This study aimed to evaluate automated fundus photograph analysis algorithms for the detection of primary lesions and a computer-assisted diagnostic system for grading diabetic retinopathy (DR) and the risk of macular edema (ME).

Two prospective analyses were conducted on fundus images from diabetic patients. Automated detection of microaneurysms and exudates was applied to two small image databases on which these lesions were manually marked. A computer-assisted diagnostic system for the detection and grading of DR and the risk of ME was then developed and evaluated, using a large database containing both normal and pathological images, and compared with manual grading.

The algorithm for the automated detection of microaneurysms demonstrated a sensitivity of 88.5%, with an average number of 2.13 false positives per image. The pixel-based evaluation of the algorithm for automated detection of exudates had a sensitivity of 92.8% and a positive predictive value of 92.4%. Combined automated grading of DR and risk of ME was performed on 761 images from a large database. For DR detection, the sensitivity and specificity of the algorithm were 83.9% and 72.7%, respectively, and, for detection of the risk of ME, the sensitivity and specificity were 72.8% and 70.8%, respectively.

This study shows that previously published algorithms for computer-aided diagnosis is a reliable alternative to time-consuming manual analysis of fundus photographs when screening for DR. The use of this system would allow considerable timesavings for physicians and, therefore, alleviate the time spent on a mass-screening programme.

Évaluer des algorithmes d’analyse automatique de photographies du fond d’œil pour la détection de lésions élémentaires de la rétinopathie diabétique. Évaluer un système de diagnostic assisté par ordinateur permettant de classer le stade de rétinopathie diabétique et le risque d’œdème maculaire.

Deux analyses prospectives de photographies du fond d’œil de patients diabétiques ont été effectuées. La détection automatique des micro-anévrismes et des exsudats a été appliquée sur deux petites bases d’images sur lesquelles ces lésions ont été marquées manuellement. Le système de diagnostic assisté par ordinateur permettant la classification de la rétinopathie diabétique et du risque d’œdème maculaire a ensuite été développé et testé sur une large base de données contenant à la fois des images normales et pathologiques, puis comparé à la détection manuelle.

L’algorithme de détection automatique des micro-anévrismes, évalué sur 94 images, a révélé une sensibilité de 88,5 % avec un nombre moyen de 2,13 faux-positifs par image. L’évaluation de l’algorithme de détection automatique des exsudats, menée sur 30 images, a montré une sensibilité de 92,8 % et une valeur prédictive positive de 92,4 %. La détermination du stade de rétinopathie diabétique et du risque d’œdème maculaire a été effectuée sur 761 images provenant d’une large base de données. La sensibilité et la spécificité de l’algorithme de détection de la rétinopathie diabétique étaient respectivement de 83,9 % et 72,7 %. Pour la détection de l’œdème maculaire, une sensibilité de 72,8 % et une spécificité de 70,8 % ont été trouvées.

Notre étude montre que les algorithmes de détection automatique de la rétinopathie diabétique précédemment publiés représentent une alternative fiable à l’analyse manuelle de photographies du fond d’œil pour le dépistage de la rétinopathie diabétique et de l’œdème maculaire. Leur utilisation en pratique clinique permettrait une épargne de temps considérable pour les praticiens et allègerait ainsi le dépistage de masse.