💻 computer science

Deep Learning-Enhanced Robotic Subretinal Injection with Real-Time Retinal Motion Compensation

Cet article présente un système robotique entièrement autonome qui intègre l'imagerie OCT peropératoire à l'apprentissage profond basé sur les LSTM pour prédire et compenser le mouvement rétinien physiologique, permettant des injections sous-rétiniennes précises et sûres avec une erreur de suivi moyenne inférieure à 16,4 μm.

Auteurs originaux : Tianle Wu, Mojtaba Esfandiari, Peiyao Zhang, Russell H. Taylor, Peter Gehlbach, Iulian Iordachita

Publié 2026-06-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tianle Wu, Mojtaba Esfandiari, Peiyao Zhang, Russell H. Taylor, Peter Gehlbach, Iulian Iordachita

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'enfiler une aiguille tout en étant debout sur un bateau en pleine mer agitée. Maintenant, imaginez que cette aiguille est plus fine qu'un cheveu humain, que le « fil » est une couche de tissu dans votre œil qui ne peut jamais se régénérer si elle est endommagée, et que le « bateau » est votre propre œil, qui s'agite constamment à cause de votre rythme cardiaque et de votre respiration.

C'est le défi auquel sont confrontés les médecins lorsqu'ils pratiquent des injections sous-rétiniennes pour traiter des maladies oculaires comme la dégénérescence maculaire liée à l'âge (DMLA). L'objectif est de glisser un médicament sous la rétine sans percer le tissu délicat qui se trouve en dessous.

Ce document décrit un système robotique conçu pour résoudre ce problème en agissant comme une main super intelligente et stable, capable de « danser » au rythme des mouvements naturels de l'œil.

Voici comment le système fonctionne, décomposé en étapes simples :

1. Le problème : l'œil n'est jamais immobile

Même lorsque vous êtes allongé sans bouger, votre œil bouge légèrement en raison de votre rythme cardiaque et de votre respiration. C'est comme un minuscule trampoline qui rebondit de haut en bas. Si un chirurgien tente d'insérer une aiguille alors que l'œil est en mouvement, il pourrait manquer sa cible ou, pire encore, déchirer le tissu sensible. Les humains ont des tremblements de la main, et même les meilleurs chirurgiens ne peuvent pas parfaitement s'adapter à la vitesse d'un œil qui rebondit.

2. La solution : un robot doté d'une vision de « boule de cristal »

Les chercheurs ont construit un robot qui ne se contente pas de regarder l'œil ; il prédit où l'œil sera une fraction de seconde dans le futur.

Les yeux (iOCT) : Le robot utilise une caméra spéciale appelée tomographie en cohérence optique peropératoire (iOCT). Considérez cela comme une échographie haute vitesse qui prend des images en coupe des couches de l'œil en temps réel.
Le cerveau (Apprentissage profond) : Le robot utilise un cerveau d'IA appelé réseau LSTM (Long Short-Term Memory). Imaginez cette IA comme un danseur qui a observé le mouvement de l'œil des milliers de fois. Au lieu de simplement deviner la prochaine étape, elle apprend le rythme et les motifs du rebond de l'œil. Elle peut prédire exactement où se trouvera la couche supérieure de la rétine (l'ILM) dans une fraction de seconde.
- La comparaison : L'équipe a testé cette IA par rapport à une méthode plus simple (comme essayer de prédire une vague en traçant simplement une courbe sinusoïdale parfaite). L'IA était bien meilleure car les mouvements oculaires réels ne sont pas des ondes parfaitement parfaites ; ils sont désordonnés et irréguliers. L'IA gérait beaucoup mieux ce désordre.

3. La danse : un mouvement synchronisé

Une fois que l'IA a prédit où se trouvera la rétine, le robot déplace l'aiguille pour correspondre à cette prédiction.

L'analogie du « surf » : Imaginez que l'aiguille est un surfeur et la rétine est une vague. Au lieu d'essayer de poignarder la vague par le haut, le robot déplace l'aiguille avec la vague, en maintenant une distance sûre et constante juste au-dessus de la surface.
Le contrôle de la vitesse : Le robot ne se déplace pas à une vitesse constante. Il utilise une stratégie « proportionnelle dynamique ». Si l'œil bouge vite, l'aiguille accélère. Si l'œil ralentit, l'aiguille ralentit. C'est comme une voiture équipée d'un régulateur de vitesse qui ajuste automatiquement sa vitesse pour correspondre à la voiture de devant, garantissant ainsi un trajet fluide.

