Tài liệu Classification d’images rétiniennes par apprentissage profond pour l’aide au diagnostic en ophtalmologie

UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL( IFI ) Abdourahmane SOUMANA HAMADOU Classification d’images rétiniennes par apprentissage profond pour l’aide au diagnostic en ophtalmologie Phân loại hình ảnh võng mạc bằng cách học sâu để hỗ trợ chẩn đoán trong nhãn khoa Spécialité : Systèmes Intelligents et Multimédia Code : 8480201.02 MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOI : 2020 UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL(IFI) Abdourahmane SOUMANA HAMADOU Classification d’images rétiniennes par apprentissage profond pour l’aide au diagnostic en ophtalmologie Phân loại hình ảnh võng mạc bằng cách học sâu để hỗ trợ chẩn đoán trong nhãn khoa Spécialité : Systèmes Intelligents et Multimédia Code : 8480201.02 MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Encadrant : Nom : Pr. Eric Petit HANOI : 2020 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc. Signature de l’étudiant Abdourahmane SOUMANA HAMADOU Remerciements Je remercie d’abord Dieu le TOUT PUISSANT de m’avoir accordé des parents qui m’ont montré le chemin de l’école et grâce à qui je suis là présentement. La réalisation de ce mémoire a été possible grâce au concours de plusieurs personnes à qui je voudrais témoigner toute ma gratitude. J’aimerais tout d’abord remercier mes encadrants pédagogique Dr.Yasmina Chenoune du ESME en qualité de Professeur adjoint, PhD, Responsable du programme en technologies de l’information pour la santé au sein du Laboratoire de recherche ESME Et Pr.Eric Petit De L’UPEC En qualité de Professeur et responsable de Master au sein de l’Université de Paris Est de Creteil( UPEC ). Malgré que la majeure partie de stage a été menée à distance, ils étaient toujours disponible et ouverts à me répondre à chaque fois que je rencontrais un problème ou si j’avais une question sur mes recherches. Et également mes remerciements aux doctorants Madame Kawther Taibouni et M.MOUNIR LAHLOUH pour leurs disponibilités à chaque fois que j’ai des questions concernant mon travail. Je voudrais remercier notre responsable de Master Dr Ho Tuong Vinh ainsi que tous les personnels pédagogiques et administratifs de l’Institut Francophone International, Université National de Vietnam à Hanoi. Je leur suis reconnaissant de tout cœur pour avoir assuré et amélioré la qualité de notre formation. Enfin, je tiens à exprimer ma profonde gratitude à ma famille et à mes amis qui m’ont apporté un soutien indéfectible et des encouragements constants tout au long de mes années de Master. Abdourahmane SOUMANA HAMADOU Résumé Dans ce projet, Je classe les images Optical coherence tomography ( OCT ) en quatre classes ( La Néo-vascularisation( CNV ), L’oedème maculaire( DME ),le Drusen( responsable de néovaisseaux ) et les images normales ). En divisant les images en patches et utilisant de réseaux de neurones convolutifs ( CNN ). En utilisant le jeu de données[1], 1 . Également j’ai effectué une comparaison de : — Différentes générations de patchs . — Différentes mesures de chevauchement en fonction de taille de patches. — Utilisations des différentes architectures ( pré-entraînées et non ) . Dans ce travail, J’ai expérimenté trois architectures de CNN pré-entraînées ( Resnet 34 et 2 VGG 16 ) nommées respectivement (modèle 01, modèle 02 et modèle 03) , les deux premières sont entraînées sur les images patchées et la dernière est entraînée sur les images entières . Ces trois architectures nous permettrons de faire une comparaison des performances de nos modèles afin de situer le plus performant dans l’apprentissage sur les images entières qu’en l’apprentissage sur les patches . Mes résultats expérimentaux montrent que la taille optimale du patch et la foulée du patch pour cette tâche de classification sont de 256 × 256 et 128 pixels respectivement. En suite les différents modèles ( Resnet 