Thèse soutenue

Reconnaissance automatique des pathologies rétiniennes dans un contexte de dépistage massif à l'aide d'un apprentissage profond
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Sarah Matta
Direction : Gwenolé Quellec
Type : Thèse de doctorat
Discipline(s) : Analyse et traitement de l'information et des images médicales
Date : Soutenance le 09/04/2021
Etablissement(s) : Brest
Ecole(s) doctorale(s) : École doctorale Biologie-Santé (Nantes)
Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère)
Jury : Président / Présidente : Béatrice Cochener
Examinateurs / Examinatrices : Gwenolé Quellec, Béatrice Cochener, Gilles Dequen, Pascale Massin, Mathieu Lamard, Vincent Ricquebourg
Rapporteurs / Rapporteuses : Gilles Dequen, Pascale Massin

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Le dépistage automatique des anomalies oculaires, en analysant les photographies du fond d’oeil, est une piste prometteuse pour faire face à la pénurie d’ophtalmologistes et ainsi éviter la cécité. Dans cette thèse, nous visons à développer un algorithme permettant de détecter toutes les photographies du fond d’oeil présentant au moins un signe pathologique. Dans un premier temps, nous nous sommes intéressés aux techniques d’apprentissage semi-supervisées basées sur les modèles génératifs adversaires. Ces méthodes visent à générer une image artificielle d’aspect normal s’approchant au maximum de l’image à analyser. La différence entre l’image à analyser et l’image générée sert alors à quantifier l’anomalie de l’image. Nos résultats montrent que ces approches sont incapables de bien reconstruire les structures normales. Par conséquent, les anomalies se retrouvent noyées parmi les erreurs de reconstruction des structures normales et les images pathologiques sont donc mal détectées. Dans un second temps, nous avons proposé deux approches supervisées pour distinguer les images de fond d’oeil normales des images de fond d’œil anormales. La première approche consiste à entraîner directement un réseau de neurones détectant tous types d'anomalies. Dans une deuxième approche, on apprend d'abord à détecter plusieurs types d'anomalies individuellement, puis on fusionne ces détecteurs spécifiques pour en obtenir un plus général. Nous avons étudié ces deux approches pour la détection des anomalies dans deux populations différentes : une population diabétique, par l’intermédiaire du réseau de dépistage OPHDIAT en Île-de-France, et une population générale, via le réseau de dépistage OphtaMaine dans les Pays-de-la-Loire. Nos résultats montrent que les approches supervisées sont performantes. Elles sont capables de détecter les fonds d’oeil anormales avec une bonne sensibilité et une bonne spécificité dans ces deux populations. De plus, elles ont montré des performances comparables à celles d’un ophtalmologiste sur 2014 examens issus de la population générale. Donc cette approche supervisée est prometteuse : elle pourrait faire office de trieur automatique, permettant au médecin de se concentrer sur les rétines pathologiques.