Vers un ophtalmologiste ''augmenté'' : analyse d'images rétiniennes pour l'aide au diagnostic précoce du glaucome

Towards an ''increased'' ophthalmologist : retinal image analysis for computer-aided diagnosis of glaucoma

• Auteur / Autrice : Amed Mvoulana
• Direction : Mohamed Akil
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 24/02/2022
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
• Jury : Président / Présidente : Fan Yang Song
• Jury : Examinateurs / Examinatrices : Mohamed Akil, Antoine Manzanera, Nicolas Leveziel, Najia Es-Sbai, Rostom Kachouri
• Jury : Rapporteurs / Rapporteuses : Antoine Manzanera, Nicolas Leveziel

Mots clés

Mots clés contrôlés

Apprentissage profond

Vision par ordinateur

Imagerie médicale

Glaucome

Mots clés libres

Glaucome

Aide au diagnostic

Pathologies oculaires

Imagerie médicale

Apprentissage profond

Vision par ordinateur

Glaucoma

Computer-Aided diagnosis

Ocular pathologies

Medical Imaging

Deep learning

Computer vision

Résumé

Les pathologies oculaires sont au cœur d'enjeux majeurs de santé publique. L'une d’elles, le glaucome, nécessite un dépistage précoce pour garantir le traitement efficace des patients atteints, et prévenir de déficiences visuelles irréversibles. L'avènement des approches dites de vision par ordinateur et d'apprentissage profond est à l'origine d'un changement de paradigme dans le domaine de l'ophtalmologie, vecteurs d'appui sans précédent dans les choix diagnostiques et thérapeutiques. Dans cette thèse, nous proposons de nouvelles méthodes pour le développement de systèmes intelligents dédiés au dépistage précoce de glaucome sur des images de la rétine. Nous visons notamment le déploiement de systèmes mobiles intégrant des dispositifs d'acquisition portables, pour le dépistage de proximité et/ou itinérant.Dans un premier temps, nous proposons une méthode permettant l'analyse de la tête du nerf optique (communément appelée papille), région caractérisée par un changement topographique en présence de glaucome. S’appuyant sur un algorithme précis de segmentation des structures de la papille, notamment du disque optique et de l’excavation (cup) en son sein, la méthode extrait des mesures cliniques pertinentes comme le ratio cup-disque, les secteurs inférieur-supérieur-nasal-temporal (ISNT) et l'aire de l'anneau neuro-rétinien. Un protocole clinique basé sur des références en ophtalmologie permet alors de dépister les cas glaucomateux, et donner des indications sur les stades de développement de la neuropathie (glaucome précoce, modéré ou avancé). Bien que très précise dans le dépistage, avec un taux de performance de 94% sur la base d'évaluation (DRISHTI-GS1), cette méthode a permis de mettre en lumière la nécessité d’améliorer la capacité de généralisation de l’outil, notamment en présence de papilles glaucomateuses sans excavation (faux négatifs) ou de larges papilles saines (faux positifs). Dans un deuxième temps, nous proposons une méthode basée sur des algorithmes d’apprentissage profond, permettant une interprétation automatique des traits caractéristiques de rétines saines ou glaucomateuses. Ce travail exploite des réseaux de neurones convolutionnels de l’état de l’art (VGG-16, ResNet50, Inception-v3, MobileNet et DenseNet121), et propose une méthode d'apprentissage par transfert efficace pour adapter ces réseaux à la tâche de dépistage de la pathologie. Ces modèles atteignent une AUC de plus de 0.97, toutefois, cette étude comparative a permis de déceler les besoins nécessaires au développement de modèles performants, en vue d'un déploiement en condition clinique : 1) une base d’images rétiniennes consistante en termes de taille, d'équilibre inter-classe, de fiabilité diagnostique et de variabilité clinique, 2) des modèles interprétables et explicables, permettant aux spécialistes de comprendre et discuter le résultat de dépistage. Dans ce sens, nous proposons dans un troisième temps une méthode exploitant les percées récentes de l’apprentissage semi-supervisé, pour la génération d’images rétiniennes synthétiques. L’algorithme proposé, BAGAN (pour Balancing GAN), permet de produire à partir d’une base d’images de référence (REFUGE), une base rétinienne comblant le déséquilibre inter-classes potentiellement responsable de biais diagnostiques, tout en répondant aux critères de qualité d’image et de diversité clinique. Nous avons démontré la pertinence d’une telle base dans le développement d’algorithmes semi-supervisés pour le dépistage du glaucome.Enfin, une toute nouvelle interface, disponible sur plateforme de bureau et mobile, a été conçue à destination des ophtalmologistes et professionnels de santé. Ludique et intuitive, elle intègre différentes fonctionnalités basées sur les algorithmes développées, et permet un dépistage en temps réel pour contribuer à l'amélioration de la prise en charge en santé oculaire

Ocular diseases are at the core of major public health issues. One of them, glaucoma, requires early screening to ensure effective treatment of affected patients, and prevent irreversible visual damages. The advent of so-called computer vision and deep learning approaches has led to a paradigm shift in the field of ophthalmology, providing unprecedented support in diagnostic and therapeutic choices. In this thesis, we propose new methods for the development of intelligent systems dedicated to the early detection of glaucoma from retinal images. In particular, we aim at deploying of mobile-based computer-aided diagnosis systems, for remote screening. Firstly, we proposed a method aiming at analyzing the optic nerve head, featured by morphological changes in the presence of glaucoma. Based on a precise algorithm for segmenting the structures of the optic disc and the cup within it, the method extracts clinically relevant measures such as the cup-to-disc ratio, the inferior-superior-nasal-temporal (ISNT) sectors and the neuroretinal rim area. A clinical protocol based on ophthalmic references is drawn to screen for glaucoma, and give indications about the stages of development of the neuropathy (early, moderate or advanced glaucoma). Although very accurate screening, with a performance rate of 94% on the evaluation base (DRISHTI-GS1), this method has highlighted the need to improve generalizability, particularly in the presence of glaucomatous nerve heads without excavation (false negatives) or large healthy nerve heads (false positives). Secondly, we proposed a method based on deep learning algorithms, allowing an automated interpretation of healthy or glaucomatous retinas. This work exploits state-of-the-art convolutional neural networks (VGG-16, ResNet50, Inception-v3, MobileNet and DenseNet121), and proposes an efficient transfer learning method to adapt these networks to the glaucoma screening. These models achieve an AUC of more than 0.97, however, this comparative study has identified the needs for developing efficient models for deployment in clinical conditions: 1) a consistent retinal image dataset in terms of size, inter-class balance, diagnostic reliability and clinical variability, 2) interpretable and explainable models, allowing specialists to understand and discuss the screening result.In this sense, we propose in a third step a method exploiting recent advances in semi-supervised learning, for the generation of synthetic retinal images. The proposed algorithm, BAGAN (for Balancing GAN), allows to produce from a reference image dataset (REFUGE), a new dataset filling the inter-class imbalance potentially responsible for diagnostic bias, while meeting the criteria of image quality and clinical diversity. We have demonstrated the relevance of such dataset in the further development of semi-supervised diagnosis algorithms. Finally, a brand new interface, available on desktop and mobile platforms, has been designed for ophthalmologists and health professionals. Smart and intuitive, it integrates various functionalities based on the developed algorithms, and allows real-time screening to contribute to the improvement of eye health care