👁️ ophthalmology

Performance of Frangi-Hessian Pseudo-Labels for Retinal Vessel Segmentation in AI-Assisted Retinopathy of Prematurity Screening

Cette étude démontre qu'un paradigme d'entraînement hybride combinant une vérité terrain limitée avec des pseudo-étiquettes générées par l'algorithme de Frangi-Hessian améliore significativement la précision et la continuité de la segmentation des vaisseaux rétiniens pour le dépistage de la rétinopathie de la prématurité assisté par l'IA, surpassant à la fois les approches purement supervisées et auto-supervisées à travers de multiples architectures d'apprentissage profond.

Auteurs originaux : Mutisya, F., Onyango, O., Sitati, S., Ilovi, S., W'mosi, B., Macharia, P., Makini, B., Aluuvala, J., Onyango, J., Wanyee, S.

Publié 2026-02-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mutisya, F., Onyango, O., Sitati, S., Ilovi, S., W'mosi, B., Macharia, P., Makini, B., Aluuvala, J., Onyango, J., Wanyee, S.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Le Gros Problème : Trop d'Yeux, Pas Assez d'Aides

Imaginez que vous essayez d'apprendre à un robot à repérer les minuscules routes sinueuses (les vaisseaux sanguins) à l'intérieur de l'œil d'un bébé. C'est crucial pour détecter une pathologie appelée la rétinopathie de la prématurité (ROP), qui peut causer la cécité si elle n'est pas détectée tôt.

Pour enseigner au robot, vous avez généralement besoin d'un « professeur » (un expert humain) pour dessiner une carte parfaite de chaque route sur des milliers de photos. Mais voici le hic : dessiner ces cartes à la main, c'est comme essayer de peindre la carte détaillée d'une ville tout en courant un marathon. Cela prend un temps infini, c'est épuisant, et différents experts pourraient dessiner les routes légèrement différemment. Dans beaucoup d'endroits, il n'y a tout simplement pas assez d'experts pour dessiner suffisamment de cartes pour enseigner correctement au robot.

La Solution : Un Assistant de « Croquis Intelligent »

Les chercheurs se sont demandé : Et si nous pouvions utiliser un programme informatique pour dessiner automatiquement un « croquis grossier » des routes, puis utiliser ce croquis pour aider à enseigner au robot, même si le croquis n'est pas parfait ?

Ils ont construit un systant de formation en trois étapes pour résoudre ce problème :

Le Générateur de « Croquis Intelligent » (Auto-supervisé) :
Ils ont utilisé un outil mathématique classique (appelé filtrage Frangi–Hessian) qui agit comme un surligneur de haute technologie. Il scanne les photos de l'œil et met automatiquement en évidence les structures tubulaires et brillantes (les vaisseaux sanguins).
- Le Hic : Ce « surligneur » est bon pour trouver les routes principales, mais il manque les petites rues latérales et ne colorie pas parfaitement toute la largeur de la route. C'est comme un croquis qui montre la forme de la route, mais qui est un peu fin et manque de détails.
L'« Expert Professeur » (Vérité de Terrain) :
Ils possédaient également un petit nombre de photos où des experts humains avaient dessiné les cartes parfaites et détaillées.
La « Classe Hybride » (Le Mélange Magique) :
Au lieu d'enseigner au robot uniquement avec les cartes parfaites des experts (qui sont rares) ou uniquement avec les croquis grossiers (qui sont imparfaits), ils les ont mélangés. Ils ont enseigné au robot en utilisant à la fois les cartes d'experts et les croquis générés par ordinateur en même temps.

Ce Qu'Ils Ont Testé

Ils ont testé cinq types différents de « robots » (modèles d'IA) en utilisant trois méthodes différentes :

Méthode A : Uniquement les Cartes d'Experts.
Méthode B : Uniquement les Croquis Informatiques.
Méthode C (La Gagnante) : Un mélange des deux.