4. Les contrôles de sécurité

Avant même que le robot ne tente d'insérer l'aiguille, il effectue un « test de cohérence ».

Il vérifie que l'aiguille est au bon endroit.
Il vérifie si la caméra peut voir clairement les couches.
Si les données semblent anormales (par exemple, si l'aiguille semble être dans la mauvaise partie de l'œil), le robot s'arrête et demande à un humain de le réinitialiser, plutôt que de risquer des dommages.

5. Les résultats : test du système

L'équipe a testé ce robot de deux manières :

Dans une simulation informatique : Un monde idéal et parfait où rien ne tourne mal.
Dans des yeux de porc (Ex Vivo) : Ils ont utilisé des yeux de porc dans un cadre de laboratoire. Pour rendre l'expérience réaliste, ils ont attaché les yeux à une machine qui les faisait vibrer de haut en bas pour imiter la respiration et le rythme cardiaque humains.

Le résultat :

Le robot a suivi les couches mobiles de l'œil avec une grande précision.
Lors de la phase de « pré-insertion » (en position de survol au-dessus de l'œil), le robot est resté à environ 16 micromètres de sa cible. Pour donner un ordre d'idée, un cheveu humain mesure environ 50 à 70 micromètres de large. Le robot se maintenait à une distance inférieure à la largeur d'un cheveu, même pendant que l'œil bougeait.
Ils ont réussi à injecter du fluide sous la rétine dans les yeux de porc, créant un « bleb » (une petite bulle de fluide), ce qui prouve que l'aiguille est entrée dans le bon espace sans déchirer le tissu.

Résumé

Ce document présente un système robotique qui utilise l'IA pour prédire les mouvements oculaires et la robotique pour se déplacer en parfaite synchronisation avec eux. Il transforme une procédure dangereuse et saccadée en une danse fluide et synchronisée, réduisant considérablement le risque d'endommager l'œil. Bien que l'article note que des tests supplémentaires sont nécessaires pour les chirurgies humaines réelles, les résultats en laboratoire montrent que cette approche par « robot intelligent » est une étape majeure pour rendre ces chirurgies oculaires délicates plus sûres et plus précises.

Résumé Technique : Injection sous-rétinienne robotisée optimisée par l'apprentissage profond avec compensation du mouvement rétinien en temps réel

Énoncé du problème
L'injection sous-rétinienne est une procédure critique pour administrer des agents thérapeutiques afin de traiter les maladies rétiniennes comme la dégénérescence maculaire liée à l'âge (DMLA), particulièrement pour les traitements émergents tels que la transplantation de cellules souches et la thérapie génique. Cependant, la réalisation manuelle de cette procédure est semée d'embûches en raison de la délicatesse de l'épithélium pigmentaire rétinien (EPR), des tremblements physiologiques de la main (~182 µm) et de la finesse de la rétine (100–570 µm). De plus, des facteurs physiologiques tels que la respiration et les battements cardiaques induisent un mouvement rétinien réciproque (mouvement axial d'environ 81 µm à ~1 Hz), ce qui dégrade considérablement la précision du positionnement de l'aiguille dans les systèmes robotiques autonomes. Les méthodes autonomes existantes supposent souvent un œil statique, négligeant ce mouvement et risquant de causer des dommages irréversibles à la couche de l'EPR, qui est non régénérative.

Méthodologie
Les auteurs proposent un système robotique entièrement autonome qui intègre l'OCT peropératoire (tomographie par cohérence optique) avec une prédiction de mouvement basée sur l'apprentissage profond pour synchroniser le mouvement de l'aiguille avec le déplacement rétinien. Le système utilise le manipulateur robotique SHER 2.0 et suit un flux de travail structuré en cinq phases :

