Annonce

Les commentaires sont clos.

Recalage d'images ophtalmologiques par Deep Learning

8 Novembre 2022


Catégorie : Stagiaire


Le LaTIM (UMR 1101 Inserm) recherche un ou une stagiaire de niveau Master 2, ou en dernière année d'école d'ingénieur, pour développer une solution de recalage d'images ophtalmologiques multimodales, dans le cadre du RHU EVIRED.

 

Contexte

La rétinopathie diabétique (RD) est l'une des principales causes de cécité et de déficience visuelle dans le monde [1]. La RD mutile les vaisseaux sanguins rétiniens des patients diabétiques. La rétinopathie diabétique se compose de deux types principaux : la rétinopathie diabétique non proliférante (NPDR) et la rétinopathie diabétique proliférante (PDR) [2]. D'ici 2030, il y aura 454 millions de patients atteints de RD dans le monde [3].

Pour une bonne prise en charge de la RD, les autorités sanitaires recommandent aux patients diabétiques un examen annuel de la rétine, s’appuyant sur des photographies du fond d’œil. Les récentes recherches dans l’état de l’art montrent que la combinaison des nouvelles technologies d'imagerie et de l'Intelligence Artificielle (IA) est le bon nouveau choix pour évaluer la rétinopathie diabétique (RD) [4][5][6]. En effet, la photographie du fond d'œil à champ ultra large (UWF) et la tomographie par cohérence optique - angiographie (OCT-A) sont les deux outils de dépistage de la RD les plus efficaces.

Selon le réseau de recherche clinique sur la rétinopathie diabétique, la photographie du fond d'œil avec un champ de 100° ou plus est considérée comme un grand champ [7] (Figure 1).

Figure 1. photographie du fond d'œil à champ ultra large (Optos x2001 et Clarus 5002)

L’examen par OCT-A permet d’analyser les vaisseaux du globe oculaire par une technologie OCT sans injection de produit de contraste. Cette technologie remplace de plus en plus l’angiographie à la fluorescéine (avec injection de produit de contraste). La reconstruction des images se fait en OCT « En Face » pour donner une image plane comparable aux images rétiniennes obtenues par angiographie à la fluorescéine (Figure 2).

 

Figure 2. image “en face” OCT-Angiographie (Zeiss PLEX Elite 90003)
 

Dans le but de réduire la charge de travail des ophtalmologistes, le Laboratoire de Traitement de l’Information Médicale (LaTIM) développe, avec ses partenaires, une IA multimodale à base de réseaux de neurones capable de détecter automatiquement la RD en utilisant deux modalités: UWF et OCT-A. Afin d’entraîner des IAs en fusionnant ces modalités en entrée, l’un des défis est de recaler ces images.

Le recalage d’images consiste à appliquer une transformation géométrique à une ou aux deux images afin de les mettre en correspondance. Elle implique trois étapes fondamentales : tout d’abord définir des points homologues ou points de liaison entre les deux images, estimer ensuite les paramètres du modèle géométrique de transformation (translation, rotation, élasticité, …) et, enfin, appliquer cette transformation aux images. Il existe actuellement de nombreuses méthodes de recalage [8][9], cela est dû au fait qu’il n’existe actuellement pas de méthode universelle pour n’importe quel type de recalage.

Le LaTIM (UMR 1101 Inserm), à Brest, recherche un ou une stagiaire de niveau Master 2, ou en dernière année d'école d'ingénieur, pour développer une solution de recalage d'images ophtalmologiques multimodales, dans le cadre du RHU EVIRED.

 

Sujet de stage

Encadré par les membres de l’équipe, le ou la stagiaire aura pour rôle de développer une solution de recalage d'images non supervisée basée sur des méthodes de Deep Learning. Pour cela, le stage s’articulera autour des axes suivants :

  • Réaliser un état de l'art sur les méthodes de recalage d'images par Deep Learning
  • Sélectionner, concevoir, et implémenter des modèles non supervisés pour réaliser le recalage
  • Optimiser le réseau de neurones selon une métrique d’évaluation à définir
  • Réaliser un rapport présentant la base de données, l'architecture du réseau de neurones, les méthodes utilisées, ainsi que les résultats obtenus.

Il serait aussi intéressant d’étudier la possibilité d’étendre la méthode à un recalage entre des images 2D (UWF) et des volumes 3D (OCT-A volumique).

