Quantification automatique de la sécheresse oculaire par intelligence artificielle

Automated quantification of dry eye by artificial intelligence

• Auteur / Autrice : Fatima-Zahra El Barche
• Direction : Béatrice Cochener, Mathieu Lamard
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 02/12/2024
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest ; 2012-....)
• Jury : Président / Présidente : Xavier Descombes
• Jury : Examinateurs / Examinatrices : Béatrice Cochener, Mathieu Lamard, Xavier Descombes, Antoine Rousseau
• Jury : Rapporteurs / Rapporteuses : Xavier Descombes, Antoine Rousseau
• DOI : 10.70675/52e6db65zc526z425aza339z9be5c6173349

Mots clés

Mots clés contrôlés

Sécheresses oculaires

Intelligence artificielle en médecine

Mots clés libres

Sécheresse oculaire

Temps de rupture du film lacrymal

Apprentissage profond

Détection des changements

Analyse des données de séries temporelles

Dry eye disease

Tear break-up time

Deep learning

Change detection

Time-series data analysis

Résumé

La sécheresse oculaire est une maladie sous-estimée et sous-diagnostiquée en ophtalmologie. Le diagnostic de la sécheresse oculaire est difficile en raison de sa nature complexe et multifactorielle, caracterisée par la variabilité des symptômes, l’absence de critères de diagnostic standardises, les limites des tests de diagnostic actuels et la nature subjective des symptômes. Cette thèse aborde la limitation de la subjectivité dans l’estimation du temps de rupture du film lacrymal (TBUT) en développant des méthodes d’apprentissage profond efficaces et entièrement automatisées pour améliorer la fiabilité et l’objectivité des techniques de diagnostic de la sécheresse oculaire. Dans cette thèse, nous présentons deux nouvelles approches pour l’évaluation de la sécheresse oculaire : un système de mesure automatisé du TBUT et DryEyeNet, un framework complet d’apprentissage profond. Notre première contribution est l’automatisation de la mesure du TBUT par le traitement vidéo de la lampe a fente. L’approche proposée emploie une méthodologie en plusieurs étapes, utilisant un réseau siamois à double tâche (DTSN) pour détecter la rupture du film lacrymal dans les images vidéo. Nous avons évalué différentes méthodes d’estimation du temps de rupture, y compris des approches basées sur le filtre gaussien, sur le LSTM et sur les Transformers. La deuxième contribution, DryEyeNet, un framework complet qui non seulement estime le TBUT mais évalue également les dommages à la surface de la cornée à l’aide de l’échelle d’Oxford. DryEyeNet utilise un modèle à double tache avec trois pipelines : deux basés sur la méthode d’estimation du TBUT développée et un pour la prédiction du score d’Oxford.Les deux approches ont été développées et évaluées à l’aide d’ensembles de données de vidéos de lampes à fente. Le système automatisé de mesure du TBUT a demontré une grande précision dans la classification rupture/non-rupture et une forte corrélation avec les évaluations du TBUT de la vérité terrain.DryEyeNet a montré des résultats préliminaires prometteurs, suggérant son potentiel dans le diagnostic de la sécheresse oculaire assiste par l’IA. Ces approches basées sur l’IA offrent des possibilités prometteuses pour faire progresser les méthodologies de diagnostic en ophtalmologie, en particulier pour la sécheresse oculaire. En améliorant l’objectivité et la fiabilité de la mesure du TBUT et de l’évaluation des lésions cornéennes, ces méthodes peuvent considérablement améliorer la précision et la cohérence du diagnostic de la sécheresse oculaire dans la pratique clinique.

Dry Eye Disease (DED) is an underestimated and underdiagnosed condition in ophthalmology. The diagnosis of DED is challenging due to its complex and multifactorial nature, characterized by symptom variability, lack of standardized diagnostic criteria, limitations in current diagnostic tests, and the subjective nature of symptom reporting. This thesis addresses the subjectivity limitation in TBUT estimation by developing efficient, fully automated deep learning methods to enhance the reliability and objectivity of DED diagnostic techniques. In this thesis, we present two novel approaches for DED assessment: anautomated TBUT measurement system and DryEyeNet, a comprehensive deep-learning framework for ocular surface evaluation. Our first contribution is the automation of TBUT measurement through slit lamp video processing. The proposed approach employs a multi-step methodology, utilizing a DTSN to detect tear film breakup in video frames. We evaluated different methods for breakup time estimation, including Gaussian filterbased, LSTM-based, and transformer-based approaches. The second contribution is DryEyeNet, a comprehensive framework that not only estimates TBUT but also assesses corneal surface damage using the Oxford grading scale. DryEyeNet employs a dual-task model with three pipelines: two based on the developed TBUT estimation method and one for Oxford score prediction. Both approaches were developed and evaluated using datasets of slit lamp videos. The automated TBUT measurement system demonstrated high accuracy in breakup/nonbreakup classification and a strong correlation with ground truth TBUT assessments. DryEyeNet showed promising preliminary results, suggesting its potential in AI-assisted diagnosis of dry eye. These AI-based approaches present promising avenues for advancing diagnostic methodologies in ophthalmology, particularly for DED. Enhancing the objectivity and reliability of TBUT measurement and corneal damage assessment can significantly improve the accuracy and consistency of DED diagnosis in clinical practice.