💻 computer science

UPolarSQ: Polar Representation Learning for Optic Disc and Peripapillary Atrophy Segmentation and Quantification in Fundus Photographs

Le document propose UPolarSQ, un cadre unifié dans le domaine polaire qui transforme les images du fond d'œil myope en profils radiaux afin d'améliorer la segmentation du disque optique et de l'atrophie péripapillaire tout en permettant une quantification directe et fiable des biomarqueurs cliniques.

Auteurs originaux : Mengxian He, Yunyun sun, Ziyue Gao, Wengkei Lam, Shunyi Zhang, Wu Yuan

Publié 2026-08-11

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mengxian He, Yunyun sun, Ziyue Gao, Wengkei Lam, Shunyi Zhang, Wu Yuan

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 essayer de mesurer la forme d'une feuille de papier froissée en la regardant de côté. C'est désordonné, n'est-ce pas ? Les bords sont dentelés, les courbes sont déroutantes, et essayer de dessiner une ligne parfaite autour d'un endroit spécifique est un véritable cauchemar. C'est exactement le genre de problème auquel les médecins sont confrontés lorsqu'ils regardent l'arrière de l'œil humain, plus précisément chez les personnes souffrant de forte myopie (une forte myopie). Dans ces yeux, le disque optique (l'endroit où le nerf optique pénètre dans l'œil) et les tissus environnants sont souvent étirés et déformés, ressemblant moins à un cercle net qu'à un étrange croissant de lune brisé.

Pour comprendre ce qui se passe, les médecins doivent segmenter (dessiner un contour parfait autour de) ces zones et les mesurer. Mais le faire à la main est lent, ennuyeux, et différents médecins dessinent des lignes différentes. Les ordinateurs peuvent aider, mais ils essaient généralement de résoudre ce problème en utilisant des mathématiques « carrées » standards, comme une grille de pixels. Lorsque vous essayez de faire tenir une grille carrée sur une forme courbe et étirée, l'ordinateur s'embrouille, ce qui entraîne des contours dentelés et brisés. Ce document entre en scène avec une idée ingénieuse : au lieu de forcer l'œil à entrer dans une grille carrée, pourquoi ne pas remodeler la grille pour qu'elle s'adapte à l'œil ?

La grande idée du papier : Dérouler l'œil

Les chercheurs derrière cette étude, dirigés par Mengxian He et ses collègues, proposent une nouvelle façon de regarder ces images oculaires complexes appelée UPolarSQ. Considérez l'arrière d'un œil myope non pas comme une image plate et carrée, mais comme la carte d'une ville qui aurait été enroulée autour d'un cylindre. Si vous essayez de dessiner une rue sur ce cylindre en utilisant une carte plate, les lignes subissent des distorsions. Mais si vous « déroulez » le cylindre sur une feuille de papier plate, les rues redeviennent des lignes droites.

C'est exactement ce que fait UPolarSQ. Il prend l'image de l'œil et la « déroule » mathématiquement dans un système de coordonnées polaires. Au lieu de penser en termes de gauche-droite et de haut-bas (coordonnées x et y), l'ordinateur pense en termes de distance par rapport au centre et d'angle autour du cercle (rayon et angle). Dans cette nouvelle vue « déroulée », les contours complexes et incurvés du disque optique et de l'atrophie environnante (tissu endommagé) se transforment en de simples lignes verticales droites. Soudain, un puzzle 2D complexe devient un problème 1D beaucoup plus facile : il suffit de mesurer la hauteur des lignes à différents angles.

Comment ils ont construit le « dérouleur »

Pour que cela fonctionne, l'équipe n'a pas seulement changé les mathématiques ; elle a construit un cerveau informatique spécial appelé UPolarSeg. Les modèles d'IA standard sont excellents pour reconnaître des motifs dans des grilles carrées, mais ils ont du mal avec l'étirement étrange qui se produit lors du déroulement d'un cercle. Les chercheurs ont réalisé que dans cette vue déroulée, la direction « haut-bas » (rayon) et la direction « côté-à-côté » (angle) se comportent de manière très différente.

Imaginez une pizza. Si vous coupez une part, la croûte est une courbe longue, mais la distance entre la pointe et la croûte est une ligne droite. Dans l'image déroulée de l'œil, la « croûte » (le bord du tissu) s'étire à mesure que l'on s'éloigne du centre. L'équipe a ajouté un module spécial à leur IA qui traite ces deux directions séparément. C'est comme donner à l'IA deux paires de lunettes différentes : une paire pour observer comment les choses changent à mesure que l'on s'éloigne du centre, et une autre pour observer comment les choses changent à mesure que l'on tourne autour. Cela aide l'IA à comprendre la forme sans être confondue par l'étirement.

Ils ont également ajouté un « assistant » pendant la phase d'entraînement. Pendant que l'IA apprend, elle reçoit des indices supplémentaires sur l'emplacement des bords des formes, agissant comme un enseignant pointant le tableau du doigt. Une fois l'IA entraînée, cet assistant est retiré, de sorte que l'outil final soit rapide et efficace.

