Human-in-the-loop optimization of retinal prostheses encoders

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