34 & VGG 16 ) ont atteint une précision de ( 96% ) & ( 95% ) sur les données de test en classifiant les images patchées à quatre classes et une précision de ( 92% ) sur la classification des images entières avec une architecture ( VGG 16 ). Les resultats et la comparaison sont mentionnés dans la partie solution et expérimentations. Mots clés : Contexte d’image, Reconnaissance d’objets, Détection d’objets, Apprentissage en profondeur, Apprentissage par transfert, Réseaux de neurones convolutifs, Découpage des images en imagette, Extraction des caractéristiques et Classification des images. 1. https ://data.mendeley.com/datasets/rscbjbr9sj/3 Abstract In this project, I classify Optical coherence tomography (OCT) images into four classes (Neo-vascularization (CNV), Macular edema (DME), Drusen (responsible for neovessels) and normal images). By dividing the images into patches and using convolutional neural networks (CNN). Using the dataset [1], 2 . Also I performed a comparison of : — Different generations of patches. — Different measures of overlap depending on the size of the patches. — Uses of different architectures (pre-trained and not). In this work, I have experimented with three pre-trained CNN architectures (Resnet 34 and 2 VGG 16) named respectively (model 01, model 02, model 03), the first two are trained on patched frames and the last is trained on full frames. These three architectures will allow us to compare the performance of our models in order to locate the most efficient in learning on whole images than in learning on patches. My experimental results show that the optimal patch size and patch stride for this classification task are 256 × 256 and 128 pixels respectively. Subsequently, the different models (Resnet 34 VGG 16) achieved an accuracy of (96 %) (95 %) on the test data by classifying the patched images into four classes and an accuracy of (92 %) on the classification of whole images with an architecture (VGG 16). The results and the comparison are mentioned in the solution and experiments part. Keywords : Image context, Object recognition, Object detection, Deep learning, Transfer learning, Convolutional neural networks, Thumbnail image slicing, Feature extraction and Image classification . 2. https ://data.mendeley.com/datasets/rscbjbr9sj/3 2 Table des matières Liste des tableaux vi Table des figures vii Liste des tables vii 1 INTRODUCTION GÉNÉRALE 1.1 Présentation de l’établissement d’accueil . . . . . . 1.1.0.1 Université Paris-Est Créteil (UPEC) 1.2 Analyse du sujet . . . . . . . . . . . . . . . . . . . . . 1.3 Contexte-problématiques-objectifs . . . . . . . . . 1.3.1 Contexte . . . . . . . . . . . . . . . . . . . . . 1.3.2 Problématiques . . . . . . . . . . . . . . . . . 1.3.3 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 3 3 3 4 4 4 5 2 ÉTAT DE L’ART 2.1 Notion d’anatomie de l’oeil . . . . . . . . . . . . . . . . . . . 2.1.1 Rétinopathie diabétique(RD) . . . . . . . . . . . . . . 2.1.1.1 Les lésions histologiques de la RD . . . . . . 2.1.1.2 Micro-anévrismes . . . . . . . . . . . . . . . 2.1.1.3 Hémorragies rétiniennes . . . . . . . . . . . 2.1.1.4 Les néovaisseaux : . . . . . . . . . . . . . . . 2.1.1.5 Les occlusions veineuses rétiniennes . . . . 2.1.1.6 Ischémie rétinienne . . . . . . . . . . . . . . 2.1.1.7 Classification de la rétinopathie diabétique 2.1.1.8 Traitement de la rétinopathie diabétique . . 2.1.2 Dégénérescence Maculaire Liée à L’âge . . . . . . . . 2.1.2.1 Formes cliniques de DMLA exsudative . . . 2.1.2.2 Examens . . . . . . . . . . . . . . . . . . . . . 2.1.2.3 Traitement . . . . . . . . . . . . . . . . . . . . 2.1.3 Les systèmes d’acquisition d’images par OCTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6 8 8 9 9 10 10 11 11 11 12 13 15 15 16 i . . . . . . . . . . . . . . . . . . . . . . . . . . . . TABLE DES MATIÈRES 2.1.3.1 2.1.3.2 2.1.3.3 2.2 2.3 2.4 2.5 L’angiographie à la fluorescéine : . . . . . . . . . . . . . . L’angiographie en vert d’indocyanine : . . . . . . . . . . . La Tomographie en Cohérence Optique, en particulier en Spectral Domaine (SD-OCT) . . . . . . . . . . . . . . . . . 