LUNet : Apprentissage profond pour la segmentation des artérioles et veines dans les images du fond d'œil à haute résolution

La rétine est la seule partie du corps humain où les vaisseaux sanguins peuvent être observés de manière non invasive grâce à des techniques d'imagerie telles que les images numériques du fond d'œil (DFI). La distribution spatiale de la microvasculature rétinienne peut évoluer en cas de maladies cardiovasculaires, ce qui fait des yeux une fenêtre sur notre cœur. La segmentation informatisée des artérioles et veines rétiniennes (A/V) est essentielle pour l'analyse automatisée de la microvasculature. En utilisant l'apprentissage actif, nous avons créé un nouveau jeu de données DFI comprenant 240 segmentations manuelles A/V réalisées par quinze étudiants en médecine et revues par un ophtalmologiste, et développé LUNet, une nouvelle architecture d'apprentissage profond pour la segmentation A/V à haute résolution. L'architecture de LUNet inclut un bloc convolutif dilaté double visant à améliorer le champ récepteur du modèle et à réduire son nombre de paramètres. De plus, LUNet dispose d'une queue longue fonctionnant à haute résolution pour affiner la segmentation. La fonction de perte personnalisée met l'accent sur la continuité des vaisseaux sanguins. Les résultats montrent que LUNet surpasse significativement deux algorithmes de segmentation de pointe sur l'ensemble de test local ainsi que sur quatre ensembles de test externes simulant des décalages de distribution selon l'ethnicité, les comorbidités et les annotateurs. Nous rendons le nouveau jeu de données librement accessible (à partir de sa publication).