Diagnostic automatisé des pathologies de la rétine à l'aide des volumes OCT - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Automated Diagnostics of Retinal Pathologies Using OCT Volumes

Diagnostic automatisé des pathologies de la rétine à l'aide des volumes OCT

Résumé

The leading cause of blindness in the population could mostly be the degeneration of the retina caused by the diabetic-related problems and the aging issue. Diabetic retinopathy (DR) and diabetic macular edema (DME) are the main direct causes of vision problems in the labor age citizens of most advanced countries. The elevated number of diabetic people globally indicates that DME and DR will remain to be the principal factor to partial or total vision loss, which affects the lives quality of patients for many years to come and threaten their lives. Therefore, early detection followed by fast treatment procedures of persons with diabetic-related diseases is significant in preventing optical problems and can decrease the risk of blindness. In addition, people above 50 are exposed to age-related macular degeneration (AMD) disease that hits the retina. Therefore, researchers over the world have attracted to the differences related to several retinal diseases. Several automated methods using Artificial Intelligence (AI) (varying from traditional computer vision to advanced machine learning algorithms) have been applied for the detection and examination of retinal diseases. Unluckily, these models are able to be mistaken with computational inability, which necessitates additional interference from specialist personal. This thesis presents an automatic method - based on deep learning neural networks algorithms - to detect DME and DR, which allows overstepping the subjective handy evaluation of ophthalmologists. Based on Convolutional Neural Network, a proposed model is presented with a soft-max classifier and fully trained from scratch for the automatic classification of Optical Coherence Tomography (OCT) retinal images where OCT screening techniques are applied as the current dependable assessment and measurement method to discover the existence of swallow in the retina. This model has the ability to detect patterns for DR and DME using these retinal images with improved accuracy and sensitivity. Moreover, a pre-trained model has been fined-tuned and re-trained using a dataset that has been augmented using Generative Adversarial Networks (GANs). In opposite to manual retinal disease diagnosis based on personal clinical examination and analysis of OCT images, this method showed the capability to automatically predict DME diseased cases versus healthy cases. The experiments have been evaluated over several datasets provided by different institutions. The model, compared to other CNN end-to-end or transfer learned models, shows effective extracting features, with less time consumption, based on an efficient data pre-processing stage. The experimental results showed a higher accuracy of classification which is promising in the field of early detection of diabetic diseases to aid ophthalmologists in biomedical technologies.
La principale cause de cécité dans la population pourrait être surtout la détérioration de la rétine causée par les problèmes liés au diabète et la complication du vieillissement. La rétinopathie diabétique (DR) et l'oedème maculaire diabétique (DME) sont les principales causes directes de problèmes de vision chez les citoyens en âge de travailler de la plupart des pays avancés. Le nombre élevé de personnes diabétiques dans le monde indique que le DME et la RD resteront les principaux facteurs de perte de vision partielle ou totale, ce qui affecte la qualité de vie des patients pendant de nombreuses années et menace leur vie. Par conséquent, une détection précoce suivie de procédures de traitement rapide des personnes atteintes de maladies liées au diabète est importante pour prévenir les problèmes optiques et peut réduire le risque de cécité. De plus, les personnes de plus de 50 ans sont exposées à la dégénérescence maculaire liée à l'âge (AMD) qui attaque la rétine. Par conséquent, les chercheurs du monde entier sont attirés par les différences liées à plusieurs maladies rétiniennes. Plusieurs méthodes automatisées utilisant l'AI ont été appliquées pour la détection et le test des maladies rétiniennes. Malheureusement, ces modèles peuvent être confondus avec une incapacité de calcul, ce qui nécessite une intervention supplémentaire de la part de spécialistes. Cette thèse présente une méthode automatique - basée sur des algorithmes de réseaux de neurones d'apprentissage en profondeur - pour détecter DME et DR, ce qui permet de dépasser l'évaluation pratique subjective des ophtalmologistes. Basé sur "Convolutional Neural Network", un modèle proposé est présenté avec un classificateur soft-max et entrainé de bout en bout pour la classification automatique des images rétiniennes de tomographie par cohérence optique (OCT). Ce modèle a la capacité de détecter des caractéristiques permettant d'identifier la DR et le DME en utilisant ces images rétiniennes avec une précision et une sensibilité améliorées. De plus, un modèle préformé a été affiné et réformé à l'aide d'un ensemble de données qui a été enrichi à l'aide de "Generative Adversarial Networks" (GAN). Contrairement au diagnostic manuel de la maladie rétinienne basé sur un examen clinique personnel et l'analyse des images OCT, cette méthode a montré la capacité de prédire automatiquement les cas atteints de DME par rapport aux cas sains. Les expériences ont été évaluées sur plusieurs ensembles de données fournis par différentes institutions. Le modèle, comparé à d'autres modèles CNN entrainés de bout en bout ou pre-entrainés et affinés, montre des fonctionnalités d'extraction efficaces, avec moins de temps, sur la base d'une étape de prétraitement efficace des données. Les résultats expérimentaux ont montré une plus grande précision de classification, ce qui est prometteur dans le domaine de la détection précoce des maladies diabétiques pour aider les ophtalmologistes dans les technologies biomédicales.
Fichier principal
Vignette du fichier
84902_SAFARJALANI_2020_archivage.pdf (4.83 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03162545 , version 1 (08-03-2021)

Identifiants

  • HAL Id : tel-03162545 , version 1

Citer

Rami Safarjalani. Diagnostic automatisé des pathologies de la rétine à l'aide des volumes OCT. Traitement des images [eess.IV]. Université Bourgogne Franche-Comté; Université de Balamand (Tripoli, Liban), 2020. Français. ⟨NNT : 2020UBFCK039⟩. ⟨tel-03162545⟩
176 Consultations
112 Téléchargements

Partager

Gmail Facebook X LinkedIn More