Exploring Self-Supervised Learning for the Classification of Ophthalmic Diseases from Retinal Images

Abstract

L’apprentissage auto-supervisé est récemment apparu comme une approche prometteuse pour l’apprentissage de représentations d’images rétiniennes, en exploitant de grandes quantités de données non annotées. Parmi ces méth odes, les Masked Autoencoders (MAE) ont montré de bonnes performances en apprenant à reconstruire des régions masquées de l’image. Cependant, les MAE classiques se concentrent principalement sur la reconstruction dans le do maine spatial et n’encouragent pas explicitement la préservation des informa tions fréquentielles, qui peuvent contenir des structures rétiniennes importantes ainsi que des motifs pathologiques. Ce travail propose un Masked Autoencoder à régularisation fréquen tielle (FR-MAE) pour l’apprentissage de représentations d’images rétiniennes. L’approche étend le cadre standard du MAE en introduisant un terme de régu larisation dans le domaine fréquentiel basé sur la transformée de Fourier des im ages reconstruites. L’objectif est d’encourager la préservation des informations de haute fréquence lors du pré-entraînement auto-supervisé et d’améliorer la transférabilité des représentations apprises. La méthode proposée a été pré-entraînée sur environ 90 000 images ré- tiniennes non annotées, puis affinée pour les tâches de classification de la rétinopathie diabétique et du glaucome. L’évaluation expérimentale a été réal isée avec dix graines (seeds) de fine-tuning et comprend à la fois des datasets de test internes et des expériences de généralisation cross-dataset. Les résul tats montrent que la régularisation dans le domaine fréquentiel améliore de manière constante les performances en classification en aval par rapport au MAE de référence. En particulier, l’approche proposée atteint une meilleure généralisation cross-dataset pour les deux tâches et réduit significativement l’écart de performance avec RETFound, malgré l’utilisation d’un ensemble de pré-entraînement considérablement plus réduit. Ces résultats indiquent que la régularisation dans le domaine fréquentiel con stitue un signal d’apprentissage complémentaire efficace pour l’apprentissage auto-supervisé de représentations rétiniennes et peut améliorer la transférabil ité et la capacité de généralisation des représentations d’images rétiniennes.