Automatic recognition of retinal pathologies in a mass screening context using deep learning

Le dépistage automatique des anomalies oculaires, en analysant les photographies du fond d’oeil, est une piste prometteuse pour faire face à la pénurie d’ophtalmologistes et ainsi éviter la cécité. Dans cette thèse, nous visons à développer un algorithme permettant de détecter toutes les photographies du fond d’oeil présentant au moins un signe pathologique. Dans un premier temps, nous nous sommes intéressés aux techniques d’apprentissage semi-supervisées basées sur les modèles génératifs adversaires. Ces méthodes visent à générer une image artificielle d’aspect normal s’approchant au maximum de l’image à analyser. La différence entre l’image à analyser et l’image générée sert alors à quantifier l’anomalie de l’image. Nos résultats montrent que ces approches sont incapables de bien reconstruire les structures normales. Par conséquent, les anomalies se retrouvent noyées parmi les erreurs de reconstruction des structures normales et les images pathologiques sont donc mal détectées. Dans un second temps, nous avons proposé deux approches supervisées pour distinguer les images de fond d’oeil normales des images de fond d’œil anormales. La première approche consiste à entraîner directement un réseau de neurones détectant tous types d'anomalies. Dans une deuxième approche, on apprend d'abord à détecter plusieurs types d'anomalies individuellement, puis on fusionne ces détecteurs spécifiques pour en obtenir un plus général. Nous avons étudié ces deux approches pour la détection des anomalies dans deux populations différentes : une population diabétique, par l’intermédiaire du réseau de dépistage OPHDIAT en Île-de-France, et une population générale, via le réseau de dépistage OphtaMaine dans les Pays-de-la-Loire. Nos résultats montrent que les approches supervisées sont performantes. Elles sont capables de détecter les fonds d’oeil anormales avec une bonne sensibilité et une bonne spécificité dans ces deux populations. De plus, elles ont montré des performances comparables à celles d’un ophtalmologiste sur 2014 examens issus de la population générale. Donc cette approche supervisée est prometteuse : elle pourrait faire office de trieur automatique, permettant au médecin de se concentrer sur les rétines pathologiques.Automatic screening for ocular anomalies using fundus photography analysis is key to facing the shortage of ophthalmic expertise and hence preventing vision loss. In this thesis, we aim to develop an algorithm capable of automatically detecting anomalous fundus photographs showing at least one pathological sign. Initially, we focused on semi-supervised anomaly detection in fundus photographs using Generative Adversarial Networks (GANs). Here, the idea is to find a generated image that is visually most similar to the query image and that has a normal aspect. The difference between the query image and the generated image is then used to highlight the anomalies. Our results showed that these approaches are not able to correctly reconstruct the normal structure. As a consequence, the anomalies are not well detected since they will be hindered by the error of normal structures. As a second contribution, we proposed two supervised approaches that automatically classify fundus photographs into "normal" or "anomalous".The first approach, called the "one-step algorithm", directly maps the fundus photographs to the "normal vs. anomalous" decision, regardless of the anomaly.The second approach, denoted by the "two-step algorithm", optimally combines various pathology detectors to reliably detect the presence or absence of at least one pathology. We explored both approaches in two different populations: the diabetic population, via OPHDIAT screening network in Île-de-France, and the general population, via Ophta Maine screening network in Pays-de-la-Loire.These approaches are capable of automatically detecting anomalous fundus photographs with a high sensitivity and a high specificity in both populations. In addition, they showed performances comparable with the performances of an ophthalmologist on 2014 examinations issued from the general population. Therefore, these supervised approaches are very promising: they could be used for automatic triage, which will enable the ophthalmologist to focus on the pathological fundus