Apprentissage profond explicatif bout-en-bout pour la détection de la rétinopathie diabétique sur plusieurs jeux de données

Objectif : La rétinopathie diabétique (RD) se caractérise par des lésions rétiniennes affectant les personnes atteintes de diabète depuis plusieurs années. Elle constitue l'une des principales causes d'invalidité visuelle dans le monde. Pour diagnostiquer cette maladie, les ophtalmologistes doivent analyser manuellement des images de fond d’œil. Les systèmes d’aide au diagnostic informatique peuvent alléger cette charge en détectant automatiquement la RD sur les images rétiniennes, permettant ainsi de gagner du temps précieux pour les médecins et de réduire les coûts. L’objectif de cette étude est de développer un algorithme basé sur l’apprentissage profond capable de détecter la RD sur des images de fond d’œil. Neuf jeux de données publics, regroupant plus de 90 000 images, sont utilisés pour évaluer l’efficacité de la méthode proposée. En outre, un algorithme d’explicabilité a été conçu afin de visualiser les signes de la RD détectés par le modèle profond.Approche : L’algorithme d’apprentissage profond proposé ajuste finement un réseau neuronal convolutif pré-entraîné pour la détection de la RD. Le modèle est entraîné sur une sous-partie du jeu de données EyePACS en utilisant une stratégie d’atténuation du taux d’apprentissage par cosinus avec une phase de réchauffement, ce qui améliore la précision de l’entraînement. Des tests sont effectués sur les neuf jeux de données. Un algorithme d’explicabilité basé sur la cartographie d’activation de classe pondérée par gradient a été développé pour visualiser les signes sélectionnés par le modèle afin de classer les images rétiniennes comme étant atteintes de RD.Résultats : Le réseau proposé atteint des taux de classification élevés, avec une aire sous la courbe (AUC) de 0,986, une sensibilité de 0,958 et une spécificité de 0,971 sur EyePACS. Pour MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha et UoA-DR, les valeurs d’AUC sont respectivement de 0,963, 0,979, 0,986, 0,988, 0,964, 0,957, 0,984 et 0,990.Conclusion : Les résultats obtenus atteignent un niveau de performance au point de l’état de l’art et surpassent les travaux antérieurs publiés reposant uniquement sur l’entraînement à partir de données publiques. L’approche proposée permet une classification robuste des images de fond d’œil et une détection efficace de la RD. Un modèle d’explicabilité a été développé et a montré que notre modèle est capable d’identifier de manière efficace différents signes de la RD et de détecter ce trouble de santé.