2.1.3.4 L’OCT-ANGIOGRAPHIE (OCT-A) : . . . . . . . . . . . . . . Deep learning (L’apprentissage profond) . . . . . . . . . . . . . . . . . . . 2.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Pourquoi le Deep learning ? . . . . . . . . . . . . . . . . . . . . . . . Outils de traitement des images rétiniennes . . . . . . . . . . . . . . . . . 2.3.1 Notion d’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1.1 L’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2 Image numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2.1 La définition et la résolution d’une image : . . . . . . . . . 2.3.2.2 Le contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2.3 Bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2.4 Les contours et les textures . . . . . . . . . . . . . . . . . . 2.3.3 Le traitement d’image . . . . . . . . . . . . . . . . . . . . . . . . . . Quelques travaux existants . . . . . . . . . . . . . . . . . . . . . . . . . . . Classification des images rétiniennes : . . . . . . . . . . . . . . . . . . . . . 2.5.1 Définition de la classification : . . . . . . . . . . . . . . . . . . . . . 2.5.2 Différentes méthodes de la classification et l’apprentissage : . . . 2.5.2.1 Méthodes supervisées : . . . . . . . . . . . . . . . . . . . . 2.5.2.2 Méthodes non-supervisées : . . . . . . . . . . . . . . . . . 2.5.2.3 Les familles de méthodes de classification non supervisée les plus communes sont : . . . . . . . . . . . . . . . . . . . 2.5.3 Présentation de certaines techniques de la classification : . . . . . 2.5.3.1 k plus proches voisin : . . . . . . . . . . . . . . . . . . . . . 2.5.3.2 Fuzzy c-means : . . . . . . . . . . . . . . . . . . . . . . . . 2.5.3.3 k-means : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.3.4 Machine à vecteurs de support : . . . . . . . . . . . . . . . 2.5.4 Les réseaux de Neurones convolutifs : . . . . . . . . . . . . . . . . . 2.5.5 Architectures de réseaux de neurones profonds . . . . . . . . . . . 2.5.5.1 Principe d’architecture d’un CNN : . . . . . . . . . . . . . 2.5.5.2 Les architectures utilisées dans ces travaux . . . . . . . . 2.5.6 Les blocs de construction d’architecture : . . . . . . . . . . . . . . . 2.5.6.1 La couche de convolution (CONV) : . . . . . . . . . . . . . 2.5.6.2 Couche de pooling ( POOL ) : . . . . . . . . . . . . . . . . . 2.5.6.3 Couches de correction (RELU) : . . . . . . . . . . . . . . . 2.5.6.4 Couche entièrement connectée( FC ) : . . . . . . . . . . . 2.5.6.5 Couche de perte ( LOSS ) : . . . . . . . . . . . . . . . . . . . 2.5.7 Choix des hyperparamétres : . . . . . . . . . . . . . . . . . . . . . . 2.5.7.1 Nombre de filtres . . . . . . . . . . . . . . . . . . . . . . . . 2.5.7.2 Forme du filtre . . . . . . . . . . . . . . . . . . . . . . . . . ii . 16 . 16 . . . . . . . . . . . . . . . . . . . . 17 17 19 19 20 21 21 21 22 22 23 23 24 24 25 26 26 26 26 27 . . . . . . . . . . . . . . . . . . . 27 28 28 28 29 29 29 30 30 31 32 32 33 34 34 35 35 35 36 TABLE DES MATIÈRES 2.5.7.3 Forme du Max Pooling . . . . . . . . . . . . . . . . . 2.5.8 Méthodes de régularisation . . . . . . . . . . . . . . . . . . . . 2.5.8.1 Dropout ( Abandon ) . . . . . . . . . . . . . . . . . . . 2.5.8.2 Taille du réseau . . . . . . . . . . . . . . . . . . . . . . 2.5.8.3 Dégradation du poids . . . . . . . . . . . . . . . . . . 2.5.9 Indicateurs de performance en classification . . . . . . . . . 2.5.9.1 Matrice de confusion . . . . . . . . . . . . . . . . . . 2.5.9.2 Courbe ROC ( Received Operating Characteristic ) : 3 SOLUTIONS PROPOSÉES & CONTRIBUTIONS 3.1 Principaux points de notre solution . . . . . . . . . . . . . . . . . . 3.2 La base de donnée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 La méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 Le pré-traitement de données . . . . . . . . . . . . . . . . . 