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.