskóla Íslands árið 2001 og MS-gráðu árið 2004. Róbert hóf doktorsnám í líf- og læknavísindum við Háskóla Íslands árið 2017. Frá 2021 hefur hann starfað hjá lækningatækjaframleiðandanum Intuitive í Sviss þar sem hann vinnur við rannsóknir og þróun á myndvinnsluaðferðum. Sambýliskona Róberts er Agnès Davy og eiga þau dæturnar Írisi Emmu , Hélène Ösp og Emblu Diane.