High-Resolution Image Analysis of Retinal Vascularization

Analyse des images de la vascularisation rétinienne en haute résolution L'imagerie par Optique Adaptative (OA) est une modalité qui fournit des images rétiniennes haute résolution, permettant l'extraction de biomarqueurs vasculaires quantitatifs, liés à diverses maladies systémiques. L'extraction précise et efficace de ces biomarqueurs est essentielle pour la recherche clinique, cependant l'analyse automatisée des images d'OA reste un défi. Les principales difficultés proviennent de la variabilité locale de la qualité des images et de la complexité de la géométrie vasculaire. L'objectif de cette thèse est de développer des méthodologies basées sur l'apprentissage profond pour l'analyse automatisée des images en OA, afin de permettre l'extraction précise et efficace de biomarqueurs vasculaires pour la recherche clinique. À cette fin, le travail se concentre sur trois tâches principales : la segmentation des vaisseaux, l'évaluation de la qualité des images et la classification des vaisseaux. La première contribution concerne la segmentation des vaisseaux. Nous avons développé une méthode basée sur l'apprentissage profond qui délimite avec précision la lumière des vaisseaux, produisant des masques binaires topologiquement cohérents. Cette approche améliore la segmentation des vaisseaux fins et des croisements artério-veineux. Cela permet une meilleure segmentation des structures vasculaires et au final, des estimations plus précises et plus fiables de biomarqueurs. La deuxième contribution introduit un cadre automatisé d'évaluation de la qualité des images. Cette méthode basée sur des patches attribue un score de qualité continu à chaque région de l'image, générant des cartes de qualité qui identifient les zones appropriées pour une extraction fiable des biomarqueurs. Le cadre est également étendu aux séquences d'images flicker pour la sélection automatique de la meilleure image, améliorant les performances de segmentation des parois artérielles sur toute la série, tout en réduisant la supervision des cliniciens. La troisième contribution présente un cadre CNN-GNN basé sur des patches pour la classification des vaisseaux. Les caractéristiques extraites par le CNN à partir de patches centrés sur les vaisseaux sont intégrées à des représentations de graphes de la connectivité vasculaire et traitées via un réseau de neurones en graphes. Cette approche hybride combine les caractéristiques locales et la topologie globale pour classifier avec précision les vaisseaux dans les images d'OA. Dans l'ensemble, ces contributions fournissent un cadre robuste pour l'analyse automatisée des images d'OA. En traitant les défis liés à la précision de la segmentation, à l'évaluation de la qualité et à la classification de vaisseaux, ce travail permet un calcul fiable des biomarqueurs vasculaires, fournissant une base pour des études à grande échelle.