Automatic Classification of Closed Angle Glaucoma in Anterior Eye Segment Images

Le glaucome primaire à angle fermé est une des principales causes de cécité dans le monde, particulièrement répandu chez les populations âgées et certains groupes ethniques. La détection précoce est essentielle pour prévenir la perte de vision irréversible. Cependant, les méthodes diagnostiques classiques, telles que la tomographie par cohérence optique (OCT), la gonioscopie et la tonométrie, sont souvent coûteuses, nécessitent un équipement spécialisé ou provoquent un inconfort pour les patients. Cette recherche propose l’exploration d’une alternative non invasive basée sur le test de Van Herick, qui évalue l’angle de la chambre antérieure à partir d’images externes de l’oeil, sans contact direct avec l’oeil ni de dilatation pupillaire par l’usage de gouttes mydriatiques. L’objectif de travail est de développer un processus automatisé d’aide au diagnostic utilisant des techniques classiques de traitement d’images pour calculer le ratio de Van Herick, un indicateur clé du risque de du glaucome à angle-fermé. Le jeu de données a été enrichi par l’acquisition de nouvelles images de segments antérieurs pour compléter les bases existantes. L’algorithme segmente et analyse les réflexions des fentes lumineuses dans les images du segment antérieur de l’oeil et calcule les mesures nécessaires, validées par des annotations cliniques fournies par un ophtalmologiste. Les résultats, évalués à l’aide de métriques telles que la sensibilité, la spécificité, le score F1 et la courbe ROC, montrent des performances prometteuses, notamment pour les classifications regroupant les cas modérés et sévères. Ce travail met en évidence le potentiel des techniques classiques de traitement d’images pour la détection efficace et évolutive du risque de glaucome à angle fermé, en particulier dans les régions isolées ou à ressources limitées, en permettant un dépistage automatisé et non invasif.

Abstract

Primary Angle Closure Glaucoma (PACG) is a leading cause of blindness worldwide, particularly prevalent among aging populations and certain ethnic groups. Early detection is essential to prevent irreversible vision loss, but traditional diagnostic methods such as Optical Coherence Tomography (OCT), gonioscopy, and tonometry are often costly, require specialized equipment, and cause patient discomfort. This research proposes an alternative approach based on the Van Herick test, which uses external eye images to assess the anterior chamber angle non-invasively, avoiding direct eye contact or pupil dilation. The study develops an automated diagnostic pipeline utilizing classical image processing techniques to calculate the Van Herick ratio, a key indicator of PACG risk. The dataset was enhanced by acquiring new anterior segment images to complement existing databases. The pipeline segments and analyzes light slit reflections in the images and computes the necessary measurements, validated against clinical annotations provided by ophthalmologists. Performance metrics such as recall, precision, F1 score, and ROC curve, demonstrate promising results, especially for grouped classifications of moderate and severe cases. This work demonstrates the potential of using classical image processing techniques for the efficient and scalable detection of PACG, particularly in remote or resource-constrained environments. By enabling automated and non-invasive screening.