Optimisation du codage du signal visuel dans les prothèses rétiniennes: une approche par apprentissage automatique.

Retinal degenerative diseases, such as retinitis pigmentosa or age-related macular degeneration, affect between 20 and 25 million people worldwide. These diseases lead to the gradual loss of photoreceptors, the light-sensitive cells of the retina, and therefore to blindness. Retinal prostheses are a promising strategy to restore sight to these patients. These devices are made of grids of electrodes or microphotodiodes positioned on or under the retina, or on the choroid -the vascular layer of the eye, to stimulate the remaining neurons of the retina by electrical impulses. The visual scene is filmed by a camera carried by the patient, and converted into an electrical stimulation pattern, to compensate for the loss of photoreceptors.Despite promising beginnings and considerable technical progress, with the latest generations of implants made up of several thousand independent stimulation units, the visual performance of equipped patients remains well below expectations. Patients who no longer perceived light are now able to locate objects, perform visual recognition tasks or simple spatial navigation. However, the functional benefits remain very limited. Several reasons can explain this performance. First of all, the perception of shapes is greatly affected due to the diffusion of current in the tissue and the activation of the distal parts of the axons: a given electrode does not produce a 'pixel' in the visual field, but an elongated and ill-defined shape. In addition, the electrical stimulation of different types of retinal cells, which normally encode different information about the visual stimulus, is nonspecific, so downstream visual centers receive corrupted information. Extensive efforts have been made to obtain a more focused and specific stimulation, to process the incoming image to transmit only the information necessary for visual performance, and to attempt to mimic the neural code using an appropriate encoder.In this thesis, we propose a new strategy for optimizing visual signal conversion in retinal prostheses based on the measurement of visual performance and patients' preferences. Users participate in a series of visual tasks, and their responses are used to continuously adjust the encoder according to a Bayesian optimization algorithm. Bayesian optimization is a powerful method to optimize functions whose analytical form is unknown without access to derivative information. It is especially used when the cost of a single function evaluation is high. It relies on a surrogate Bayesian model of the objective function which is used to query the system at locations informative about the optimum. The choice of querying a particular point is driven by a heuristic aiming at balancing exploration and exploitation. In this thesis, we validate this strategy in participants with normal or corrected vision, using a prosthetic vision simulator. We show that preference-based optimization improves the quality of participants' perception and that this subjective improvement is transferred to stimuli other than those used during optimization, and is accompanied by a better visual acuity. The use of an adaptive sampling scheme allows faster optimization compared to random sampling. We used a parameterization of the encoder based on a model predicting the perception of patients equipped with an implant. We show that the optimization procedure is robust to errors in this model. This robustness, together with the fact that this method does not make any particular assumption regarding the type of implant, suggests that it could be implemented to improve sight restoration in patients. In addition, we show that an optimization strategy based on personal preference is more effective than optimization based on performance.The challenges of applying preferential Bayesian optimization to retinal prostheses led us to develop new Bayesian optimization algorithms which outperform state-of-the-art methods in scenarios where the objective evaluation returns binary data, such as preference comparisons. In particular, many of the previously proposed method where either to computationally expensive to be used in a psychophysics context, or showed limited performance in practice. The new methods we proposed are based on the analytical decomposition of uncertainty about an evaluation outcome into its two components: aleatoric and epistemic, which allowed us to refine the definition of exploration in the context of Bayesian optimization. The optimization of retinal prostheses encoders is an example of a situation where the optimized system can operate in many different environments, which induces several challenges for efficient and robust performance improvement. We explore this type of problem, in the case where the evaluation of the system involves binary measurements, by generalizing binary Bayesian optimization. We propose new heuristics combining methods from Bayesian optimization and active learning to efficiently optimize the objective across contexts.Les maladies de dégénérescence de la rétine, comme la rétinite pigmentaire ou la dégénérescence maculaire liée à l'âge, touchent entre 20 et 25 millions de personnes dans le monde. Ces maladies conduisent à une perte progressive des photorécepteurs, les cellules sensibles à