Unsupervised training of keypoint-agnostic descriptors for flexible retinal image registration

Cet article propose une méthode d'apprentissage non supervisé de descripteurs agnostiques aux points d'intérêt pour l'enregistrement d'images rétiniennes, démontrant des performances précises et compétitives par rapport aux méthodes supervisées tout en s'affranchissant du besoin de données étiquetées.

L'essentiel

🧐 Le Problème : Aligner des photos de l'œil sans manuel d'instructions

Imaginez que vous essayez d'aligner deux photos d'une même forêt, prises à des moments différents. L'une a été prise par temps ensoleillé, l'autre sous la pluie. Les arbres ont bougé, il y a des feuilles mortes, et la lumière est différente. Votre but est de superposer les deux images parfaitement pour voir ce qui a changé (par exemple, un arbre qui a poussé ou une maladie qui a apparu).

En médecine, c'est exactement ce qu'on fait avec les photos de la rétine (le fond de l'œil). C'est crucial pour suivre l'évolution de maladies comme le diabète. Mais le faire à la main est trop long et fastidieux pour les médecins. Les ordinateurs doivent le faire automatiquement.

Le hic ? Pour apprendre à un ordinateur à faire cela, on a traditionnellement besoin de manuels d'instructions (des données étiquetées par des humains). Or, dans le domaine médical, ces manuels sont très rares et coûteux à produire. C'est comme essayer d'apprendre à un enfant à jouer au piano sans jamais lui donner de partition ni de professeur.

💡 La Solution : Apprendre par l'expérience, sans professeur

Les auteurs de ce papier (David et son équipe) ont développé une méthode astucieuse : l'apprentissage non supervisé.

Au lieu d'apprendre à l'ordinateur où regarder (en lui montrant des points précis comme les croisements des vaisseaux sanguins), ils lui disent : "Regarde partout, et apprends à reconnaître les détails par toi-même."

Ils ont créé un système qu'ils appellent "UnConKeD". Voici comment ça marche avec une analogie :

1. Le Détective "Agnostique" (Indépendant)

Imaginez un détective très doué pour reconnaître des visages, mais qui n'a jamais été formé à chercher un type de visage spécifique.

• Les anciennes méthodes (Supervisées) : C'était comme entraîner un détective uniquement à chercher des "nez". Si on lui présentait une photo où le nez est caché, il paniquait. De plus, il fallait un professeur pour lui dire "C'est un nez, c'est un nez".
• La nouvelle méthode (Non supervisée) : Le détective apprend à reconnaître n'importe quel détail intéressant (un coin, une tache, un bord) en regardant des milliers de photos et en comparant les mêmes zones sous différents angles (comme si on tournait la photo). Il devient un détective agnostique : peu importe qui lui indique un point à regarder (un algorithme classique, un point aléatoire, ou un expert), il sait décrire ce point parfaitement.

2. Le Jeu de "Trouver les différences"

Pour s'entraîner, l'ordinateur prend une photo de l'œil, la modifie un peu (la tourne, change la luminosité), et se demande : "Est-ce que ce point sur la photo A correspond à ce point sur la photo B ?"
Il le fait des millions de fois, en choisissant des points au hasard sur l'image. Petit à petit, il devient un expert pour décrire la texture de la rétine, peu importe où il regarde.

🚀 Les Résultats : Pourquoi c'est révolutionnaire ?

L'équipe a testé leur détective avec différents "guides" pour lui montrer où regarder :

1. Des points aléatoires (comme des flèches lancées au hasard).
2. Des détecteurs classiques (des algorithmes vieux mais fiables comme SIFT ou ORB).
3. Des points anatomiques (les vrais croisements des vaisseaux sanguins).

Le résultat est bluffant :

• Pas de perte de performance : Même sans manuel d'instructions, leur méthode est aussi bonne, voire meilleure, que les méthodes qui ont besoin de professeurs.
• Flexibilité totale : Peu importe le guide qu'on utilise, le détective s'adapte. C'est comme si vous pouviez utiliser n'importe quel type de boussole avec votre carte, et elle fonctionnerait toujours parfaitement.
• Le meilleur des deux mondes : En combinant leur méthode avec une technique simple de "squelettisation" (réduire les vaisseaux sanguins à de simples lignes fines), ils obtiennent les meilleurs résultats de tous les temps sur les cas les plus difficiles (les yeux malades avec des changements importants).

