Méthode automatique à base de machine d’apprentissage pour le dépistage de la Dégénérescence Maculaire Liée à l’Age (DMLA) à partir des images captées par supports mobiles

Automatic machine learning method for Age-related Macular Degeneration (AMD) screening, based on images captured by mobile devices

• Auteur / Autrice : Sofien Bensayadia
• Direction : Mohamed Akil, Asma Ben Abdallah
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 22/02/2023
• Etablissement(s) : Université Gustave Eiffel en cotutelle avec Université de Sousse (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) - Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
• Jury : Président / Présidente : Ouajdi Korbaa
• Jury : Examinateurs / Examinatrices : Mohamed Akil, Asma Ben Abdallah, Virginie Fresse, Faten Chaieb-Chakchouk, Najia Es-Sbai
• Jury : Rapporteurs / Rapporteuses : Virginie Fresse, Faten Chaieb-Chakchouk

Mots clés

Mots clés contrôlés

Apprentissage profond

Imagerie

Dégénérescence rétinienne

Médecine préventive

Dégénérescence maculaire liée à l'âge

Diagnostic assisté par ordinateur

Mots clés libres

Diagnostic assisté par ordinateur

Image du fond de l'œil

Apprentissage automatique

Localisation de la macula

Prédiction de la dégénérescence maculaire liée à l'âge

Temps réel

Computer Aided diagnosis system

Fundus Image

Machine learning

Macula localisation

Age-Related Macular Degeneration prediction

Real-Time

Résumé

La dégénérescence maculaire liée à l'âge (DMLA) est une maladie oculaire qui entraîne une baisse progressive de l'acuité visuelle jusqu'à la cécité. Elle est considérée comme une maladie irréversible et son diagnostic précoce est crucial pour garantir le traitement efficace des patients atteints. Son diagnostic repose sur l'analyse de la zone centrale de la rétine, appelée macula, à partir des images du fond d’œil. Malgré le succès global de ce diagnostic, il est fastidieux, perte de temps et coûteux en raison de l'immobilité et de la pénurie d'appareils de capture d'images rétiniennes dans toutes les structures médicales, en particulier dans les zones isolées. Ces limitations entraînent un retard dans le diagnostic de la DMLA et contribuent à l'augmentation du risque de progression de la DMLA vers un stade avancé. Par conséquent, le développement d'une méthode de dépistage automatisé de la DMLA pour aider les médecins est un besoin crucial. Cette méthode devrait garantir une plus grande précision de détection pour une utilisation par les ophtalmologistes ou les professionnels de la santé, répondant ainsi au problème de la pénurie d'ophtalmologistes. De plus, cette méthode est destinée à être utilisée dans un programme de dépistage de masse, qui nécessite de fournir des résultats en temps réel afin d'orienter le patient vers une consultation si nécessaire. Plusieurs études ont proposé des méthodes de dépistage automatisé de la DMLA, mais la plupart d'entre elles n'ont pas réussi à fournir une précision optimale. Même dans le cas contraire, une plus grande précision des méthodes existantes n’est pas garantie avec des images de qualité dégradée. En outre, les méthodes existantes sont toujours caractérisées par une grande complexité de calcul, qui se traduit par un temps d'exécution élevé, et qui sera aggravé par l'augmentation permanente de la résolution de l'image. Cette thèse porte sur la proposition d’une approche d’apprentissage automatique « machines Learning» pour le dépistage de la DMLA à partir des images rétiniennes. Cette approche permettra d’aboutir à un système intelligent et mobile d’aide au dépistage de la DMLA.La première partie de cette thèse consiste à proposer une méthode automatique pour la localisation de la macula. L’idée repose sur la localisation en se reposant sur les critères anatomiques de la macula, qui demeurent invariants lors de l’atteinte des pathologies rétiniennes. Pour cela, une étape de prétraitement de l’image a été proposée pour rehausser le contenu en apportant les corrections nécessaires liées à la capture des images rétiniennes. Par la suite, la macula a été localisée en s’appuyant sur sa position par rapport à la forme elliptique de l’arbre vasculaire. Un ordonnancement parallèle de la méthode a été proposé dans l’objectif d’assurer une exécution temps réel de la localisation de la macula. La deuxième partie de la thèse a été réservée à la proposition d’une méthode automatique de détection de la DMLA à partir de la région maculaire localisée. L’originalité de la méthode repose sur l’identification des biomarqueurs de la pathologie, et la proposition de caractéristiques qui reflètent ces biomarqueurs. Par la suite, le vecteur des caractéristiques est fourni à un classificateur pour détecter la DMLA. Dans l’objectif de réduire la complexité de la méthode proposée, une approche d’adéquation algorithme architecture a été également assurée dans ce travail permettant de réduire itérativement le traitement de la représentation des données et de l’extraction des caractéristiques. Grâce à ses performances de détection et son cout en temps d'exécution, la méthode que nous proposons semble être une bonne solution pour le diagnostic précoce de la DMLA à partir des images de fond d'œil capturées par supports mobile et l’exécution en temps réel sur des appareils mobiles

Age-related macular degeneration (AMD) is an eye disease that causes a progressive decline in visual acuity to the point of blindness. It is considered an irreversible disease and early diagnosis is crucial to ensure effective treatment of affected patients. Diagnosis is based on analysis of the central area of the retina, called the macula, from fundus images. Despite the overall success of this diagnosis, it is tedious, time-consuming and costly due to the immobility and lack of retinal image capturing equipment in all medical facilities, especially in remote areas. These limitations lead to a delay in the diagnosis of AMD and contribute to the increased risk of progression of AMD to an advanced stage. Therefore, the development of an automated AMD screening method to assist physicians is a critical need. This method should ensure greater accuracy of detection for use by ophthalmologists or health professionals, thus addressing the problem of ophthalmologist shortage. In addition, this method is intended for use in a mass screening programme, which requires real-time results to be provided in order to refer the patient to a consultation if necessary. Several studies have proposed automated AMD screening methods, but most have failed to provide optimal accuracy. Even if they did, higher accuracy of existing methods is not guaranteed with degraded image quality. Furthermore, existing methods are still characterised by a high computational complexity, which results in a high execution time, and which will be aggravated by the permanent increase of the image resolution.This thesis focuses on the proposal of a machine learning approach for AMD detection from retinal images. This approach will lead to an intelligent and mobile system for AMD screening.The first part of this thesis consists in proposing an automatic method for macula localisation. The idea is based on localisation using the anatomical criteria of the macula, which remain invariant to retinal pathologies. For this purpose, an image pre-processing step was proposed to enhance the content by providing the necessary corrections related to the capture of retinal images. Subsequently, the macula was located based on its position relative to the elliptical shape of the vascular tree. A parallel scheduling of the method was proposed in order to ensure a real-time execution of the macula localisation.The second part of the thesis was devoted to the proposal of an automatic method for AMD detection from the localised macular region. The originality of the method lies in the identification of biomarkers of the pathology, and the proposal of features that reflect these biomarkers. Subsequently, the feature vector is fed to a classifier to detect AMD. With the aim of reducing the complexity of the proposed method, an algorithmic architecture matching approach has also been provided in this work allowing to iteratively reduce the processing of data representation and feature extraction. Due to its detection performance and execution time cost, our proposed method seems to be a good solution for the early diagnosis of AMD from mobile-captured fundus images and real-time execution on mobile devices