 

Environnement

Les travaux se dérouleront au sein du LaTIM, une Unité Mixte de Recherche (UMR 1101) de l’Inserm, de l’IMT Atlantique et de l’Université de Bretagne Occidentale, située à l’Institut Brestois de Recherche en Bio-santé (IBRBS). La problématique du LaTIM concerne l’optimisation continue des actions thérapeutiques par intégration d’informations multimodales. Le stagiaire intégrera l’équipe VISION du LaTIM, qui s’intéresse notamment à l’ophtalmologie. Ses travaux s’intègreront dans le cadre du projet EVIRED (Evaluation Intelligente de la Rétinopathie Diabétique), un projet de Recherche Hospitalo-Universitaire (RHU) dont le but est de revoir la prise en charge des RD avec l’apport de nouvelles modalités d’imagerie et d’algorithmes d’IA. Le ou la stagiaire pourra s’appuyer sur différentes bases de données d’images rétiniennes, ainsi que sur la ferme de calcul du LaTIM et celle du projet EVIRED.

 

Profil recherché

Etudiant(e) de Master 2 ou en dernière année d’école d’ingénieur

 

Compétences souhaitées

  • Bonne connaissance du traitement d’images et/ou de l’apprentissage automatique
  • Programmation Python

Détails pratiques

  • Durée : 5 à 6 mois
  • Gratification : ~600 € par mois

Candidature

Envoyez vos CV, lettre de motivation et notes à Mostafa El Habib Daho (mostafa.elhabibdaho@univ-brest.fr), Gwenolé Quellec (gwenole.quellec@inserm.fr) et Mathieu Lamard (mathieu.lamard@univ-brest.fr).

Références

[1] Lee R, Wong TY, Sabanayagam C. Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye Vis (Lond). 2015 Sep;2:17.

[2] Qummar, S., Khan, F.G., Shah, S., Khan, A., Shamshirband, S., Rehman, Z.U., Ahmed Khan, I., Jadoon, W. A deep learning ensemble approach for diabetic retinopathy detection. IEEE Access 7, 150530–150539 (2019). https://doi.org/10.1109/ACCESS.2019.2947484

[3] Saeedi, P., Petersohn, I., Salpea, P., Malanda, B., Karuranga, S., Unwin, N., Colagiuri, S., Guariguata, L., Motala, A.A., Ogurtsova, K., Shaw, J.E., Bright, D., Williams, R.: Global and regional diabetes prevalence estimates for 2019 and projections for 2030 and 2045: Results from the international diabetes federation diabetes atlas, 9th edition. Diabetes Research and Clinical Practice 157, 107843(2019). https://doi.org/https://doi.org/10.1016/j.diabres.2019.107843

[4] Yang, J., Zhang, B., Wang, E. et al. Ultra-wide field swept-source optical coherence tomography angiography in patients with diabetes without clinically detectable retinopathy. BMC Ophthalmol 21, 192 (2021). https://doi.org/10.1186/s12886-021-01933-3

[5] Li, Y., El Habib Daho, M., Conze, P-H., Al Hajj, H., Bonnin, S., Ren, H., Manivannan, N., Magazzeni, S., Tadayoni, R., Cochener, B., Lamard, M., Quellec, G. Multimodal information fusion for glaucoma and diabetic retinopathy classification. In: International Workshop on Ophthalmic Medical Image Analysis. Springer, Cham, (2022). p. 53-62. https://doi.org/10.1007/978-3-031-16525-2_6

[6] Nanegrungsunk, O, Patikulsila, D, Sadda, SR. Ophthalmic imaging in diabetic retinopathy: A review. Clin Experiment Ophthalmol. (2022); 1- 15. https://doi.org/10.1111/ceo.14170

[7] Ghasemi Falavarjani K, Tsui I, Sadda SR. Ultra-wide-field imaging in diabetic retinopathy. Vis Res. 2017;139:187–90.

[8] Boveiri, H.R., Khayami, R., Javidan, R., Mehdizadeh, A. Medical image registration using deep neural networks: A comprehensive review. Computers & Electrical Engineering. (2020). https://doi.org/10.1016/j.compeleceng.2020.106767

[9] Abbasi, S., Tavakoli, M., Boveiri, H.R., Shirazi, M.A.M, Khayami, R., Khorasani, H., Javidan, R., Mehdizadeh, A. Medical image registration using unsupervised deep neural network: A scoping literature review. Biomedical Signal Processing and Control (2022). https://doi.org/10.1016/j.bspc.2021.103444.

 

1: https://www.optos.com/fr/produits/
2: https://www.zeiss.com/meditec/us/products/ophthalmology-optometry/retina/diagnostics/fundus-imaging/clarus-500.html
3: https://www.zeiss.com/content/dam/Meditec/downloads/pdf/ari-network-download/plex-elite-brochure_en_31_020_0001v_us_31_020_0001v.pdf