Dépistage automatique de la rétinopathie diabétique dans les images de fond d'oeil à l'aide de l'apprentissage profond

Le diabète est une maladie chronique qui touche plus de 400 millions d'adultes dans le monde. Cette maladie peut entraîner plusieurs complications au cours de la vie d'un malade. Une de ces complications est la rétinopathie diabétique. Il s'agit de la principale cause de cécité chez l'adulte. Cette maladie apparaît souvent sans symptômes, il est donc important pour les personnes atteintes de diabète d'effectuer des vérifications régulières chez un ophtalmologue. Cette vérification s'effectue par la prise d'images numériques de fond d'oeil du patient. Ces images sont ensuite examinées par un médecin afin de donner un diagnostic. Dans ce travail, il est question d'automatiser le diagnostic de la rétinopathie diabétique à l'aide des images numériques de fond d'oeil ainsi que l'apprentissage profond. En effet, les réseaux de neurones ont suscité ces dernières années un intérêt important dans différents domaines, notamment ceux du médical et de la vision par ordinateur. Les réseaux convolutifs permettent des applications tel que la classification ou la segmentation d'images. Ici, la classification correspond à classer les images selon la présence ou non de la rétinopathie diabétique dans les images et la segmentation correspond à extraire des régions d'intérêt, comme les vaisseaux sanguins par exemple.

Abstract

Diabetes is a chronic disease that currently concerns more than 400 millions of adults in the world. This disease can cause several complications during the life of a person. One of these complications is diabetic retinopathy. Being one of the leading cause of blindness in the working age population, this complication is serious and requires medical prevention. This disease often appear without any symptoms, meaning that regular examinations with an ophtalmologist are required to enable its detection and treatment. This work is about automating the diagnostic of diabetic retinopathy, with the use of digital fundus images and deep learning. Indeed, deep learning and neural networks have recently been used in several fields, such as medical applications or computer vision. Convolutional neural networks perform applications such as image classification or image segmentation really well. Here, classification means to label each image based on the presence or absence of diabetic retinopthy in the images and segmentation means to extract regions of interest in the image, such as blood vessels.