la lumière de la rétine, et donc à la cécité. Les prothèses rétiniennes constituent une stratégie prometteuse pour rendre la vue à ces patients. Ces dispositifs sont des grilles d'électrodes ou de microphotodiodes positionnées sur ou sous la rétine, ou sur la choroïde, de façon à stimuler par des impulsions électriques les neurones restants de la rétine. La scène visuelle est filmée par une caméra portée par le patient, et convertie en un motif de stimulation électrique, de façon à compenser la perte des photorécepteurs.Malgré des débuts encourageants et des progrès techniques considérables, avec les implants de dernière génération constitués de plusieurs milliers d'unités de stimulation indépendantes, les performances visuelles des patients équipés restent très en deçà des attentes. Des patients qui ne percevaient plus la lumière sont maintenant capables de localiser des objets, de réaliser des tâches de reconnaissance visuelle ou de navigation spatiale simples. Cependant, les bénéfices fonctionnels restent très limités. Plusieurs raisons peuvent expliquer ces performances. Tout d'abord, la perception des formes est très affectée du fait de la diffusion du courant dans le tissu et de l'activation des parties distales des axones: une électrode donnée ne produit pas un 'pixel' dans le champ visuel, mais une forme allongée et mal définie. De plus, la stimulation électrique des différents types de cellules de la rétine, qui en temps normal encodent des informations différentes sur le stimulus visuel, est non spécifique, de sorte que les centres visuels en aval reçoivent une information corrompue. De vastes efforts ont été entrepris pour obtenir une stimulation plus focalisée et plus spécifique, traiter l'image entrante de façon à ne transmettre que l'information nécessaire à la performance visuelle, et tenter de mimer le code neuronal à l'aide d'un encodeur approprié.Dans cette thèse, nous proposons une nouvelle stratégie d'optimisation de la conversion du signal visuel dans les prothèses rétiniennes basée sur la mesure de la performance visuelle et de la préférence des patients. Les utilisateurs participent à une série de tâches visuelles, et leurs réponses sont utilisées pour ajuster l'encodeur en continu selon un algorithme d'optimisation bayésienne. L'optimisation bayésienne est une méthode puissante pour optimiser des fonctions dont la forme analytique est inconnue, et en l'absence d'information sur ses dérivées. Elle est particulièrement utile lorsque le coût d'évaluation de la fonction objectif est élevé. Elle repose sur un modèle bayésien de la fonction objectif qui est utilisé pour échantillonner la fonction à des emplacements informatifs quant à la valeur de l'optimum. Le choix d'un point particulier est guidé par une heuristique visant à trouver un compromis entre exploration et exploitation. Dans cette thèse, nous évaluons cette stratégie chez des participants ayant une vision normale ou corrigée, à l'aide d'un simulateur de vision prothétique. Nous montrons que l'optimisation basée sur la préférence permet d'améliorer la qualité de la perception des participants, et que cette amélioration subjective se transmet à d'autres stimuli que ceux utilisés lors de l'optimisation, et s'accompagne d'une meilleure acuité visuelle. L'utilisation d'un schéma d'échantillonnage adaptatif permet une optimisation plus rapide comparée à un échantillonnage aléatoire. De plus, nous montrons qu'une stratégie d'optimisation basée sur la préférence personnelle est plus efficace qu'une optimisation basée sur la performance. Notre travail fait usage d'une paramétrisation de l'encodeur basée sur un modèle prédisant la perception des patients équipés d'un implant. Nous montrons que la procédure d'optimisation est robuste à des erreurs dans ce modèle. Cette robustesse, jointe au fait que cette méthode ne fait pas d'hypothèse particulière quant au type d'implant, suggère qu'elle pourra être implémentée pour améliorer la restauration visuelle chez des patients.Les défis de l'application de l'optimisation Bayésienne basée sur la préférence aux prothèses rétiniennes nous ont amenés à développer de nouveaux algorithmes d'optimisation bayésienne qui surpassent les méthodes existantes dans des scénarios où l'évaluation renvoie des données binaires, comme des comparaisons de préférence. En particulier, la plupart des méthodes existantes étaient soit très coûteuses en calcul pour être utilisées dans un contexte psychophysique, ou bien avaient de faibles performances en pratique. Les nouvelles méthodes que nous proposons reposent sur la décomposition analytique de l'incertitude sur l'issue d'une évaluation en ses deux composantes : aléatoire et épistémique, ce qui nous a permis d'affiner la définition de l'exploration dans le cadre de l'optimisation bayésienne. L'optimisation de l'encodeur des prothèses rétiniennes est un exemple de situation où le système optimisé peut fonctionner dans de nombreux environnements différents, ce qui induit un certain nombre de difficultés pour obtenir une amélioration efficace et robuste des performances. Nous explorons ce type de problème, dans le cas où l'évaluation du système implique des mesures binaires, en généralisant l'algorithme d'optimisation bayésienne binaire. Cette généralisation s'appuie sur de nouvelles heuristiques combinant des méthodes issues de l'optimisation bayésienne et de l'apprentissage actif