RRWNet : Réseau de réaffinement récursif pour une segmentation et une classification efficaces des artères et veines rétiniennes

Le calibre et la configuration des vaisseaux sanguins rétiniens constituent des biomarqueurs importants pour diverses maladies et affections médicales. Une analyse approfondie de la vasculature rétinienne nécessite la segmentation des vaisseaux sanguins ainsi que leur classification en artères et veines, généralement effectuées sur des images couleur du fond de l’œil obtenues par rétinographie. Toutefois, l’exécution manuelle de ces tâches est fastidieuse et sujette à des erreurs humaines. Bien que plusieurs méthodes automatisées aient été proposées pour relever ce défi, les approches actuelles rencontrent des difficultés dues à des erreurs de classification manifestes, qui compromettent la cohérence topologique des cartes de segmentation. Dans ce travail, nous introduisons RRWNet, un nouveau cadre d’apprentissage profond end-to-end qui remédie à cette limitation. Ce cadre repose sur un réseau neuronal convolutif entièrement dédié à la révision itérative et récursive des cartes de segmentation sémantique, corrigeant ainsi les erreurs de classification manifestes et améliorant la cohérence topologique. Plus précisément, RRWNet est composé de deux sous-réseaux spécialisés : un sous-réseau Base, chargé de générer des cartes de segmentation de base à partir des images d’entrée, et un sous-réseau de Révision Récursive, qui améliore itérativement ces cartes. L’évaluation sur trois jeux de données publics différents démontre que la méthode proposée atteint des performances de pointe, produisant des cartes de segmentation plus cohérentes du point de vue topologique et présentant moins d’erreurs de classification manifestes que les approches existantes. En outre, le module de Révision Récursive intégré à RRWNet s’avère efficace pour le post-traitement des cartes de segmentation issues d’autres méthodes, soulignant ainsi son potentiel général. Le code du modèle, les poids entraînés ainsi que les prédictions seront rendus accessibles au public à l’adresse suivante : https://github.com/j-morano/rrwnet.