Les Résultats : La « Classe Hybride » Gagne

Voici ce qui s'est passé lorsqu'ils ont testé les robots :

Le Robot « Uniquement Croquis » : Il a très peu appris. Les croquis grossiers étaient trop désordonnés et imprécis pour apprendre au robot à bien faire son travail par lui-même. C'était comme essayer d'apprendre à conduire en regardant seulement une photo floue d'une route.
Le Robot « Uniquement Expert » : Il s'en est bien débrouillé, mais parce qu'il n'avait vu que quelques exemples parfaits, il avait du mal à reconnaître les routes dans de nouvelles situations délicates.
Le Robot « Hybride » : C'était la star du spectacle. En voyant les cartes parfaites et les croquis grossiers, il a appris le meilleur des deux mondes.
- Il a appris la précision grâce aux experts humains (savoir exactement où se trouvent les bords de la route).
- Il a appris la structure grâce aux croquis informatiques (comprendre comment tout le réseau de routes se connecte).

Le Résultat : Les robots hybrides étaient nettement meilleurs pour trouver les vaisseaux. Un modèle spécifique (SegFormer) est devenu le meilleur pour repérer les vaisseaux, et un autre (BioSwinFuseNet) a amélioré ses performances de plus du double par rapport à lorsqu'il n'utilisait que les cartes d'experts.

À Quoi Ressemblait Réellement le « Croquis Grossier »

Les chercheurs ont comparé les croquis générés par ordinateur aux cartes humaines et ont trouvé des différences intéressantes :

Routes plus fines : Les croquis informatiques dessinaient les routes beaucoup plus finement que les humains (comme dessiner un trait de crayon plutôt qu'une ligne épaisse au marqueur).
Virages plus lisses : L'ordinateur a lissé les courbes, rendant les routes moins sinueuses qu'elles ne le sont réellement.
Manque de petites rues : Il a manqué les plus petits capillaires.

Cependant, malgré ces défauts, les croquis étaient suffisants pour montrer la vue d'ensemble de la façon dont les routes se connectaient. En les mélangeant avec les cartes d'experts, ces « brouillons » ont aidé l'IA à mieux comprendre l'agencement global du système vasculaire de l'œil qu'elle ne pouvait le faire seule.

L'Essentiel à Retenir

La conclusion de l'article est que vous n'avez pas besoin de milliers de dessins humains parfaits pour construire une excellente IA pour le dépistage oculaire. Vous pouvez utiliser quelques dessins parfaits et les combiner avec des milliers de « croquis grossiers » générés par un ordinateur.

Cette approche « Hybride » est comparable à un maître artiste (l'humain) guidant un étudiant, tandis que l'étudiant s'entraîne aussi avec un outil de dessin automatisé très utile. Le résultat est un étudiant qui apprend plus vite et devient plus compétent, offrant une manière pratique de construire de meilleurs outils de dépistage là où les médecins experts sont rares.

Résumé technique : Performance des pseudo-étiquettes Frangi–Hessian pour la segmentation des vaisseaux rétiniens dans le dépistage de la rétinopathie de la prématurité assisté par IA

Énoncé du problème
La rétinopathie de la prématurité (ROP) est une cause majeure de cécité évitable, particulièrement dans les contextes à faibles ressources où les ressources de dépistage sont limitées. Le diagnostic précis repose sur l'évaluation de la dilatation vasculaire et de la tortuosité (« Plus disease »), ce qui nécessite une segmentation précise des vaisseaux rétiniens. Cependant, le développement d'outils de dépistage pilotés par l'IA est entravé par le « goulot d'étranglement de l'étiquetage » : l'annotation manuelle des masques de vaisseaux rétiniens est laborieuse, sujette à la variabilité inter-observateur et difficile à mettre à l'échelle pour de grands ensembles de données. Bien que les modèles d'apprentissage supervisé soient performants avec des données étiquetées abondantes, la rareté des images vasculaires néonatales annotées par des experts nécessite des stratégies alternatives plus économes en étiquettes.

