Développement et validation d'un système automatique de classification de la dégénérescence maculaire liée à l'âge

La dégénérescence maculaire liée à l'âge (DMLA) est une des principales causes de déficience visuelle menant à une cécité irréversible chez les personnes âgées dans les pays industrialisés. Cette maladie regroupe une variété d'anomalies touchant la macula, se présentant sous diverses formes. Un des moyens les plus couramment utilisés pour rapidement examiner la rétine est la photographie de fond d'œil. À partir de ces images, il est déjà possible de détecter et de poser un diagnostic sur l'avancée de la maladie. Une classification recommandée pour évaluer la DMLA est la classification simplifiée de l'AREDS qui consiste à diviser la maladie en quatre catégories : non-DMLA, précoce, modérée, et avancée. Cette classification aide à déterminer le traitement spécifique le plus optimal. Elle se base sur des critères quantitatifs mais également qualitatifs, ce qui peut entrainer des variabilités inter- et intra-expert. Avec le vieillissement de la population et le dépistage systématique, le nombre de cas de DMLA à être examinés et le nombre d'images à être analysées est en augmentation rendant ainsi le travail long et laborieux pour les cliniciens. C'est pour cela, que des méthodes automatiques de détection et de classification de la DMLA ont été proposées, afin de rendre le processus rapide et reproductible. Cependant, il n'existe aucune méthode permettant une classification du degré de sévérité de la DMLA qui soit robuste à la qualité de l'image. Ce dernier point est important lorsqu'on travaille dans un contexte de télémédecine. Dans ce projet, nous proposons de développer et valider un système automatique de classification de la DMLA qui soit robuste à la qualité de l'image. Pour ce faire, nous avons d'abord établi une base de données constituée de 159 images, représentant les quatre catégories de l'AREDS et divers niveaux de qualité d'images. L'étiquetage de ces images a été réalisé par un expert en ophtalmologie et nous a servi de référence. Ensuite, une étude sur l'extraction de caractéristiques nous a permis de relever celles qui étaient pertinentes et de configurer les paramètres pour notre application. Nous en avons conclu que les caractéristiques de texture, de couleur et de contexte visuel semblaient les plus intéressantes. Nous avons effectué par après une étape de sélection afin de réduire la dimensionnalité de l'espace des caractéristiques. Cette étape nous a également permis d'évaluer l'importance des différentes caractéristiques lorsqu'elles étaient combinées ensemble.