Développement d’un modèle U-Net amélioré pour la segmentation des micro-anévrismes rétiniens, et d’un dispositif optique expérimental de photocoagulation laser multi-spots par DMD

Abstract

Un modèle U-Net amélioré de réseaux de neurones convolutifs a été développé pour la détection des micro-anévrismes (MA) dans les images de fond d’œil. Nous avons appliqué le transfer learning en remplaçant la partie encodeur de U-Net par un modèle VGG-16 (visual geometry group) pré-entrainé, pour réduire le temps d’apprentissage. L’apprentissage a été effectué sur une base de données ayant subi un étiquetage, un prétraitement et une augmentation de données pour améliorer les performances du modèle, en tenant compte des particularités des micro-anévrismes en termes de taille (division des images par 16, et zoom), de forme, et de couleur (suppression du canal rouge pour augmenter le contraste). La base de données a été constituée et étiquetée dans un cabinet médical, avec l’aide d’un ophtalmologue, et comprenait 141 images de fond d’œil. Les résultats obtenus ont montré une très grande précision dans la détection des zones atteintes, détectées et d’autres, non détectées, par l’ophtalmologue. L’image binaire segmentée a ensuite été envoyée à un DMD (Digital Micromirror Device), à travers un dispositif optique expérimental que nous avons conçu, pour contrôler avec précision le positionnement d’un faisceau laser modulé par les micromiroirs du DMD, afin de démontrer la faisabilité d’une photocoagulation multi-spots.