Ce qu'ils ont trouvé

L'équipe a testé sa nouvelle méthode sur deux groupes de patients : un groupe provenant de leur propre hôpital (interne) et un autre provenant d'un lieu différent (externe) pour voir si elle fonctionnerait sur différents types de données. Les résultats sont très prometteurs.

En ce qui concerne le tracé des contours, leur méthode est très précise. Sur le groupe interne, elle a correctement identifié le disque optique 98,36 % du temps et l'atrophie environnante 89,59 % du temps. Sur le groupe externe, elle reste très performante, obtenant 97,63 % pour le disque et 77,46 % pour l'atrophie. C'est une avancée majeure car l'atrophie environnante est généralement la partie la plus difficile à trouver, ressemblant souvent à un croissant ténu et brisé.

Plus important encore, parce que les formes étaient si nettes dans la vue déroulée, l'ordinateur pouvait mesurer les « biomarqueurs » (les chiffres spécifiques que les médecins utilisent pour suivre la maladie) avec beaucoup plus de précision. Par exemple, ils pouvaient mesurer la largeur du tissu endommagé (PPA) avec une erreur de seulement 2,4 pixels sur le groupe interne et de 6,7 pixels sur le groupe externe. C'est nettement meilleur que les autres modèles d'IA populaires auxquels ils ont comparé leur méthode, qui présentaient des erreurs allant de 8,0 à 13,4 pixels pour les mêmes mesures.

Pourquoi cela importe

L'article suggère qu'en changeant la façon dont nous représentons l'image — d'une grille carrée à une carte polaire « déroulée » — nous pouvons rendre l'IA bien meilleure pour comprendre la géométrie spécifique de l'œil. Il ne s'agit pas seulement de dessiner une meilleure image ; il s'agit d'obtenir les bons chiffres. Puisque les mesures proviennent directement des lignes déroulées, il n'est pas nécessaire de passer par des processus de post-traitement complexes ou des estimations.

Les chercheurs ont constaté que cette approche fonctionne bien même en observant des yeux présentant différents niveaux de myopie, de légère à sévère. Bien qu'ils admettent que leur ensemble de données est encore relativement petit et qu'ils doivent le tester sur des groupes de personnes encore plus diversifiés, les résultats suggèrent que cette astuce de « déroulement » est un outil puissant. Elle transforme un mystère médical courbe et déroutant en une mesure directe et simple, aidant potentiellement les médecins à détecter et à suivre les maladies oculaires plus tôt et plus de manière fiable.

Résumé Technique : UPolarSQ

Énoncé du Problème
Le remodelage du pôle postérieur induit par la myopie entraîne fréquemment une déformation du disque optique (DO) et une atrophie péripapillaire (APP), qui servent de biomarqueurs structurels critiques pour le dépistage et le suivi de la progression des maladies oculaires. Cependant, dans les images du fond d'œil cartésiennes standard, l'APP se présente souvent sous la forme d'un croissant irrégulier et partiellement visible adjacent au DO. Cette géométrie entraîne une fragmentation des limites de segmentation dans les systèmes de coordonnées cartésiennes, nécessitant un post-traitement complexe pour la quantification. De plus, la délinéation manuelle est chronophage et sujette à une variabilité inter-observateur, particulièrement dans les yeux fortement myopes où l'occlusion vasculaire et le flou des contours sont fréquents. Les méthodes d'apprentissage profond existantes échouent souvent à encoder explicitement la géométrie sectorielle radiale intrinsèque de l'anatomie du DO/de l'APP, ce qui conduit à des performances sous-optimales dans la modélisation de ces structures anisotropes.

Méthodologie
Les auteurs proposent UPolarSQ, un cadre unifié dans le domaine polaire conçu pour intégrer la segmentation du DO/de l'APP et la quantification des biomarqueurs cliniques au sein d'une représentation géométrique partagée. Le cadre fonctionne en trois étapes :

