Détection d'anomalies dans les photographies du segment antérieur de l'oeil par apprentissage profond non supervisé

Le diagnostic des pathologies oculaires menant à la perte de vision constitue un enjeu économique et social majeur au Canada. En raison des contraintes liées au manque de personnel spécialisé, notamment dans les régions éloignées, et du manque de ressources financières, la téléophtalmologie offre une solution prometteuse en combinant imagerie médicale et analyse à distance. Largement fondée sur l’imagerie du fond d’oeil, qui bénéficie d’un riche corpus d’études scientifiques, elle nécessite cependant des équipements spécialisés et coûteux, freinant ainsi son déploiement à grande échelle. Face à ces limitations, l’imagerie du segment antérieur de l’oeil se présente comme une alternative intéressante. Plus accessible et économique, elle permet l’identification de pathologies grâce à des photographies prises à l’aide d’une lampe à fente. Ce mémoire se concentre sur le développement d’une méthode de détection d’anomalies non supervisée pour les photographies de la conjonctive. En s’appuyant sur des approches par reconstruction, l’objectif est d’identifier toute structure anatomique sortant de la définition de la normalité apprise. À cet effet, nous avons d’abord constitué une base de données adaptée, puis développé SiamAAE, un modèle d’apprentissage profond innovant qui combine reconstruction et auto-distillation surmontant les biais liés à l’apprentissage de l’identité observés dans les modèles de la littérature, tout en conservant les performances en détection d’anomalies de ces dernières. Cette étude marque une première étape dans l’exploration des méthodes non supervisées de détection d’anomalies appliquée aux photographies du segment antérieur de l’oeil. Elle vise à promouvoir la téléophtalmologie et à faciliter la détection précoce des pathologies oculaires, contribuant ainsi à une meilleure prise en charge médicale.

Abstract

Vision loss is a major economic and social challenge in Canada, often caused by undiagnosed or untreated ocular pathologies. imited access to specialized personnel, particularly in remote areas, and financial constraints have made teleophthalmology a promising solution. This approach combines medical imaging with remote analysis, relying primarily on retinal imaging, a well-researched field in the scientific community. However, the high cost and specialized nature of the required equipment remain significant barriers to widespread adoption. Given these limitations, anterior eye segment photography offers an attractive alternative. It is more accessible and cost-effective, enabling the detection of pathologies only using slit lamps. This project focuses on developing an unsupervised anomaly detection method in conjunctival images. By leveraging reconstruction-based approaches, the aim is to identify anatomical structures that deviate from the learned definition of normality. To support this work, a tailored database was created, and SiamAAE, an innovative deep learning network, was developed. SiamAAE combines reconstruction and self-distillation approaches, addressing identity-related biases found in existing models while maintaining high performance in anomaly detection. This study serves as an initial step in developing unsupervised methods for detecting anomalies in anterior eye segment photographies. It aims to advance teleophthalmology and support the early detection of ocular pathologies, ultimately improving medical care in Canada.