Thèse soutenue

Diagnostic automatisé des pathologies de la rétine à l'aide des volumes OCT
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Rami Safarjalani
Direction : Fabrice MériaudeauDro Désiré Sidibé
Type : Thèse de doctorat
Discipline(s) : Instrumentation et informatique de l'image
Date : Soutenance le 15/12/2020
Etablissement(s) : Bourgogne Franche-Comté en cotutelle avec Université de Balamand (Tripoli, Liban)
Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
Partenaire(s) de recherche : Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon)
Etablissement de préparation : Université de Bourgogne (1970-....)
Jury : Président / Présidente : Fan Yang Song
Examinateurs / Examinatrices : Ahmad Shahin
Rapporteurs / Rapporteuses : Jocelyn Chanussot, Caroline Petitjean

Résumé

FR  |  
EN

La principale cause de cécité dans la population pourrait être surtout la détérioration de la rétine causée par les problèmes liés au diabète et la complication du vieillissement. La rétinopathie diabétique (DR) et l'oedème maculaire diabétique (DME) sont les principales causes directes de problèmes de vision chez les citoyens en âge de travailler de la plupart des pays avancés. Le nombre élevé de personnes diabétiques dans le monde indique que le DME et la RD resteront les principaux facteurs de perte de vision partielle ou totale, ce qui affecte la qualité de vie des patients pendant de nombreuses années et menace leur vie. Par conséquent, une détection précoce suivie de procédures de traitement rapide des personnes atteintes de maladies liées au diabète est importante pour prévenir les problèmes optiques et peut réduire le risque de cécité. De plus, les personnes de plus de 50 ans sont exposées à la dégénérescence maculaire liée à l'âge (AMD) qui attaque la rétine. Par conséquent, les chercheurs du monde entier sont attirés par les différences liées à plusieurs maladies rétiniennes. Plusieurs méthodes automatisées utilisant l'AI ont été appliquées pour la détection et le test des maladies rétiniennes. Malheureusement, ces modèles peuvent être confondus avec une incapacité de calcul, ce qui nécessite une intervention supplémentaire de la part de spécialistes. Cette thèse présente une méthode automatique - basée sur des algorithmes de réseaux de neurones d'apprentissage en profondeur - pour détecter DME et DR, ce qui permet de dépasser l'évaluation pratique subjective des ophtalmologistes. Basé sur "Convolutional Neural Network", un modèle proposé est présenté avec un classificateur soft-max et entrainé de bout en bout pour la classification automatique des images rétiniennes de tomographie par cohérence optique (OCT). Ce modèle a la capacité de détecter des caractéristiques permettant d'identifier la DR et le DME en utilisant ces images rétiniennes avec une précision et une sensibilité améliorées. De plus, un modèle préformé a été affiné et réformé à l'aide d'un ensemble de données qui a été enrichi à l'aide de "Generative Adversarial Networks" (GAN). Contrairement au diagnostic manuel de la maladie rétinienne basé sur un examen clinique personnel et l'analyse des images OCT, cette méthode a montré la capacité de prédire automatiquement les cas atteints de DME par rapport aux cas sains. Les expériences ont été évaluées sur plusieurs ensembles de données fournis par différentes institutions. Le modèle, comparé à d'autres modèles CNN entrainés de bout en bout ou pre-entrainés et affinés, montre des fonctionnalités d'extraction efficaces, avec moins de temps, sur la base d'une étape de prétraitement efficace des données. Les résultats expérimentaux ont montré une plus grande précision de classification, ce qui est prometteur dans le domaine de la détection précoce des maladies diabétiques pour aider les ophtalmologistes dans les technologies biomédicales.