Transformation Polaire Centrée sur le DO :
Le système localise d'abord le centre du DO à l'aide d'un modèle zero-shot (RetSAM). Il extrait ensuite une région d'intérêt (ROI) centrée sur le DO et la projette des coordonnées cartésiennes $(x, y)$ vers les coordonnées polaires $(\theta, r)$ . Cette transformation déroule les courbures complexes en grilles régulières, convertissant la modélisation de frontières 2D en une estimation de profil radial 1D. Théoriquement, cette mise en correspondance convertit la rotation cartésienne en une translation linéaire le long de l'axe angulaire et la mise à l'échelle cartésienne en une dilatation radiale, s'alignant ainsi sur les biais inductifs des réseaux de neurones convolutionnels (CNN).
Réseau de Segmentation UPolarSeg :
Pour adapter les architectures CNN standard à la géométrie non uniforme du domaine polaire, les auteurs introduisent UPolarSeg, un réseau basé sur l'architecture U-Net amélioré par deux modules spécifiques :
- Module de Découplage Radial-Angulaire (RADM) : Pour traiter l'échantillonnage anisotrope des grilles polaires (où la longueur de l'arc varie avec le rayon), le RADM effectue un raffinement de caractéristiques spécifique aux axes. Il utilise des convolutions de profondeur (depthwise) anisotropes parallèles pour capturer séparément les transitions radiales et la continuité angulaire, injectant des priors géométriques dans les connexions de saut (skip connections).
- Supervision Auxiliaire Sensible aux Frontières : Un décodeur auxiliaire, actif uniquement pendant l'entraînement, prédit les frontières radiales (DO et limite externe du DO/APP) en combinant une entropie croisée binaire (BCE) et une perte Dice douce. Cela guide les représentations partagées vers les contours cliniquement vitaux sans ajouter de coût computationnel lors de l'inférence.
Quantification de Biomarqueurs Native au Domaine Polaire :
Contrairement aux méthodes traditionnelles nécessitant l'ajustement de contours ou un post-traitement itératif, UPolarSQ extrait directement les biomarqueurs à partir des masques polaires prédits. En identifiant les indices radiaux maximaux pour des angles spécifiques, le système calcule de manière déterministe :
- Le rapport de diamètre du disque horizontal-vertical (HVDR).
- La largeur maximale de l'APP (PMW).
- Le rapport de l'APP au diamètre vertical du disque (PVDR).

Contributions Clés

Analyse de la Représentation Polaire : L'article formalise l'analyse du DO/de l'APP dans une représentation polaire centrée sur le DO, démontrant comment elle convertit la modélisation de frontières 2D en une estimation de profil radial et fournit des biais inductifs pour les CNN tout en exposant l'anisotropie de la grille polaire.
Réseau de Segmentation Sur Mesure : La conception d'UPolarSeg modélise explicitement la géométrie polaire via un raffinement de caractéristiques découplées radial-angulaire et une supervision auxiliaire sensible aux frontières, adaptant la segmentation CNN aux contraintes polaires.
Cadre de Quantification Unifié : UPolarSQ comble le fossé entre la segmentation et la quantification clinique, permettant des lectures de biomarqueurs « natives du pôle » qui estiment directement les indicateurs de déformation du DO et de largeur de l'APP à partir des profils radiaux prédits.

Résultats Expérimentaux
Le cadre a été évalué sur des cohortes internes (Beijing) et externes (Tibet) d'images du fond d'œil myope.

Performance de Segmentation : UPolarSeg a atteint des scores Dice pour le DO/l'APP de 98,36 % / 89,59 % sur la cohorte interne et 97,63 % / 77,46 % sur la cohorte externe. Il a surpassé les bases de comparaison de l'état de l'art (incluant UNet, SwinUNETR et TransUNet), particulièrement pour la segmentation de l'APP, qui est plus complexe en raison de sa forme irrégulière.
Précision de la Quantification : La méthode a considérablement réduit les erreurs d'estimation des biomarqueurs cliniques. Sur la cohorte externe, elle a obtenu l'erreur absolue moyenne (MAE) la plus faible pour la largeur maximale de l'APP (6,7 pixels) et le PVDR (0,036).
Robustesse : Une analyse par sous-groupes à travers les niveaux de myopie faible, modérée et élevée a montré qu'UPolarSQ maintient une délinéation de l'APP et une précision de quantification constantes malgré les variations de sévérité de la maladie et les changements de domaine, surpassant les autres modèles dans les cas de forte myopie où la déformation anatomique est prononcée.
Efficacité : Le modèle opère avec environ 24,9 millions de paramètres, ce qui est comparable à un UNet classique et nettement plus petit que les modèles basés sur les Transformers comme TransUNet ou les modèles de fondation comme RetSAM.

Signification et Revendications
L'article affirme qu'UPolarSQ fournit un préalable anatomique efficace pour l'analyse intégrée des structures myopes. En reformulant le problème dans un système de coordonnées polaires, le cadre aligne la structure anatomique, l'apprentissage de segmentation et la lecture des biomarqueurs au sein d'un système de coordonnées unique. Les auteurs soutiennent que cette approche améliore non seulement la précision de la segmentation pour les structures péripapillaires irrégulières, mais permet également une estimation directe et fiable des biomarqueurs cliniques sans nécessiter de post-traitement complexe. L'étude suggère que l'apprentissage de la représentation polaire est une stratégie viable pour réduire les erreurs d'estimation dans l'analyse de la myopie, particulièrement sous des changements de domaine externes et des sévérités de maladie variables.

Limites
Les auteurs reconnaissent plusieurs limites : la taille de la cohorte externe est modeste, nécessitant des ensembles de données multicentriques plus larges pour une généralisabilité accrue ; le cadre dépend d'une localisation précise du DO, qui pourrait être affectée par des artefacts sévères ou une déformation extrême du disque ; et les lectures actuelles des biomarqueurs sont dérivées uniquement des masques de segmentation, suggérant la nécessité d'une intégration future avec des résultats longitudinaux pour clarifier pleinement la valeur clinique.

Articles similaires