3.3.1.1 Normalisation des taches . . . . . . . . . . . . . . . 3.3.1.2 Soustraction moyenne . . . . . . . . . . . . . . . . . 3.4 Patching des images . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1 L’apprentissage par transfert . . . . . . . . . . . . . . . . . . 3.4.1.1 Techniques d’entraînement & choix d’architecture 3.5 Architecture générale de la solution . . . . . . . . . . . . . . . . . . 3.6 Contributions apportées . . . . . . . . . . . . . . . . . . . . . . . . . 3.7 Mise en œuvre de la solution . . . . . . . . . . . . . . . . . . . . . . 3.7.1 Environnement de travail . . . . . . . . . . . . . . . . . . . . 3.7.1.1 Environnement matériel . . . . . . . . . . . . . . . 3.7.1.2 Environnement logiciel . . . . . . . . . . . . . . . . 3.8 Techniques de classification . . . . . . . . . . . . . . . . . . . . . . . 3.8.1 Classification des images patchées . . . . . . . . . . . . . . . 3.8.1.1 Les hyper-paramètres . . . . . . . . . . . . . . . . . 3.8.2 Classification par les images entières . . . . . . . . . . . . . 3.8.2.1 Hyper_paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 36 36 37 37 38 38 39 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 40 40 41 42 42 42 42 44 44 46 46 47 47 47 47 48 48 48 48 49 . . . . . . . . . . . 50 50 50 50 51 51 52 52 52 53 54 54 4 EXPÉRIMENTATIONS & RÉSULTATS 4.1 Architectures & Résultats expérimentaux . . . . . . . . . . . . . . . . . 4.1.1 Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1.1 Architecture du modèle 01 . . . . . . . . . . . . . . . . 4.1.1.2 Architecture du modèle 02 . . . . . . . . . . . . . . . . 4.1.1.3 Architecture du modèle 03 . . . . . . . . . . . . . . . . 4.1.2 Les Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2.1 Résultats graphiques de l’apprentissage du modèle 01 4.1.2.2 Résultats graphiques de l’apprentissage du modèle 02 4.1.2.3 Résultats graphiques de l’apprentissage du modèle 03 4.2 Comparaison des résultats de nos modèles . . . . . . . . . . . . . . . . 4.2.1 Analyses des résultats : . . . . . . . . . . . . . . . . . . . . . . . . iii . . . . . . . . . . . . . . . . . . . . . . TABLE DES MATIÈRES 4.3 Problèmes rencontrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5 CONCLUSION & PERSPECTIVES 56 5.1 Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 iv Table des figures 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24 2.25 2.26 2.27 2.28 2.29 Image de l’oeil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Coupe de rétine en MO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Courbe d’acuité visuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Lésions histologiques initiales . . . . . . . . . . . . . . . . . . . . . . . . . les micro-anévrismes dans une image couleur du fond d’œil . . . . . . . Types d’hémorragies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les occlusions veineuses rétiniennes . . . . . . . . . . . . . . . . . . . . . Classification de la rétinopathie diabétique pour l’étude du diabète . . . Quelques images de DMLA : . . . . . . . . . . . . . . . . . . . . . . . . . . Angiographie à la fluorescéine de la rétine . . . . . . . . . . . . . . . . . . Appareil de OCT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Oct . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Relation entre IA,ML,Deep Learning . . . . . . . . . . . . . . . . . . . . . . Différence de performance entre le Deep Learning et la plupart des algorithmes de ML en fonction de la quantité de données . . . . . . . . . . . . ML classique comparé à celui du Deep Learning . . . . . . . . . . . . . . La fonction image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chaîne d’acquisition d’image numérique . . . . . . . . . . . . . . . . . . . Formule du contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diffèrent types de contours . . . . . . . . . . . . . . . . . . . . . . . . . . . Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Support Vecteur Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . Arcitecture CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Architecture CNN appliquée aux patches . . . . . . . . . . . . . . . . . . . Architecture du Resnet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VGG_16 architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Opération de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . Pooling avec un filtre 2x2 et un pas de 2 . . . . . . . . . . . . . . . . . . . . Opération de Relu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v . . . . . . . . . . . . . 6 7 7 9 9 10 10 11 13 16 18 18 19 . . . . . . . . . . . . . . . . 20 21 22 22 23 24 24 27 29 30 31 31 32 33 34 34 TABLE DES FIGURES 2.30 2.31 2.32 2.33 2.34 2.35 Opération de fully connected Dropout . . . . . . . . . . . . Matrice de confusion . . . . . Précision . . . . . . . . . . . . Rappel . . . . . . . . . . . . . F_mesure . . . . . . . . . . . . . . . . . . . . . . . . 35 37 38 38 39 39 3.1 3.2 3.3 3.4 3.5 . . . . 41 43 43 44 3.7 3.8 3.9 3.10 3.11 3.12 Description des images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . L’image avec des lésions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . L’image patchée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Techniques de Transfert learning . . . . . . . . . . . . . . . . . . . . . . . . Formation sur ImageNet. Les courbes fines indiquent une erreur d’entraînement et les courbes en gras indiquent une erreur de validation des cultures . À gauche : réseaux simples de 18 et 34 couches. À droite : réinitialisations de 18 et 34 couches. Dans ce graphique, les réseaux résiduels n’ont aucun paramètre supplémentaire par rapport à leurs homologues simples [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaison des architectures CNN populaires. L’axe vertical montre la précision la plus élevée sur la classification ImageNet. L’axe horizontal montre le nombre d’opérations nécessaires pour classer une image. La taille du cercle est proportionnelle au nombre de paramètres dans le réseau [3] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Architecture Générale de la solution . . . . . . . . . . . . . . . . . . . . . . Les technologies utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les données de patches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Hyper_param_patches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le tableau des images normales . . . . . . . . . . . . . . . . . . . . . . . . Hyper_paramètres images entières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 46 47 48 48 49 49 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 Architecture du modèle 01 . Architecture du modèle 02 . Architecture du modèle 03 . Train & Valid Accuracy . . . Train & Valid Loss . . . . . . Accuracy & loss . . . . . . . Courbes AUC . . . . . . . . Train & Valid Accuracy . . . Train & Valid Loss . . . . . . Matrice de confusion . . . . . . . . . . . . . . 51 51 52 52 52 53 53 53 53 54 3.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Liste des tableaux vii Liste des sigles et acronymes OCT Optical Coherence Tomography AI Artificial Intelligence CNN Convolution Neural Network DNN Deep Neural Network NN Neural Network RCNN Regiion proposal CNN SGD Stochastic Gradient Descent VGG Visual Geometry Group RESNET Residual Neural Network Chapitre 1 INTRODUCTION GÉNÉRALE Dans le monde actuel, nous observons des milliers d’images que nous croyons identique, alors qu’il existe des différences qui nous échappent. Pour pallier à ce problème étendu,Nous avons souhaité utiliser la classification des images dans le domaine médical, qui consistera à identifier les images à partir de leurs caractéristiques (couleur, forme, contour,etc...) à fin de catégoriser ces dernières. Le Deep Learning est un nouveau domaine de recherche du ML(Machine Learning), qui a été introduit dans le but de rapprocher le Machine Learning