Des études récentes ont montré l’intérêt potentiel de l’interprétation automatique des photographies de fond d’œil pour le dépistage de la rétinopathie diabétique (RD). Une nouvelle approche est proposée pour résoudre deux problèmes communs à tous les systèmes de dépistage automatique de la RD : la mesure de la qualité des images et la détection des lésions complexes ou rares.

Une nouvelle caractérisation d’images, basée sur la transformée en ondelettes, est proposée pour rechercher les anomalies dans les images à différentes résolutions (la notion de normalité étant spécifique à chaque problème). L’algorithme de recherche repose sur un apprentissage multi-instance : des experts indiquent les examens présentant des anomalies, sans indiquer leur localisation dans les images et l’algorithme apprend à détecter ces anomalies automatiquement. L’algorithme a été validé sur une base de données constituée de 25 702 examens de dépistage, soit au total 107 799 images.

L’algorithme est capable de détecter les examens dont la qualité des images est insuffisante avec une aire Az=0,907 sous la courbe ROC. Il permet en outre de détecter les patients atteints de RD proliférante avec une aire Az=0,792 et de les différencier des patients atteints de RD non proliférante avec une aire Az=0,819.

Cette approche, couplée avec une détection automatique des premiers signes de la RD (des lésions fréquentes de petites tailles), permettra un dépistage automatique plus robuste de la RD ainsi que des autres pathologies rencontrées dans les centres de dépistage.

Automated analysis of eye fundus images has recently proven useful for diabetic retinopathy (DR) screening. A novel image analysis framework is introduced in this paper for solving two remaining problems shared by all automated DR screening systems: image quality assessment and complex or rare lesion detection.

A new wavelet-based image description is introduced: given a problem-specific definition of abnormality, this image description is used to search for abnormal areas in images at different resolutions. The proposed search algorithm is based on multiple-instance learning: experts indicate examination records presenting abnormalities, without locating these abnormalities in images, and the algorithm learns to detect them automatically. This algorithm has assessed on a dataset of 25,702 screening examination records, consisting of 107,799 images altogether.

The algorithm was able to detect examination records containing low quality images with an area Az=0.907 under the ROC curve. It was also able to detect patients with proliferative DR with an area Az=0.792, as well as differentiating them from non proliferative DR patients with an area Az=0.819.

Used jointly with the automated detection of the early signs of DR (small, frequent lesions), the proposed approach should increase the robustness of automated detection of DR and of the other pathologies seen in screening centers.