💻 computer science

Modelling Geographic Atrophy Progression using Implicit Neural Representations

Cet article propose un cadre de représentation neuronale implicite (INR) à faibles données pour modéliser la progression individuelle de l'atrophie géographique dans la dégénérescence maculaire liée à l'âge, atteignant une précision supérieure pour la prédiction et la segmentation de la surface des lésions tout en maintenant une génération d'images d'autofluorescence du fond d'œil de haute qualité à travers les points temporels passés et futurs.

Auteurs originaux : Simone Sarrocco, Paul Friedrich, Florentin Bieder, Christina Bornberg, Philippe Valmaggia, Peter Maloca, Philippe Cattin

Publié 2026-08-12

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Simone Sarrocco, Paul Friedrich, Florentin Bieder, Christina Bornberg, Philippe Valmaggia, Peter Maloca, Philippe Cattin

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 de prédire comment une goutte d'encre va s'étaler sur une feuille de papier mouillée. Vous voyez l'encre au début, et vous la voyez un peu plus tard, mais la forme exacte qu'elle prend entre les deux, ou ce qu'elle sera demain, est un mystère. C'est le genre d'énigme à laquelle les scientifiques sont confrontés lorsqu'ils étudient un type spécifique de maladie oculaire appelée dégénérescence maculaire liée à l'âge (DMLA). Dans sa phase tardive, dite « sèche », cette maladie crée une zone de dommages par plaques, en pleine croissance, à l'arrière de l'œil, appelée atrophie géographique (AG). Les médecins utilisent actuellement des caméras spéciales pour prendre des photos du fond de l'œil (appelées autofluorescence du fond d'œil ou FAF) afin de voir comment ces taches sombres progressent au fil du temps. Cependant, comme l'œil de chaque personne est différent et que la maladie progresse à sa propre vitesse, il est difficile de prédire exactement comment la vision d'un patient spécifique changera. L'objectif est de construire une boule de cristal numérique capable de regarder quelques photos passées et de deviner à quoi ressemblera l'œil dans le futur, aidant ainsi les médecins à expliquer aux patients ce qui pourrait arriver ensuite.

Ce document présente une nouvelle méthode ingénieuse pour construire cette boule de cristal en utilisant ce qu'on appelle les « représentations neuronales implicites » (INR). Voyez l'INR non pas comme un album photo standard, mais comme un livre de recettes magique et continu. Au lieu de stocker une image sous forme de grille de pixels (comme une photo numérique), ce livre de recettes stocke un ensemble d'instructions capables de décrire l'image à n'importe quel moment ou à n'importe quel endroit. Si vous demandez à la recette : « À quoi ressemble l'œil à la semaine 5 ? », elle calcule la réponse à la volée, même si personne n'a pris de photo à la semaine 5. Les chercheurs ont utilisé cette méthode pour créer un modèle qui apprend l'« histoire » unique de la maladie de l'œil d'un patient. Ils ont découvert qu'en donnant au modèle une « carte d'identité » spéciale (un vecteur latent) pour chaque œil spécifique, celui-ci pouvait apprendre la forme et le mode de croissance uniques des dommages de cette personne.

L'équipe a testé son modèle sur un groupe de patients qui avaient été scannés jusqu'à quatre fois sur plusieurs mois. Ils ont demandé au modèle de faire deux choses : premièrement, de recréer les images floues et lumineuses de l'œil (les images FAF), et deuxièmement, de dessiner un contour précis de la zone endommagée (la segmentation de l'AG). Les résultats ont été très prometteurs. Dans les tests où le modèle devait deviner le futur ou combler des moments manquants, il était étonnamment doué pour prédire la taille et la forme de la zone endommagée. Il a obtenu la plus grande précision dans la mesure de la taille de la lésion et la meilleure correspondance pour la forme des dommages par rapport aux autres programmes informatiques. Bien qu'il ne soit pas parfait pour recréer les détails fins et haute définition des images lumineuses de l'œil (parfois, le simple fait de copier la dernière image connue était meilleur pour la clarté de l'image), il excellait dans la compréhension de comment la maladie changeait. Les auteurs suggèrent que cette approche pourrait aider les médecins à visualiser le parcours spécifique de la maladie d'un patient, facilitant potentiellement la discussion sur les résultats futurs et les bénéfices des traitements. Cependant, ils notent que des travaux supplémentaires sont nécessaires pour rendre les détails de l'image plus nets et pour tester cela sur un groupe plus large de personnes présentant différents stades de la maladie.

Résumé Technique : Modélisation de la progression de l'atrophie géographique à l'aide de représentations neuronales implicites

Énoncé du problème
La dégénérescence maculaire liée à l'âge (DMLA) est une cause majeure de cécité, sa phase tardive sèche étant caractérisée par l'atrophie géographique (AG), une perte irréversible de tissu rétinien. Bien que l'imagerie par autofluorescence du fond d'œil (FAF) soit la norme pour surveiller la croissance des lésions d'AG, la nature hautement individualisée de la progression de la maladie rend difficile la modélisation et la prédiction de son évolution, particulièrement dans les contextes de données limitées où les dossiers longitudinaux des patients sont rares. Les approches existantes de l'apprentissage profond peinent souvent à capturer des trajectoires continues et spécifiques à chaque patient ou nécessitent de vastes quantités de données pour se généraliser.

Méthodologie
Les auteurs proposent un cadre utilisant les représentations neuronales implicites (INR) pour modéliser la progression de l'AG comme une fonction continue et spécifique au sujet. L'architecture centrale est un auto-décodeur constitué d'un perceptron multicouche (MLP) avec des fonctions d'activation SIREN.

