Fusion d’informations multimodales pour le diagnostic de la rétinopathie diabétique

Multimodal information fusion for the diagnosis of diabetic retinopathy

• Auteur / Autrice : Yihao Li
• Direction : Gwenolé Quellec
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 07/12/2023
• 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 d'Enseignement et de Recherche sur le Traitement de l'Information Médicale (Marseille)
• Jury : Président / Présidente : Saïd Mahmoudi
• Jury : Examinateurs / Examinatrices : Gwenolé Quellec, Saïd Mahmoudi, Florence Rossant, Mostafa El Habib Daho
• Jury : Rapporteurs / Rapporteuses : Saïd Mahmoudi, Florence Rossant

Mots clés

Mots clés contrôlés

Intelligence artificielle en médecine

Imagerie médicale

Rétinopathie diabétique

Mots clés libres

Classification de la RD

Fusion d’informations multimodales

Apprentissage profond

Diabetic retinopathy classification

Multimodal information fusion

Deep learning

Résumé

Le diabète touche 422 millions de personnes dans le monde et 3,3 millions en France, provoquant des complications comme la rétinopathie diabétique (RD) et la cécité. La classification actuelle de la RD, basée sur la rétinophotographie couleur (CFP), peine à prédire l’évolution de la maladie. Les techniques d’imagerie modernes comme la rétinophotographie couleur ultra-grand champ (UWF-CFP), la tomographie en cohérence optique et angiographique (OCTA) fournissent des données complètes mais complexes, nécessitant de l’expertise pour l’analyse. Le projet EviRed vise le développement d’un système expert utilisant des images modernes et des données patients pour prédire la progression de la RD et assurer des traitements opportuns. Cette thèse, qui s’inscrit dans EviRed, explore l’utilisation de l’intelligence artificielle (IA) pour combiner ces différentes données, afin d’améliorer le diagnostic et la prédiction. Différents scenarios sont étudiés : l’analyse conjointe d’informations multimodales issues de l’OCTA, l’analyse de plusieurs spécifications d’acquisition OCTA ou encore l’analyse de l’OCTA avec l’UWF-CFP. De nouvelles architectures neuronales sont proposées pour cela. La validation clinique confirme l’efficacité de la fusion, qui améliore nettement la précision diagnostique par rapport aux images unimodales. L’algorithme propose va renforcer le projet EviRed, contribuant à la révolution imminente du dépistage, du diagnostic et de la gestion de la RD.

Diabetes, affecting 422 million globally and 3.3 million in France, leads to complications like diabetic retinopathy (DR), causing blindness. The existing DR classification, based on outdated Color Fundus Photography (CFP), cannot predict disease progression accurately.Modern imaging techniques such as Ultra-Wide-Field CFP (UWF-CFP) and Optical Coherence Tomography Angiography (OCTA) generate comprehensive but complex fundus data needing expert analysis. The EviRed project aims to develop an expert system using updated imaging and patient data to predict DR progression and ensure timely treatments. As part of EviRed, this thesis investigates artificial intelligence (AI) to integrate the data, enhancing diagnosis and prediction.Deep learning network architectures combining imaging modalities are designed for better diagnostic performance. Scenarios involving joint analysis of multimodal OCTA information, different OCTA acquisition specifications, andOCTA with UWF-CFP analysis are examined, proposing new architectures for DR diagnosis.Clinical validation confirms the fusion’s effectiveness, significantly improving diagnostic accuracy compared to unimodal images. The algorithm will strengthen EviRed, contributing to the imminent revolution in DR screening, diagnosis, and management.