RVO-ME : un jeu de données OCT à double tâche pour la segmentation et la détection des lésions maculaires dans l’occlusion veineuse rétinienne

Pourquoi cela compte pour la vision

Lorsqu’une veine principale à l’arrière de l’œil se bouche, la vision peut devenir floue ou disparaître, souvent sans avertissement. Les médecins s’appuient désormais sur une technique d’imagerie puissante, la tomographie par cohérence optique (OCT), pour visualiser le gonflement et les lésions de la rétine. Cet article présente une collection d’images soigneusement constituée qui aide les ordinateurs à apprendre à interpréter ces scans, dans le but à long terme d’accélérer et d’affiner le diagnostic et la planification du traitement pour les personnes à risque de perdre la vue.

Une cause fréquente de perte soudaine de la vision

L’occlusion de la veine rétinienne est l’une des principales maladies vasculaires de l’œil, touchant environ 28 millions de personnes dans le monde. Lorsqu’une veine rétinienne est obstruée, du liquide s’infiltre dans la partie centrale de la rétine, la macula, provoquant un œdème maculaire et une vision floue. Les médicaments qui bloquent une molécule de signalisation appelée VEGF ont considérablement amélioré le traitement, mais tous les patients n’y répondent pas bien. Les cliniciens recherchent donc des signes subtils dans les scans OCT pouvant prédire qui bénéficiera le plus et comment la vision évoluera. Jusqu’à présent, les progrès de l’utilisation de l’intelligence artificielle pour interpréter ces images ont été freinés par un problème simple : il n’existait pas suffisamment d’images de haute qualité, annotées par des experts et spécifiquement centrées sur cette maladie.

Constitution d’une bibliothèque d’images détaillée

L’équipe de recherche a créé un nouveau jeu de données appelé RVO‑ME, composé de 3 012 images OCT en coupe de la macula recueillies sur 146 yeux de 130 patients dans un seul hôpital en Chine entre 2019 et 2024. Chaque image a été soumise à un contrôle strict pour exclure les scans de mauvaise qualité ou les yeux présentant d’autres affections rétiniennes graves. Toutes les informations personnelles ont été retirées, et les patients ont signé un consentement écrit pour que leurs images soient utilisées en recherche et dans une ressource de données publique. Les scans couvrent la rétine avant et après traitement, offrant une vue étendue de l’apparence de la maladie et de ses complications dans la pratique clinique courante.

Repérer les indices infimes dans chaque scan

Pour transformer cette bibliothèque d’images en terrain d’entraînement pour les ordinateurs, les auteurs ont dû tracer à la main les signes clés qui comptent le plus pour la vision. Trois ophtalmologistes juniors ont utilisé un logiciel spécialisé pour délimiter les poches de liquide à l’intérieur et sous la rétine, dessiner de fines lignes marquant deux bandes réfléchissantes importantes et placer des points sur de minuscules particules brillantes appelées foyers hyperréflectifs. Ces annotations ont ensuite été vérifiées et corrigées par un spécialiste rétinien senior, qui a noté chaque jeu d’étiquettes et renvoyé les tentatives de moindre qualité pour révision. Avant de lancer l’annotation à grande échelle, l’équipe a mené un exercice de cohérence où les stagiaires ont annoté les mêmes images à des jours différents, confirmant que leurs marquages concordaient largement, surtout pour les zones de liquide les plus importantes. Une formation supplémentaire s’est concentrée sur les bandes plus délicates et filiformes, facilement floutées dans les yeux malades.

Des annotations d’experts aux machines intelligentes

Dans le jeu de données final, chaque image OCT possède une image « masque » correspondante dans laquelle chaque pixel appartient soit à l’arrière‑plan, soit à l’une des quatre structures clés, et chaque minuscule point lumineux est enregistré pour des tâches de détection. Les auteurs ont séparé les images en groupes distincts pour l’entraînement et les tests afin qu’un même patient n’apparaisse jamais dans les deux, empêchant les ordinateurs de simplement mémoriser des yeux individuels. Ils ont ensuite testé plusieurs algorithmes d’analyse d’images populaires sur cette collection. Pour les grandes régions de liquide, les modèles modernes de segmentation ont atteint une précision solide, avec une approche U‑Net++ offrant la meilleure performance globale. Pour les points lumineux ponctuels, une méthode de détection plus complexe en deux étapes (Faster‑RCNN) a largement surpassé un modèle mono‑étape plus rapide, reflétant la difficulté de repérer des caractéristiques minimes dispersées dans des images médicales bruitées.

Comment cette ressource pourrait façonner les soins oculaires futurs

Ce jeu de données ne modifie pas à lui seul la prise en charge des patients et présente des limites : tous les scans proviennent d’un seul type d’appareil OCT et de patients d’un même groupe ethnique. Pourtant il comble une lacune cruciale : jusqu’à présent, il n’existait pas de collection publique OCT maculaire dédiée à l’œdème d’origine veineuse capturant à la fois les poches de liquide, les structures rétiniennes fines et les petits points brillants. En rendant les images, les annotations d’experts et un code d’exemple d’analyse accessible publiquement, les auteurs fournissent un point de référence commun pour les chercheurs du monde entier. De meilleurs algorithmes entraînés sur de telles données pourraient un jour aider les ophtalmologistes à mesurer rapidement la gravité de la maladie, prédire quels patients bénéficieront le plus des injections et suivre la récupération plus précisément, soutenant en fin de compte des soins plus personnalisés et efficaces pour les personnes confrontées à une perte de vision liée à l’occlusion veineuse rétinienne.

Citation: Xiong, F., Li, G., Gao, W. et al. RVO-ME: A Dual-Task OCT Dataset for Segmentation and Detection of Macular Lesions in Retinal Vein Occlusion. Sci Data 13, 349 (2026). https://doi.org/10.1038/s41597-026-06695-5

Mots-clés: occlusion de la veine rétinienne, œdème maculaire, tomographie par cohérence optique, jeu de données d’imagerie médicale, intelligence artificielle en ophtalmologie