de son objectif principal : l’intelligence artificielle. Il concerne les algorithmes inspirés par la structure et le fonctionnement du cerveau. L’émergence récente de l’apprentissage automatique et des méthodes d’apprentissage en profondeur de l’image médicale, l’analyse a permis le développement des systèmes de diagnostic intelligents basés sur l’imagerie médicale pouvant aider les médecins à prendre de meilleures décisions concernant la santé d’un patient. C’est dans cette optique que nous avons jugé utile de travailler sur le sujet : classification d’images rétiniennes par apprentissage profond pour l’aide au diagnostic en ophtalmologie . 1 L’OCTA pour (optical coherence tomography angiography) est une nouvelle technique d’imagerie angiographique non-invasive qui fournit une représentation tridimensionnelle et rapide de la micro-vascularisation rétinienne. C’est pourquoi, elle est très utilisée pour le diagnostic et le suivi thérapeutique de la DMLA. Cette pathologie se caractérise par l’apparition de nouveaux vaisseaux anormaux au niveau du réseau vasculaire rétinien. Son diagnostic est fondé sur l’analyse d’images angiographiques acquises par OCTA, qui offrent une bonne définition de ces vaisseaux pathologiques. 1. https medicale.html ://www.siemens-healthineers.com/fr/news/intelligence-artificielle-imagerie- 2 CHAPITRE 1. INTRODUCTION GÉNÉRALE 1.1 Présentation de l’établissement d’accueil 1.1.0.1 Université Paris-Est Créteil (UPEC) Avec ses 7 facultés, 8 écoles et instituts, 1 observatoire et 33 laboratoires de recherche, l’Université Paris-Est Créteil est présente dans tous les domaines de la connaissance depuis 1970. Les enseignants-chercheurs, les enseignants et plus de 3000 vacataires issus de partenaires publics et privés forment chaque année plus de 38 000 étudiants et actifs de tous les âges. Acteur majeur de la diffusion de la culture académique, scientifique et technologique, l’établissement dispense plus de 350 formations dans toutes les disciplines, du DUT au doctorat. L’UPEC offre ainsi un accompagnement personnalisé de toutes les réussites, grâce à des parcours de formation initiale, des validations d’acquis et la formation continue, ou encore par le biais de l’apprentissage et des actions en faveur de l’entrepreneuriat. 2 Université engagée, l’UPEC pense et répond aux défis de la transformation sociale et environnementale en promouvant les excellences et plus de justice sociale. Elle a construit son projet d’établissement autour de cinq axes stratégiques de développement interdisciplinaires, en formation et en recherche. 1.2 Analyse du sujet Au cœur des évolutions technologiques, l’intelligence Artificielle est devenue en quelques années un des enjeux scientifiques majeurs du secteur de la santé, la perspective des nouvelles applications dans le domaine de l’imagerie médicale. L’intelligence artificielle (IA) soutient l’expansion de la médecine de précision, la transformation des parcours de soins et l’amélioration de l’expérience patient. L’imagerie médicale est l’un des domaines de la médecine qui a le plus progressé ces vingt dernières années. Ces récentes découvertes permettent non seulement un meilleur diagnostic, mais offrent aussi de nouveaux espoirs de traitement pour de nombreuses maladies : comme le cancer, l’épilepsie...etc. L’identification précise de la lésion facilite déjà le recours à la chirurgie. Elles remplissent des fonctions à plusieurs volets, tels que : l’acquisition, l’analyse, l’amélioration, la reconnaissance, la compression , ... etc. 2. https ://www.u-pec.fr/fr/universite/l-upec 3 CHAPITRE 1. INTRODUCTION GÉNÉRALE Aujourd’hui, les nouveaux algorithmes de deep learning constituent une aide significative à la classification des images médicales. En effet, l’objectif de la classification d’images est d’élaborer un système capable d’affecter une classe automatiquement à une image. Ainsi, ce système permet d’effectuer une tâche d’expertise qui peut s’avérer coûteuse à acquérir pour un être humain en raison notamment de contraintes physiques comme la concentration, la fatigue ou le temps nécessité par un volume important de données d’images.