Résumé:
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.
