SwinCup-DiscNet : un cadre transformeur fusionnel pour le diagnostic du glaucome utilisant les caractéristiques de la papille optique et de la cupule

Pourquoi cela compte pour sauver la vue

Le glaucome est l’une des principales causes mondiales de cécité irréversible, mais il progresse souvent en silence, sans douleur ni signes précoces. Les ophtalmologistes peuvent repérer des changements subtils à l’arrière de l’œil avant que la vision ne soit perdue, mais examiner manuellement chaque patient est lent et parfois sujet à variabilité. Cet article présente SwinCup-DiscNet, un nouveau système d’intelligence artificielle (IA) qui analyse des photographies rétiniennes pour détecter précocement le glaucome, en combinant des indices cliniques classiques et l’apprentissage profond moderne.

Regarder le nerf à l’intérieur de l’œil

Pour comprendre ce que fait le système, il est utile de savoir comment le glaucome est habituellement détecté. Les spécialistes examinent la tête du nerf optique, l’endroit où le nerf qui transmet l’information visuelle quitte l’œil. Au centre de cette « papille » se trouve une dépression plus claire appelée « cupule ». À mesure que le glaucome progresse, la cupule a tendance à s’approfondir et à s’élargir, creusant la couronne de tissu nerveux environnant. Un indicateur clé est le rapport cupule/papille, qui compare la taille de la cupule à celle de la papille. Un ratio plus élevé signale souvent des dommages. Mesurer ce ratio manuellement sur des milliers de photographies rétiniennes est fastidieux, et des experts peuvent parfois diverger. SwinCup-DiscNet automatise à la fois la mesure de ce ratio et le jugement global sur la probabilité qu’un œil soit atteint de glaucome.

Une IA à deux voies qui voit le détail et la vue d’ensemble

Le système suit deux voies parallèles lorsqu’il reçoit une image du fond d’œil. D’abord, une branche de segmentation isole la papille optique et la cupule centrale. Elle utilise un réseau spécialisé connu sous le nom d’Attention U-Net, qui apprend à mettre en évidence les structures importantes et à ignorer les éléments perturbateurs comme les vaisseaux sanguins et les artefacts d’éclairage. Une fois les contours de la cupule et de la papille identifiés, le système les lisse et ajuste des formes ovales propres, puis mesure leurs dimensions verticales pour calculer le ratio vertical cupule/papille — un marqueur cliniquement reconnu du glaucome.

Apprendre des motifs au-delà de ce que l’œil peut mesurer

Dans la deuxième voie, une branche basée sur un transformeur analyse l’image entière sans se focaliser sur un seul nombre. Cette branche utilise un Swin Transformer, un modèle d’apprentissage profond moderne qui divise l’image en petits patchs et analyse leurs relations à travers toute la rétine. Ce faisant, il capte des motifs subtils de texture, de couleur et de structure autour du nerf optique et des régions voisines qui peuvent être liés au glaucome mais difficiles à quantifier pour un humain. Depuis cette vue globale, le modèle produit une probabilité que l’image provienne d’une personne atteinte de glaucome.

Allier indices fiables et intuition de l’IA

Le cœur de SwinCup-DiscNet réside dans la façon dont il fusionne ces deux sources de preuve. Plutôt que de se fier uniquement au ratio cupule/papille ou uniquement à la probabilité du transformeur, le système les combine selon une règle pondérée. Le ratio cupule/papille est normalisé en fonction de son comportement dans les données d’entraînement, puis fusionné avec la probabilité de glaucome apprise par le modèle pour produire un score unique. Si ce score fusionné dépasse un seuil, l’œil est classé comme glaucomateux ; sinon, il est étiqueté normal. Cette conception ancre la décision dans une mesure clinique familière tout en tirant parti des motifs plus riches détectés par l’IA. Le système superpose également les contours ajustés de la papille et de la cupule sur l’image d’origine, offrant aux médecins une visualisation claire de la région qui a motivé la décision.

Mettre la méthode à l’épreuve

Les auteurs ont évalué SwinCup-DiscNet sur trois jeux de données publics largement utilisés d’images rétiniennes : LAG, ACRIMA et DRISHTI-GS. Ces collections diffèrent par le type d’appareil, la qualité d’image et la composition des patients, ce qui en fait un banc d’essai exigeant. Sur l’ensemble de ces jeux, le nouveau système a égalé ou surpassé les réseaux convolutionnels traditionnels et les méthodes ne faisant que la segmentation de la cupule et de la papille. Il a obtenu une qualité de segmentation très élevée, une faible erreur dans l’estimation du ratio cupule/papille et des précisions de classification proches ou supérieures à 99 %, avec des courbes de performance solides indiquant qu’il confond rarement yeux sains et malades. Une analyse des erreurs a montré que la plupart des faux positifs restants concernaient des cas limites où la cupule était naturellement grande mais pas réellement pathologique, un compromis souvent acceptable en dépistage.

Ce que cela signifie pour le dépistage oculaire futur

En termes simples, SwinCup-DiscNet montre que l’IA peut à la fois « penser comme un médecin » en utilisant des marqueurs établis tels que le ratio cupule/papille et « voir au-delà de l’évident » en apprenant des motifs complexes dans les images rétiniennes. En combinant ces forces, le système offre un dépistage du glaucome plus précis et plus interprétable que de nombreuses approches existantes. Avec des tests supplémentaires sur des données hospitalières du monde réel et d’éventuelles extensions pour graduer la sévérité de la maladie, ce type d’IA hybride pourrait devenir un assistant pratique dans les cliniques ophtalmologiques, aidant à détecter le glaucome plus tôt et à prévenir des cécités évitables.

Citation: Chilukuri, R., Praveen, P., Gatla, R.K. et al. SwinCup-DiscNet: A fusion transformer framework for glaucoma diagnosis using optic disc and cup features. Sci Rep 16, 7920 (2026). https://doi.org/10.1038/s41598-026-39065-7

Mots-clés: glaucome, imagerie rétinienne, apprentissage profond, nerf optique, dépistage médical