RV-GAN : Segmenter la structure vasculaire rétinienne sur des photographies rétiniennes à l’aide d’un nouveau réseau antagoniste génératif à multiples échelles

La segmentation de haute fidélité des structures vasculaires rétiniennes, tant macro que microvasculaires, joue un rôle fondamental dans le diagnostic des maladies dégénératives de la rétine, mais demeure un défi majeur. En raison de la perte successive d’information de résolution durant la phase d’encodage, combinée à l’impossibilité de restaurer cette information perdue lors de la phase de décodage, les approches de segmentation basées sur les autoencodeurs se heurtent à des limites importantes dans l’extraction des structures microvasculaires rétiniennes. Nous proposons RV-GAN, une nouvelle architecture générative multi-échelle pour une segmentation précise des vaisseaux rétiniens, afin de surmonter ce problème. L’architecture proposée utilise deux générateurs et deux discriminateurs autoencodeurs multi-échelles, permettant une localisation et une segmentation améliorées des microvaisseaux. Pour éviter la perte de fidélité caractéristique des systèmes traditionnels de segmentation basés sur les GAN, nous introduisons une nouvelle fonction de perte par correspondance de caractéristiques pondérée. Cette perte nouvelle intègre et privilégie les caractéristiques extraites par le décodeur du discriminateur par rapport à celles de son encodeur. Ce choix, combiné au fait que le décodeur du discriminateur tente de distinguer les images réelles des images synthétiques au niveau pixel, permet une meilleure préservation des structures vasculaires, tant macro que micro. En combinant une perte de reconstruction et une perte de correspondance de caractéristiques pondérée, l’architecture proposée atteint un AUC (aire sous la courbe ROC) de 0,9887, 0,9914 et 0,9887 pour la segmentation pixel par pixel des vaisseaux rétiniens sur trois jeux de données publics, respectivement DRIVE, CHASE-DB1 et STARE. En outre, RV-GAN surpasse les autres architectures sur deux autres métriques pertinentes : le mean intersection-over-union (Mean-IOU) et la mesure de similarité structurelle (SSIM).