🏆 En résumé

Imaginez que vous vouliez apprendre à reconnaître des voitures.

• L'ancienne méthode : Un professeur vous montre 10 000 photos de voitures en vous disant "C'est une Ferrari, c'est une Ford". C'est long et cher.
• La méthode de ce papier : On vous donne une caméra et on vous dit : "Regarde des milliers de voitures, tourne-les, change la lumière, et devine quelles parties sont identiques." Vous apprenez par vous-même à reconnaître l'essence d'une voiture, peu importe le modèle.

Pourquoi c'est important pour la santé ?
Parce que cette méthode permet aux ordinateurs de devenir des experts en imagerie médicale sans avoir besoin de médecins pour les former manuellement. Cela ouvre la porte à des diagnostics plus rapides, plus précis et moins coûteux pour les patients du monde entier.

C'est un grand pas en avant vers une intelligence artificielle médicale qui apprend par elle-même, comme un enfant curieux, plutôt que comme un robot obéissant à un manuel.

Résumé technique

1. Problématique

L'enregistrement d'images rétiniennes (RIR) est crucial pour l'analyse clinique, notamment pour suivre l'évolution des pathologies ou fusionner des images de différentes modalités. Cependant, cette tâche est confrontée à plusieurs défis majeurs :

• Manque de données annotées : Dans le domaine médical, les données étiquetées (ground truth) sont extrêmement rares et coûteuses à obtenir, ce qui limite l'application des méthodes d'apprentissage supervisé.
• Complexité des images : Les images de fond d'œil (CF) souffrent de défauts d'imagerie (flou, sur/sous-exposition, artefacts de mouvement) et présentent des changements morphologiques importants (apparition/disparition de vaisseaux, lésions) entre les acquisitions.
• Limitations des méthodes actuelles : Les méthodes classiques (non profondes) obtiennent souvent les meilleurs résultats mais manquent de flexibilité. Les méthodes d'apprentissage profond (Deep Learning) sont puissantes mais dépendent souvent de données étiquetées ou de détecteurs de points clés spécifiques (comme les croisements de vaisseaux), ce qui les rend peu flexibles et coûteuses à entraîner. De plus, les méthodes non supervisées actuelles souffrent généralement d'une baisse de performance par rapport aux méthodes supervisées.

2. Méthodologie

Les auteurs proposent UnConKeD, une nouvelle approche d'apprentissage de descripteurs de points clés entièrement non supervisée et agnostique au détecteur (keypoint-agnostic).

• Entraînement Non Supervisé : Contrairement aux méthodes précédentes (comme ConKeD++) qui utilisent un réseau de détection supervisé pour sélectionner des points d'intérêt spécifiques (croisements et bifurcations vasculaires), cette méthode échantillonne aléatoirement des points clés dans la région d'intérêt (ROI) de l'image rétinienne.
  • Cela élimine la dépendance aux données étiquetées.
  • Le réseau apprend à générer des descripteurs pour n'importe quel point de la surface rétinienne, et non seulement pour des structures anatomiques spécifiques.
• Architecture et Perte : Le réseau de descripteurs est entraîné en utilisant une perte Fast AP (Average Precision) sur des lots multi-vues (augmentations d'une même image). Le réseau génère des cartes de descripteurs denses, et les descripteurs correspondant aux points échantillonnés aléatoirement sont utilisés pour le calcul de la perte.
• Agnosticisme au Détecteur : Une fois entraîné, ce réseau de descripteurs peut être couplé à n'importe quel détecteur de points clés, qu'il soit :
  • Classique (SIFT, ORB, Harris, FAST, CenSurE).
  • Anatomique (basé sur la segmentation des vaisseaux sanguins).
  • Hybride (détecteurs classiques appliqués aux logits d'un réseau de segmentation).
  • Aléatoire (grille régulière).
• Estimation de la transformation : Après l'appariement des descripteurs, la transformation géométrique (homographie) est estimée via l'algorithme RANSAC, comme dans les pipelines standards.