[4]. Notre sujet de stage porte sur la classification d’images rétiniennes pour l’aide au diagnostic en ophtalmologie à l’aide d’une approche basée sur l’apprentissage en profondeur (Deep Learning). 1.3 Contexte-problématiques-objectifs 1.3.1 Contexte Notre travail porte sur la Classification d’images rétiniennes par apprentissage profond pour l’aide au diagnostic en ophtalmologie. Il existe un besoin de concevoir des nouvelles applications d’analyse et de classification des pathologies de manière générale et celle de la rétine de manière spécifique en exploitant les nouvelles approches de l’intelligence artificielle. En effet, la rétine est le tissu nerveux tapissant la partie interne de l’œil ; Elle intègre le signal lumineux et le transforme en signal électrique nerveux. La rétine des primates possède une macula, une zone de la rétine située à côté du nerf optique, et qui est responsable de la vision centrale et de l’acuité visuelle. Elle est caractérisée par la présence d’une petite dépression où se situe le point focal postérieur du système optique, la fovéa (la zone rétinienne la plus sensible), une zone enrichie en photorécepteurs de type cônes responsables de la vision diurne(qui se produit le jour). Elle est constituée de trois(3) couches : — Couche de cellules nerveuses ; — Couche de cellules réceptrices(qui transportent les ondes en impulsions ou excitations physiologiques) ; — La couche des axones(la ou arrivent les neurones) et les cellules ganglionnaires(couche de fibre optique). 1.3.2 Problématiques De nos jours, l’évaluation des maladies rétiniennes sur les images OCT est soumise à une variabilité inter et intra-observateur substantielle, lorsqu’elle est effectuée par des ophtalmologistes expérimentés, ce qui peut entraîner une incohérence et une interprétation peu fiable, retarder le diagnostic précis et créer un drain sur les ressources de santé. Par conséquent, la classification d’images rétiniennes par apprentissage profond pour l’aide au diagnostic en ophtalmologie serait d’un énorme avantage, ce qui 4 CHAPITRE 1. INTRODUCTION GÉNÉRALE pourrait aider les ophtalmologistes à évaluer et à traiter plus efficacement les maladies oculaires. 1.3.3 Objectifs Les objectifs de ce stage consistent : — Tout d’abord à faire une étude bibliographique des modèles récents de classification d’images en générale et celles d’oct en particulier en temps réel, également faire une étude des travaux existants pour mieux connaître l’existant afin d’éviter la répétition et gagner en temps. — Sur la base de cette étude bibliographique, proposer une solution adéquate au problèmes auxquels on est appelé à résoudre en se basant sur les CNNs. — Passer à l’implémentation de la solution en utilisant tous les outils nécessaires. Le projet a pour objectif principal : De former un modèle de CNN en exploitant les architectures existantes pour faire une classification des images OCT en appliquant les méthodes d’apprentissage en profondeur afin d’identifier des cartes de caractéristiques (« feature maps ») permettant de discriminer différents types de pathologies rétiniennes . 5 Chapitre 2 ÉTAT DE L’ART 2.1 Notion d’anatomie de l’oeil L’œil est semblable à une petite sphère recouverte d’une enveloppe avec un gel transparent protégeant des composants internes spécialisés. L’enveloppe est composée de trois couches distinctes : Chacune avec une fonction précise. 1 , 2 . F IGURE 2.1 – Image de l’oeil — Couche extérieure : la sclérotique La sclérotique constitue le«blanc de l’œil» opaque, solide et protecteur. Sa partie frontale présente une ouverture transparente : la cornée. C’est là que la lumière 1. https ://pedagogie.ac-rennes.fr/spip.php ?rubrique21idr ubr i que = 21mot s[] = 131 2. https ://www.acuvue.fr/ 6