DeepAlienorNet : un modèle de Deep Learning pour extraire les signes cliniques de dégénérescence maculaire liée à l’âge à partir de photographies en couleur du fond d’œil - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2023

DeepAlienorNet: a Deep Learning model to extract clinical features from color fundus photography in age-related macular degeneration

DeepAlienorNet : un modèle de Deep Learning pour extraire les signes cliniques de dégénérescence maculaire liée à l’âge à partir de photographies en couleur du fond d’œil

Résumé

Introduction: age-related macular degeneration (AMD) is a leading cause of blindness worldwide, and its prevalence is expected to increase with the aging population. Automating the detection and classification of AMD clinical signs from color fundus photography (CFP) can offer several benefits, including helping ophthalmologists in AMD diagnosis, facilitating the creation of large labeled CFP datasets, and potentially integrating with prediction algorithms for AMD progression. This article presents "DeepAlienorNet," a deep learning (DL) model we developed for the automatic extraction of AMD clinical features from CFP. Material and methods: the study utilized data from the ALIENOR Study, a cohort of French individuals aged 77 years or older. A total of 1178 CFP images were included in the study, and seven clinical signs of AMD were assessed: large soft drusen, intermediate soft drusen, large area of soft drusen, central soft drusen, hyperpigmentation, hypopigmentation, and advanced AMD (exudative or atrophic AMD). The DeepAlienorNet model was trained and evaluated using 5-fold cross-validation. Results: DeepAlienorNet achieved promising results in the extraction of AMD clinical signs from CFP. The overall sensitivity, specificity, and area under the receiver operating curve (AUROC) of the model were 0.77, 0.83, and 0.87, respectively. The model performed particularly well in predicting advanced AMD and large areas of soft drusen. Conclusion: This study contributes to the field of DL-based automated medical image recognition in ophthalmology, specifically focusing on AMD clinical sign extraction from CFP. The model's performance and interpretability can assist clinicians in their daily practice, improve diagnosis accuracy, and save valuable time. Future work could involve integrating the automated extraction of clinical signs into prediction models for AMD progression based on CFP and other factors.
Introduction : la dégénérescence maculaire liée à l'âge (DMLA) est l'une des principales causes de cécité dans le monde, et sa prévalence devrait augmenter avec le vieillissement de la population. L'automatisation de la détection des signes cliniques de la DMLA à partir de la photographie en couleur du fond d'œil (PCFO) présente de nombreux avantages. Elle peut aider les ophtalmologues dans le diagnostic de la DMLA, faciliter la création de grandes bases de données labélisées de PCFO et potentiellement s'intégrer à des algorithmes de prédiction de la progression de la DMLA. Dans cet article, nous présentons "DeepAlienorNet", un modèle de Deep Learning (DL) que nous avons développé pour extraire automatiquement les signes cliniques de la DMLA à partir de PCFO. Matériel et méthodes : nous avons utilisé les données de l'étude ALIENOR, une cohorte bordelaise de personnes âgées de 77 ans ou plus. Au total, 1178 images de PCFO ont été incluses, et nous avons tenté de détecter sept signes cliniques : gros drusen, drusen intermédiaires, grande surface de drusen séreux, drusen séreux centraux, hyperpigmentation, hypopigmentation et DMLA avancée (DMLA exsudative ou atrophique). Résultats : DeepAlienorNet a obtenu des résultats prometteurs dans l'extraction des signes cliniques de la DMLA à partir de PCFO. Le modèle a affiché une sensibilité globale de 0,77, une spécificité de 0,83 et une aire sous la courbe ROC de 0,87. Il s'est particulièrement bien comporté dans la prédiction de la DMLA avancée et des grandes zones de drusen séreux. Conclusion : cette étude contribue au domaine de la reconnaissance automatisée des images basée sur le DL en ophtalmologie. Les performances et l'interprétabilité du modèle peuvent aider les ophtalmologues dans leur pratique quotidienne, améliorer la précision du diagnostic et leur faire gagner un temps précieux. À l'avenir, il serait intéressant d'intégrer l'extraction automatisée des signes cliniques dans des modèles de prédiction de progression de la DMLA basés sur la PCFO et d'autres facteurs.
Fichier sous embargo
Fichier sous embargo
1 0 30
Année Mois Jours
Avant la publication
lundi 16 juin 2025
Fichier sous embargo
lundi 16 juin 2025
Connectez-vous pour demander l'accès au fichier

Dates et versions

dumas-04188001 , version 1 (25-08-2023)

Identifiants

  • HAL Id : dumas-04188001 , version 1

Citer

Alexis Mathieu. DeepAlienorNet : un modèle de Deep Learning pour extraire les signes cliniques de dégénérescence maculaire liée à l’âge à partir de photographies en couleur du fond d’œil. Sciences du Vivant [q-bio]. 2023. ⟨dumas-04188001⟩
21 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More