OCTAve : segmentation des vaisseaux en imagerie angiographique par tomographie optique en 2D en vue frontale par apprentissage faiblement supervisé avec augmentation de localité

Bien que des recherches croissantes aient été menées sur l'utilisation de techniques d'apprentissage profond pour extraire les structures vasculaires à partir d’OCTA en plan en face 2D, il est bien connu que le processus d’annotation des données sur des structures courbes telles que le réseau vasculaire rétinien est très coûteux en temps et en ressources, malgré quelques tentatives visant à atténuer ce problème. Dans ce travail, nous proposons l’application d’une méthode d’apprentissage faiblement supervisée basée sur des « scribbles » afin d’automatiser l’annotation au niveau des pixels. La méthode proposée, nommée OCTAve, combine l’apprentissage faiblement supervisé à partir d’étiquetages par « scribbles », enrichis par une supervision adversarielle et une nouvelle supervision profonde auto-supervisée. Notre mécanisme original vise à exploiter les sorties discriminatives provenant de la couche de discrimination d’une architecture du type UNet, en minimisant pendant l’entraînement la divergence de Kullback-Leibler entre les sorties discriminatives agrégées et la carte de segmentation prédite. Cette approche combinée permet une meilleure localisation des structures vasculaires, comme le montrent nos expériences. Nous validons notre méthode sur de grands jeux de données publics, à savoir ROSE et OCTA-500. Les performances de segmentation sont comparées à celles des approches les plus avancées, tant supervisées intégralement que faiblement supervisées basées sur des « scribbles ». L’implémentation utilisée dans nos expériences est disponible à l’adresse suivante : [LINK].