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.