Architecture et conditionnement : Le modèle est divisé en deux têtes : une tête de reconstruction ( $f^{faf}_\theta$ ) pour générer les intensités de pixels de l'image FAF et une tête de segmentation ( $f^{seg}_\theta$ ) pour prédire les masques de lésion d'AG. Les deux têtes partagent le même MLP jusqu'à la couche pénultième.
Représentation latente : Pour capturer les caractéristiques individuelles de l'œil, un vecteur latent spatial 3D unique ( $z_i$ ) est assigné à chaque œil. Ce vecteur est partagé entre tous les points temporels pour cet œil spécifique, forçant le modèle à apprendre les caractilles anatomiques propres à l'œil plutôt que des artefacts propres à chaque visite.
Modulation et dynamique temporelle : Le réseau est conditionné via des couches de modulation (FiLM). Le vecteur latent est concaténé avec des variables temporelles (semaines écoulées depuis la référence) et des variables cliniques (âge du patient lors de la visite). Ces entrées combinées sont projetées linéairement vers des paramètres d'échelle et de décalage pour chaque couche. Notamment, le paramètre de décalage est utilisé pour représenter la dynamique temporelle en tant que signaux de bas niveau.
Entraînement et adaptation au moment du test :
- Entraînement : Le modèle optimise à la fois les paramètres du réseau ( $\theta$ ) et l'ensemble des vecteurs latents spécifiques à l'œil ( $\{z_i\}$ ) en minimisant une fonction de perte conjointe comprenant l'erreur quadratique moyenne (MSE) pour la reconstruction FAF et une combinaison de l'entropie croisée binaire et de la perte DICE pour la segmentation.
- Adaptation au moment du test : Pour les patients précédemment non vus (nouveaux yeux), un nouveau vecteur latent est initialisé de manière aléatoire et optimisé en utilisant les visites disponibles pour ce patient spécifique tout en maintenant les poids du réseau gelés. Cela permet au modèle de s'adapter aux trajectoires de maladies individuelles sans réentraîner l'ensemble du réseau.

Contributions clés

Première application des INR pour l'AG : Ce travail présente la première application des représentations neuronales implicites pour modéliser les trajectoires de lésions individuelles dans l'AG secondaire à la DMLA.
Modélisation conjointe d'image et de segmentation : Le cadre génère simultanément des images FAF et des masques de segmentation d'AG à des points temporels arbitraires (passés, présents et futurs), permettant l'interpolation et l'extrapolation des états de la maladie.
Adaptabilité aux faibles volumes de données : En employant l'adaptation au moment du test des vecteurs latents spécifiques à l'œil, la méthode génère des prédictions précises pour de nouveaux patients en utilisant des données longitudinales limitées (aussi peu qu'une ou deux visites).
Modélisation de trajectoire continue : L'approche traite la progression de la maladie comme un processus continu, permettant la visualisation d'états intermédiaires et d'évolutions futures que les modèles discrets pourraient manquer.

Résultats
La méthode a été évaluée sur le jeu de données OMEGA, comprenant 37 yeux de 30 patients avec jusqu'à quatre visites. Des comparaisons ont été effectuées avec des méthodes d'interpolation classiques, ImageFlowNet, T-UNet et un modèle de diffusion sensible au temps (T-I2SBUNet) à travers trois scénarios : prédiction de paire d'images uniques, extrapolation d'historique complet et reconstruction de visite manquante.

Performance de segmentation : La méthode proposée a obtenu les scores DICE les plus élevés (0,85 pour le Scénario 1, 0,91 pour le Scénario 2) et l'erreur absolue moyenne (MAE) la plus faible pour la surface de la lésion (0,31 mm² et 0,20 mm², respectivement) à travers tous les scénarios. Elle a nettement surpassé les autres modèles d'apprentissage profond pour capturer la forme et la localisation de la lésion.
Reconstruction d'image : Le modèle a obtenu des scores PSNR et SSIM compétitifs pour la reconstruction FAF. Cependant, les auteurs notent que dans certains cas, la simple copie de la dernière image de vérité terrain disponible a donné les meilleures métriques de reconstruction, probablement en raison des intervalles de suivi courts (environ 12 semaines) dans le jeu de données.
Analyse qualitative : L'inspection visuelle a confirmé que le modèle génère des trajectoires de croissance de lésions réalistes qui s'alignent avec les mesures de vérité terrain, alors que certaines méthodes concurrentes produisent des scores MAE faibles mais présentent des décalages visuels au niveau des régions atrophiées.

Signification et affirmations
L'article affirme démontrer l'utilité des vecteurs latents spatiaux pour apprendre les structures anatomiques individuelles et injecter des informations temporelles via des couches de modulation. Les auteurs positionnent ce travail comme un outil pour aider les cliniciens à visualiser l'évolution attendue de la maladie et à communiquer les bénéfices potentiels du traitement aux patients.

Les auteurs restent modestes quant aux limites actuelles, reconnaissant que la reconstruction des détails à haute fréquence dans les images FAF lors de l'extrapolation reste un défi. Ils soulignent que bien que le modèle soit performant pour la segmentation et l'estimation de la surface, la qualité de l'image dans les scénarios d'extrapolation nécessite des études plus approfondies. L'article conclut que les travaux futurs devraient se concentrer sur des cohortes plus larges, différents stades de la DMLA et l'intégration de modalités supplémentaires (ex. OCT) pour améliorer l'interprétabilité clinique et la prédiction des risques.

Articles similaires