Méthodologie
L'étude propose un cadre d'apprentissage hybride qui intègre le traitement d'images classique au deep learning moderne pour répondre à la rareté des annotations de vérité terrain (GT). La méthodologie se compose de trois composantes principales :

Pipeline d'auto-annotation automatique :
Un pipeline en neuf étapes génère des pseudo-masques de vaisseaux pour les images non étiquetées à l'aide d'une approche duale Frangi–Hessian. Le processus comprend :
- Prétraitement : Extraction du canal vert (contraste vasculaire maximal), redimensionnement à 512×512, débruitage de préservation des contours (filtre bilatéral) et amélioration du contraste local (CLAHE).
- Normalisation et accentuation : Soustraction de l'arrière-plan par méthode de la « rolling-ball » pour corriger l'illumination et accentuation par masque non flou (unsharp masking) pour accentuer les crêtes vasculaires.
- Amélioration de la vascularité : Application de filtres de Frangi et de Hessian basés sur les valeurs propres de la matrice de Hessian pour quantifier la probabilité de structures tubulaires.
- Raffinement : Seuillage adaptatif, opérations morphologiques pour éliminer les artefacts, et squelettisation pour générer des masques binaires représentant à la fois les lumens vasculaires et les lignes médianes.
Architectures de modèles :
Cinq architectures de segmentation distinctes ont été évaluées : BioSwinFuseNet (une fusion personnalisée SwinV2-ConvNeXt), UNet, Feature Pyramid Network (FPN), LinkNet et SegFormer (un encodeur basé sur les transformers).
Régimes d'entraînement :
Chaque architecture a été entraînée sous trois conditions de supervision distinctes :
- GT-only (Uniquement GT) : Entraîné exclusivement sur des masques annotés par des experts.
- Self-only (Uniquement auto) : Entraîné exclusivement sur les pseudo-masques générés.
- Hybrid (Hybride) : Entraîné sur une combinaison de GT et de pseudo-masques en utilisant une fonction de perte pondérée ( $L = 0,7L_{GT} + 0,3L_{Self}$ ).
  Tous les modèles ont utilisé une perte sensible à la topologie combinant l'entropie croisée binaire, la perte de Dice et des pénalités de continuité.

Résultats clés

Caractéristiques des pseudo-étiquettes : Les masques auto-générés présentaient des différences systématiques par rapport à la vérité terrain (GT) de l'expert. Ils montraient une fraction vasculaire plus faible (0,021 contre 0,082) et des diamètres de vaisseaux moyens significativement plus fins (2,01 px contre 7,47 px), indiquant qu'ils capturaient le cœur du vaisseau plutôt que ses limites complètes. Cependant, ils préservaient les caractéristiques topologiques globales, la densité de branchement et la dimension fractale restant comparables à la GT.
Performance des régimes d'entraînement :
- Les modèles Self-only ont été peu performants (Dice ≈ 0,005), confirmant que les pseudo-masques seuls manquent de la précision requise pour un déploiement clinique.
- Les modèles Hybrid ont systématiquement surpassé les approches GT-only et Self-only sur toutes les architectures.
- Meilleurs performeurs : Le modèle SegFormer-Hybrid a atteint la sensibilité globale la plus élevée (0,70) et l'AUC la plus élevée (0,94). Le modèle BioSwinFuseNet-Hybrid a démontré l'amélioration relative la plus significative, affichant une augmentation de 122 % du score Dice par rapport à son homologue GT-only.
- Stabilité : L'FPN-Hybrid a présenté la variance la plus faible, tandis que l'UNet-Hybrid a maintenu une forte généralisation avec une spécificité élevée (0,97).

Signification et revendications
L'article affirme que le paradigme hybride offre une solution évolutive pour le développement d'outils de dépistage de la ROP automatisés dans des environnements où l'étiquetage par des experts est limité. En intéissant les priors topologiques dérivés des filtres classiques de Frangi–Hessian à la puissance de représentation des réseaux de neurones profonds, l'étude démontre que les masques auto-annotés peuvent enrichir de manière significative l'apprentissage supervisé.

Les auteurs concluent que bien que les pseudo-étiquettes soient imparfaites (sous-segmentant les petits vaisseaux et lissant la courbure), elles fournissent suffisamment d'informations structurelles pour amorcer l'apprentissage. Cette approche permet aux modèles d'apprendre des motifs vasculaires généralisés sans dépendre uniquement d'annotations d'experts, rares et coûteuses. L'étude positionne ce cadre hybride comme une voie pratique pour l'extension de l'échelle du dépistage de la ROP assisté par l'IA, particulièrement dans les contextes cliniques à faibles ressources, sans inventer de nouvelles applications au-delà du champ de la segmentation vasculaire et de la détection de la « Plus disease ».