Modélisation topologique du réseau vasculaire rétinien à partir d'image de fond d'oeil

En 1851, Hermann von Helmholtz met au point un appareil permettant l’observation directe du fond de l’oeil, révélant au monde la surface rétinienne et les vaisseaux qui l’arpentent. Le réseau vasculaire rétinien suscite alors un espoir inédit au sein du corps médical. Son observation simple et non intrusive est en effet singulière pour des vaisseaux du corps humain. Pourrait-elle permettre d’établir le lien entre les anomalies de la microvasculature rétinienne et celles des vaisseaux irriguant d’autres organes comme le coeur, le cerveau, les reins, etc. ? Il naît alors dans le corps médical un espoir et une ambition : découvrir sur la rétine des signes précurseurs de pathologies vasculaires. Afin de permettre la conduite et la comparaison d’études sur de larges cohortes, des indicateurs non subjectifs des altérations vasculaires rétiniennes sont développés comme les mesures de calibres équivalents de l’artère et de la veine centrales, ou comme la tortuosité des vaisseaux. Rapidement, apparait la volonté de mesurer ces paramètres vasculaires par des méthodes semi puis complètement automatiques. Quatre étapes constituent ces méthodes : 1. la segmentation des vaisseaux rétiniens ; 2. leur classification en artérioles et veinules ; 3. l’extraction topologique de l’arbre vasculaire ; 4. sa paramétrisation. Ensemble, elles constituent la modélisation topologique et géométrique de l’arbre vasculaire à partir d’images de fond d’oeil, qui sera le sujet de ce document. Depuis 2015, les réseaux de neurones convolutifs ont reçu beaucoup d’attention de la communauté de chercheurs travaillant sur l’identification des artérioles et veinules rétiniennes. Si ces modèles culminent en haut des classements de l’état de l’art, ils restent limités par leur tendance au surapprentissage et par leur incapacité à apprendre la structure topologique sous-jacente à la vasculature de la rétine. À cause du faible volume de données annotées disponibles, les modèles de classification souffrent particulièrement de problèmes de généralisation et sont sujets à des incohérences topologiques : inversant régulièrement la classification d’un vaisseau au milieu d’une branche. Ces incohérences sont problématiques pour l’extraction fiable de la topologie de l’arbre vasculaire. Tant et si bien que les récents logiciels qui exploitent ces modèles pour la paramétrisation vasculaire automatique abandonnent la modélisation topologique (au détriment des paramètres vasculaires qui en dépendent) ou reposent sur des approches simplistes qui ignorent ces incohérences. Comment mettre à profit alors, les recherches récentes appliquant les CNN à la segmentation et la classification des vaisseaux sur image de fond d’oeil, pour extraire une modélisation topologique robuste de l’arbre vasculaire rétinien en vue d’en extraire des paramètres cliniques fiables ? Pour répondre à cette problématique, je formule trois objectifs spécifiques.

Abstract

In 1851, Hermann von Helmholtz developed an instrument that enabled direct observation of the ocular fundus, revealing the retinal surface and its intricate vasculature to the scientific community. The retinal vascular network quickly gained interest from the medical field, as its straightforward and non-invasive observation offers a unique window into the human circulatory system. Could abnormalities in the retinal microvasculature be indicators of vascular dysfunctions in other organs such as the heart, brain, or kidneys? Could they serve as early signs of vascular pathologies? To support large-scale cohort studies and enable objective comparisons, quantifiable and non-subjective indicators of retinal vascular abnormalities were developed, including the equivalent calibers of the central artery and vein, and vascular tortuosity. Soon, the need for semiautomatic and eventually fully automatic measurement methods became apparent. These automatic methods typically consist of four key stages: (1) segmentation of retinal vessels; (2) classification of vessels into arterioles and venules; (3) topological extraction of the vascular tree; and (4) its geometric parameterization. Together, these stages form the basis for the central topic of this thesis, namely the topological and geometric modeling of the vascular tree from fundus images. Since 2015, convolutional neural networks (CNNs) have attracted significant attention for the segmentation and classification of retinal vessels. Despite achieving state-of-the-art performance, such models remain constrained by their propensity to overfit and their limited ability to learn the underlying topological structure of the retinal vasculature. The scarcity of annotated data exacerbates generalization issues, leading to frequent topological inconsistencies, such as the misclassification of a vessel midway along its branch. These inconsistencies hinder the reliable extraction of vascular topology. As a result, most recent software tools either forego topological modeling altogether (at the expense of vasular parameters that depend on it), or rely on simplistic heuristics that ignore such errors. How, then, can recent CNN-based advances in vessel segmentation and classification be leveraged to produce a robust topological model of the retinal vascular tree for the extraction of clinically meaningful parameters? This thesis addresses this question through three specific objectives. The first objective is the construction of a new annotated dataset, MAPLES-DR, for training and evaluating models that perform the segmentation and classification of retinal vessels. This objective was achieved through a large-scale annotation campaign during which four anatomical structures (including vessels) and six pathological structures associated with dix abetic retinopathy were manually labeled in 200 fundus images. To facilitate this effort, a Web-based annotation platform was developed, enabling the correction of pre-annotated maps. An interobserver variability study conducted as part of this campaign revealed substantial disagreements among retinal specialists regarding the exact contours and detection of pathological structures.