Estimation du mouvement : Un modèle de segmentation U-Net traite les coupes B5 de l'iOCT (cinq tranches 2D espacées uniformément) pour extraire la position z de la membrane limitante interne (MLI).
Enregistrement de l'aiguille : Avant l'insertion, l'aiguille est positionnée à environ 500 µm au-dessus de la MLI. Un processus d'enregistrement 1D cartographie la position de la pointe de l'aiguille de l'image (pixels) vers le repère local du robot (millimètres), utilisant un filtrage temporel (suppression des valeurs aberrantes par l'écart interquartile et calcul de la médiane) pour réduire le bruit.
Vérification de cohérence (Sanity Check) : Le système vérifie la précision de l'enregistrement et s'assure que l'aiguille n'est pas mal alignée (par exemple, dans la moitié inférieure de la coupe B) avant de procéder.
Synchronisation du mouvement : Le robot suit le mouvement de la MLI en temps réel. Un réseau de neurones LSTM (Long Short-Term Memory) prédit la position z future de la MLI en se basant sur une séquence des 20 images précédentes. Cette prédiction surpasse un modèle de sinusoïde FFT (Transformée de Fourier Rapide) de base, particulièrement pour capturer les modèles de mouvement non périodiques.
Insertion : Un algorithme de contrôle de vitesse proportionnel dynamique ajuste la vitesse d'insertion de l'aiguille ( $v$ ) en fonction de la distance à la profondeur cible ( $d_{target} - d_{current}$ ), assurant une synchronisation fluide avec la couche mobile de la MLI.

Contributions clés

Système entièrement automatisé : Développement d'un système d'injection sous-rétinienne robotisé capable de compensation du mouvement en temps réel, s'adaptant aux variations d'amplitude et de fréquence du mouvement rétinien dans des conditions proches du milieu clinique.
Stratégie de contrôle dynamique : Implémentation d'un algorithme de contrôle de vitesse proportionnel qui remplace l'insertion à vitesse constante par une approche adaptative, améliorant la précision lors de la synchronisation du mouvement.
Prédiction basée sur le LSTM : Introduction d'un modèle de prédiction de mouvement LSTM robuste qui atteint une grande précision et une inférence rapide (< 0,25 s) avec un minimum de données d'entrée, surpassant de manière significative les approches FFT de base.
Validation complète : Tests rigoureux tant en simulation qu'en environnement d'œil de porc ex vivo à ciel ouvert pour démontrer l'efficacité du système sous des conditions idéales et biologiques.

Résultats expérimentaux
Le système a été validé à l'aide de 18 jeux de données provenant de 8 yeux de porc, simulant le mouvement rétinien avec des amplitudes de 0,05 à 0,15 mm et des fréquences de 8 à 10 bpm.

Précision de la prédiction : Le modèle LSTM a démontré une performance supérieure par rapport à la référence FFT. Dans le meilleur des cas (amplitude de 0,05 mm, 8 bpm), le LSTM a atteint une erreur quadratique moyenne (RMSE) de 6,69 µm et une erreur absolue maximale (MaxAE) de 18,21 µm. Dans le pire des cas (amplitude de 0,15 mm, 10 bpm), le RMSE était de 33,73 µm et le MaxAE de 137,18 µm. Le LSTM a systématiquement montré des erreurs et une latence moindres par rapport au modèle FFT.
Précision du contrôle : Lors des expériences ex vivo, l'erreur de suivi moyenne pendant les phases de pré-insertion (synchronisation du mouvement au-dessus de la MLI) était de 16,4 µm. Bien que les résultats de simulation aient montré une précision plus élevée (RMSE de 12,61 µm), les résultats ex vivo ont reflété les défis de l'incertitude biologique, avec une augmentation du RMSE à 36,25 µm lors de la phase de post-insertion en raison de la déformation des tissus et du bruit de segmentation.
Taux de réussite : Sur 8 essais d'injection dans des yeux ex vivo, 5 ont abouti à des injections sous-rétiniennes réussies, comme en témoigne la formation d'un bleb stable.

Signification et revendications
L'article affirme que l'intégration de la modélisation prédictive, de l'enregistrement adaptatif et du contrôle synchronisé améliore considérablement la sécurité et la précision des injections sous-rétiniennes robotisées autonomes dans des environnements rétiniens dynamiques. Les auteurs soutiennent que leur approche répond à la limitation critique consistant à négliger le mouvement oculaire physiologique dans les systèmes autonomes actuels. En atteignant une erreur de suivi moyenne inférieure à 16,4 µm lors des phases de pré-insertion et en compensant efficacement le mouvement de va-et-vient, le système démontre le potentiel de l'assistance robotique pilotée par l'IA pour atténuer les risques de dommages à l'EPR. Les auteurs notent modestement que, bien que la configuration actuelle ex vivo utilise une configuration à ciel ouvert, les travaux futurs se concentreront sur l'optimisation des stratégies de contrôle pour des variations de vitesse plus importantes et sur la validation du système dans des yeux de porc intacts afin de mieux reproduire l'environnement chirurgical clinique.