SYN-OCT : un jeu de données synthétique d’images en tomographie par cohérence optique oculaire provenant d’yeux sains et glaucomateux

Pourquoi des scans oculaires factices comptent pour de vrais patients

Le glaucome est une cause majeure de cécité, et les cliniques ophtalmologiques modernes s’appuient sur des scans détaillés de l’arrière de l’œil pour le détecter tôt. Mais développer des programmes informatiques intelligents capables de lire ces scans exige d’énormes quantités de données patients, difficiles à partager en raison des règles de confidentialité. Cet article présente SYN-OCT, une vaste collection d’images oculaires entièrement synthétiques qui ressemblent et se comportent comme de vraies images, offrant aux chercheurs un nouveau moyen de concevoir et tester des algorithmes de détection du glaucome sans exposer les informations médicales personnelles de quiconque.

Voir l’œil en coupe

Le travail porte sur un examen d’imagerie oculaire courant : la tomographie par cohérence optique (OCT), qui capture des « tranches » en section de la rétine. Les auteurs se sont concentrés sur des scans circumpapillaires, de fines anneaux effectués autour du nerf optique où l’on mesure la couche des fibres nerveuses rétiniennes (RNFL). Cette couche est essentielle car elle s’amincit lorsque le glaucome endommage le nerf optique. Dans la pratique quotidienne, les médecins comparent les profils de RNFL issus de ces scans entre patients sains et patients glaucomateux pour aider au diagnostic de la maladie et au suivi de sa progression.

Créer des images réalistes à partir de rien

Pour constituer leur jeu de données synthétique, l’équipe a d’abord rassemblé des scans OCT réels de près de deux mille yeux vus à la Singapore Eye Research Institute entre 2012 et 2021. Un groupe comprenait des personnes avec un glaucome cliniquement confirmé ; l’autre regroupait des adultes sans maladie oculaire majeure. Au lieu de partager ces images réelles, les chercheurs ont entraîné deux systèmes de génération d’images distincts — un pour les yeux sains et un pour les yeux glaucomateux — en utilisant une technique appelée réseau antagoniste génératif (GAN). Dans ce dispositif, un réseau tente de créer des images réalistes pendant qu’un autre essaie de distinguer le faux du vrai, poussant les deux à s’améliorer jusqu’à ce que les images générées ressemblent étroitement aux scans OCT authentiques.

Vérifier que les faux se comportent comme le réel

Créer des images convaincantes ne suffit pas ; elles doivent aussi porter la même signification médicale que les scans réels. Les auteurs ont d’abord utilisé un score de qualité d’image standard pour confirmer que les scans synthétiques étaient proches des originaux sur le plan visuel, puis ont demandé à des ophtalmologistes expérimentés d’examiner un échantillon. Les spécialistes n’ont pu distinguer le réel du synthétique qu’un peu mieux que le hasard, montrant que les faux étaient visuellement très convaincants. Pour aller plus loin, l’équipe a fait passer toutes les images — réelles et synthétiques — dans un outil automatisé mesurant l’épaisseur de la RNFL autour du nerf optique. Les profils globaux et les valeurs moyennes d’épaisseur des scans synthétiques correspondaient à ceux des scans réels, et ils conservaient un marqueur médical clé : les images glaucomateuses montraient systématiquement des couches nerveuses plus fines que les images de sujets sains.

Mettre les données synthétiques à l’épreuve

Le test le plus exigeant était de savoir si ces scans artificiels pouvaient remplacer des données patients réelles pour l’entraînement d’outils diagnostiques. Les chercheurs ont entraîné un modèle d’apprentissage profond pour distinguer glaucome et yeux sains en n’utilisant que des images réelles, et un autre en n’utilisant que des images synthétiques. Les deux ont ensuite été évalués sur des données inédites provenant de patients locaux et d’un hôpital indépendant en Roumanie. Le modèle entraîné uniquement sur des scans synthétiques a obtenu des performances au moins équivalentes à celles du modèle entraîné sur des données réelles, et dans certains cas légèrement supérieures, suggérant que des images synthétiques de haute qualité peuvent contribuer à construire des outils robustes qui se généralisent à différents contextes cliniques.

Un raccourci sûr vers des soins oculaires plus intelligents

Pour un lecteur non spécialiste, le message principal est que SYN-OCT offre un moyen de « emprunter » la puissance des grands jeux de données médicaux sans emprunter les détails privés des personnes réelles. En montrant que des scans oculaires générés par ordinateur peuvent imiter à la fois l’apparence et les mesures médicalement importantes des images authentiques — et qu’ils peuvent former avec succès des systèmes de détection du glaucome — ce travail ouvre la voie à un avenir où hôpitaux et laboratoires peuvent partager librement des ressources d’images riches. Cela pourrait accélérer le développement d’outils meilleurs, plus équitables et plus largement testés pour détecter le glaucome avant qu’il ne prive de la vue, tout en protégeant la vie privée des patients.

Citation: Wong, D., Sreejith Kumar, A.J., Chong, R.S. et al. SYN-OCT:A synthetic dataset of ocular optical coherence tomography images from healthy and glaucoma eyes. Sci Data 13, 637 (2026). https://doi.org/10.1038/s41597-026-06946-5

Mots-clés: glaucome, données médicales synthétiques, tomographie par cohérence optique, apprentissage profond en ophtalmologie, confidentialité des images médicales