ROSE : Un jeu de données pour la segmentation des vaisseaux en OCT-angiographie rétinienne et un nouveau modèle
La Tomographie par cohérence optique angio (OCT-A) est une technique d'imagerie non invasive, de plus en plus utilisée pour visualiser la vasculature rétinienne à la résolution des capillaires. Toutefois, la segmentation automatisée des vaisseaux rétiniens en OCT-A reste largement sous-étudiée en raison de divers défis, tels qu'une faible visibilité des capillaires et une grande complexité des réseaux vasculaires, malgré son importance pour la compréhension de nombreuses maladies oculaires. Par ailleurs, aucun ensemble de données OCT-A publiquement disponible n'existe actuellement avec des annotations manuelles des vaisseaux, ce qui limite le développement de modèles d'apprentissage automatique. Pour remédier à ces lacunes, pour la première fois dans le domaine de l'analyse d'images rétiniennes, nous construisons un jeu de données dédié à la segmentation des vaisseaux en OCT-A, appelé ROSE (Retinal OCT-A SEgmentation dataset), comprenant 229 images OCT-A annotées au niveau des centres de vaisseaux ou au niveau pixel. Ce jeu de données est désormais mis à disposition du public afin d’assister la communauté scientifique dans ses recherches sur ces sujets. Ensuite, nous proposons un nouveau réseau de segmentation des vaisseaux, basé sur une approche grossier-vers-fin par découpage (SCF-Net), capable de détecter séparément les vaisseaux épais et les vaisseaux fins. Dans SCF-Net, un module de segmentation grossière par découpage (SCS) est introduit en premier lieu pour générer une carte de confiance initiale des vaisseaux, suivi d’un module de raffinement par découpage (SRN) permettant d’optimiser la forme et le contour de la micro-vasculature rétinienne. Enfin, nous menons une évaluation approfondie des modèles d’état de l’art de segmentation des vaisseaux ainsi que de notre SCF-Net sur le jeu de données ROSE proposé. Les résultats expérimentaux démontrent que notre SCF-Net atteint une performance supérieure en segmentation des vaisseaux en OCT-A par rapport aux méthodes classiques et aux autres approches basées sur l’apprentissage profond.