Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

6 avril 2017

Reconnaissance automatique des pathologies rétiniennes dans un contexte de dépistage massif à l’aide d’un apprentissage profond


Catégorie : Doctorant


Le laboratoire LaTIM (Inserm, UMR 1101) recherche un candidat ou une candidate pour une thèse CIFRE, sur le thème de la reconnaissance automatique des pathologies rétiniennes, dont le démarrage est estimé à octobre 2017.

 

Contexte

Les pathologies rétiniennes sont, avec la cataracte, les principales causes de cécité à travers le monde. La rétinopathie diabétique, qui concerne 5% de la population mondiale, et la dégénérescence maculaire, qui concerne 12% de la population entre 65 et 75 ans, sont parmi les plus fréquentes. Afin de mieux prendre en charge ces pathologies, des réseaux de dépistage ont été mis en place à travers le monde pour les détecter précocement à l’aide d’examens de fond d’œil. Afin de réduire la charge d’interprétation des médecins, qui analysent a posteriori les photographies de fond d’œil pour déterminer la conduite à tenir, le Laboratoire de Traitement de l’Information Médicale (LaTIM, UMR 1101 Inserm) développe des outils d’analyse automatique de ces photographies. L’objectif est de reconnaître automatiquement les patients ne présentant aucune anomalie rétinienne, afin de ne présenter aux médecins que les examens suspectés d’être pathologiques. Ces travaux s’appuieront sur le projet RetinOpTIC, financé par le Fond Unique Interministériel (FUI-19), qui vise à mettre au point un dispositif portable d’examen du fond d’œil, exécutant de tels algorithmes dans les nuages.

Le doctorant ou la doctorante intégrera l’équipe GD2MP (Gestion des Données Médicales Multimédia Partagées pour l'aide au diagnostic) du LaTIM, située sur le site Morvan du CHRU de Brest. L’équipe GD2MP s’intéresse à la réutilisation de données médicales archivées pour l’aide à la décision médicale (aide au diagnostic, aide à la chirurgie, formation, etc.), en développant notamment des techniques de recherche par le contenu. Nous nous intéressons plus particulièrement aux données images et vidéos, en les associant aux autres données cliniques du dossier patient.

Sujet

Les travaux précédents du laboratoire visaient à détecter les rétines pathologiques sans chercher à reconnaître explicitement les pathologies qui les affectent ni même les lésions qu’elles contiennent. L’objectif de cette thèse est de concevoir un algorithme fournissant une information plus précise, et pouvant s’adapter aussi bien aux données issues de rétinographes classiques qu’à celles issues du nouveau dispositif portable. Le doctorant pourra s’appuyer dans un premier temps sur une archive de plus de 25.000 examens de fond d’œil (plus de 100.000 images), acquis par des rétinographes classiques au sein du réseau de dépistage OPHDIAT (Erginay et al., 2008) en Île-de-France. Cette archive sera ensuite enrichie par des examens issus du nouveau dispositif portable.

Deux approches ont été développées au sein de l’équipe pour identifier les rétines pathologiques: l’une à base d’apprentissage multi-instance (Quellec et al., 2012, 2016), l’autre à base d’apprentissage profond (Quellec et al., 2017), et plus particulièrement à base de réseaux de neurones à convolutions (LeCun et al., 2015). L’apprentissage profond a également été utilisé par des équipes concurrentes pour le dépistage de la rétinopathie diabétique (Abràmoff et al., 2016; Gulshan et al., 2016). Cependant, aucun des systèmes existants ne permet la détection de l’ensemble des pathologies affectant la rétine, ni ne permet la localisation de l’intégralité des lésions associées à ces pathologies.

Les réseaux de neurones à convolutions présentent plusieurs avantages spécifiques pour l’application visée. Tout d’abord, il est possible de construire un système général, appris par exemple sur des données issues de rétinographes classiques, qui sont disponibles en grand nombre, puis de le spécialiser sur des données présentant des caractéristiques particulières, typiquement celles issues du dispositif portable, sans nécessiter autant de données (apprentissage par transfert). Ensuite, ces réseaux peuvent également être utilisés pour détecter des lésions d’intérêt, tels que les microanévrismes, les exsudats, les néovaisseaux, les drusen, etc. On peut donc imaginer un système unifié s’appuyant en partie sur la détection de ces lésions d’intérêt pour reconnaître les rétines pathologiques et, inversement, exploitant tous les éléments de l’image (structures de l’œil, aspect général, diagnostic pressenti) pour renforcer la détection des lésions, qui pourra ainsi tenir compte du contexte. Cela permettra de fournir un rapport plus détaillé, permettant d’expliquer les raisons de la suspicion d’anomalie. Enfin, les réseaux de neurones peuvent traiter des informations très variées (image, signal, texte, etc.). On peut donc imaginer un réseau de neurones traitant conjointement l’ensemble des informations contenues dans un dossier d’examen : plusieurs photographies (généralement deux par œil) et des informations contextuelles sur le patient. Par contre, la création d’un tel système présentera des défis supplémentaires que le doctorant devra relever.

Compétences souhaitées

Financement

Le financement sera assuré par une bourse CIFRE. Le démarrage de la thèse est estimé à octobre 2017. Un financement supplémentaire est envisageable pendant l’été 2017, préalablement au démarrage de la thèse.

Encadrement :

Bibliographie

Abràmoff, M.D., Lou, Y., Erginay, A., Clarida, W., Amelon, R., Folk, J.C., and Niemeijer, M. (2016). Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Invest. Ophthalmol. Vis. Sci. 57, 5200–5206.

Erginay, A., Chabouis, A., Viens-Bitker, C., Robert, N., Lecleire-Collet, A., and Massin, P. (2008). OPHDIAT: quality-assurance programme plan and performance of the network. Diabetes Metab. 34, 235–242.

Gulshan, V., Peng, L., Coram, M., Stumpe, M.C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 16, 2402-2410.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature 521, 436–444.

Quellec, G., Lamard, M., Abràmoff, M.D., Decencière, E., Lay, B., Erginay, A., Cochener, B., and Cazuguel, G. (2012). A multiple-instance learning framework for diabetic retinopathy screening. Med. Image Anal. 16, 1228–1240.

Quellec, G., Lamard, M., Erginay, A., Chabouis, A., Massin, P., Cochener, B., and Cazuguel, G. (2016). Automatic detection of referral patients due to retinal pathologies through data mining. Med. Image Anal. 29, 47–64.

Quellec, G., Charrière, K., Boudi, Y., Cochener, B., and Lamard, M. (2017). Deep image mining for diabetic retinopathy screening. ArXiv:161007086 [cs] (minor revision at Med. Image Anal.).

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.