3. Contributions Clés

1. Méthode UnConKeD : Introduction d'un cadre d'entraînement non supervisé qui ne nécessite aucune donnée annotée et qui est indépendant du détecteur de points clés utilisé lors de l'inférence.
2. Validation sur le jeu de données FIRE : Une évaluation exhaustive sur le jeu de données de référence FIRE, divisé en catégories de difficulté (S, P, A), incluant la catégorie A (haute pertinence clinique avec progression de la maladie).
3. Nouvelles stratégies de détection : Proposition et test de nouvelles approches de détection, notamment l'application de détecteurs classiques sur les sorties (logits) d'un réseau de segmentation vasculaire, et l'optimisation du nombre de points via la squelettisation et l'échantillonnage aléatoire.
4. Supériorité par rapport aux méthodes supervisées : Démonstration qu'un entraînement non supervisé peut égaler, voire surpasser, les méthodes supervisées de pointe (SOTA) dans ce domaine.

4. Résultats

Les expériences ont été menées sur le jeu de données FIRE en utilisant la métrique Registration Score (AUC).

• Non supervisé vs Supervisé : La méthode proposée (UnConKeD) surpassé légèrement la méthode supervisée ConKeD++ (Score pondéré de 0,769 contre 0,765), prouvant qu'il n'y a pas de pénalité de performance à utiliser l'apprentissage non supervisé.
• Performance des détecteurs :
  • Le réseau fonctionne efficacement avec une grande variété de détecteurs.
  • Les détecteurs classiques comme CenSurE et SIFT obtiennent d'excellents résultats, surtout avec un nombre élevé de points (500+).
  • L'approche combinant Canny et la squelettisation des vaisseaux sanguins (AV Canny + Skeleton) atteint le meilleur score global parmi les méthodes d'apprentissage profond (0,788), surpassant toutes les autres méthodes Deep Learning.
  • L'échantillonnage aléatoire de points nécessite un très grand nombre de points (40 000) pour être compétitif, ce qui est coûteux en calcul, mais sert de baseline purement non supervisée.
• Comparaison avec l'État de l'Art (SOTA) :
  • La méthode proposée bat les meilleures méthodes supervisées existantes (SuperRetina, GeoFormer, ConKeD++) sur la catégorie A (la plus difficile et cliniquement pertinente).
  • Elle surpasse également les méthodes classiques (VOTUS, REMPE) dans certaines catégories, bien que VOTUS reste très fort globalement.
  • L'utilisation de détecteurs classiques couplés aux descripteurs non supervisés améliore considérablement les performances par rapport à l'utilisation de ces détecteurs avec des descripteurs classiques (ex: +20% avec Harris).

5. Signification et Impact

Ce travail représente une avancée significative pour l'imagerie médicale, et particulièrement pour l'ophtalmologie :

• Réduction de la barrière des données : En éliminant le besoin de données annotées (points clés manuellement étiquetés), la méthode rend l'apprentissage profond accessible pour des tâches où l'annotation est difficile.
• Flexibilité et Robustesse : L'approche "agnostique au détecteur" permet aux chercheurs et cliniciens d'utiliser le détecteur de points clés le plus adapté à leur contexte spécifique sans avoir à réentraîner le réseau de descripteurs.
• Nouveau Standard : La méthode établit un nouveau standard de performance pour l'enregistrement d'images rétiniennes, démontrant que les méthodes non supervisées peuvent non seulement rivaliser, mais surpasser les approches supervisées et classiques, tout en offrant une meilleure adaptabilité aux changements morphologiques de la rétine.

En résumé, les auteurs ont réussi à créer un pipeline d'enregistrement d'images rétiniennes qui est à la fois précis, flexible et indépendant des données étiquetées, résolvant ainsi l'un des principaux goulots d'étranglement de l'IA médicale.