An automatic and accurate recognition approach of glaucoma within fundus images based on machine learning and deep Learning.

Abstract

Glaucoma is a progressive neurodegenerative disease and remains one of the leading causes of irreversible, yet largely preventable, blindness worldwide. Vision loss in glaucoma is fre- quently attributed to delayed diagnosis and inadequate therapeutic intervention. Consequently, early screening is crucial for initiating timely treatment, thereby preserving visual function and improving patients’ quality of life. Optical Coherence Tomography (OCT) facilitates the as- sessment of retinal nerve fiber layer (RNFL) thickness by exploiting the optical reflectivity properties of retinal tissues. RNFL thickness, typically measured from volumetric OCT scans acquired in a circular configuration around the optic disc, serves as a key biomarker for the early detection of individuals at risk of developing glaucoma. In this study, we propose a deep learning-based dual-branch glaucoma grading system that integrates fundus images and OCT volumes, mimicking the clinical diagnostic workflow em- ployed by ophthalmologists. deep learning technologies is actually considered as a cutting- edge approach for medical image analysis., offering promising potential for automated disease diagnosis. The proposed system comprises four interdependent stages. First, fundus images are segmented using the SegFormer model to efficiently delineate key anatomical structures, including blood vessels, the optic disc, and the optic cup. Second, Optical Coherence Tomogra- phy (OCT) images are processed using Gabor filters to extract texture features across multiple orientations, thereby capturing the intrinsic textural characteristics of the retinal layers. Third, clinically significant features such as vessel thickness and the cup-to-disc ratio (CDR) are com- puted. Finally, these extracted features are input into a classification module based on the SAINT model, which leverages attention mechanisms to produce diagnostic labels aligned with clinical standards, categorizing cases as normal, early-stage, or progressive glaucoma. Experimental results demonstrated that the model achieved high classification accuracy of 94.27%, effectively distinguishing between different stages of glaucoma. These findings under- score the potential of the system to assist clinicians in making timely and informed decisions, particularly in the early detection and management of glaucoma. Le glaucome est une maladie neurodégénérative progressive et demeure l’une des principales causes de cécité irréversible, mais largement évitable, dans le monde. La perte de vision dans le glaucome est souvent attribuée à un diagnostic tardif et à une intervention thérapeutique in- adéquate. Par conséquent, le dépistage précoce est crucial pour initier un traitement en temps opportun, préservant ainsi la fonction visuelle et améliorant la qualité de vie des patients. La Tomographie par Cohérence Optique (OCT) facilite l’évaluation de l’épaisseur de la couche des fibres nerveuses rétiniennes (RNFL) en exploitant les propriétés de réflectivité optique des tissus rétiniens. L’épaisseur de la couche des fibres nerveuses de la rétine (RNFL), générale- ment mesurée à partir de scans OCT volumétriques acquis en configuration circulaire autour du disque optique, sert de biomarqueur clé pour la détection précoce des individus à risque de developer un glaucome. Dans cette étude, nous proposons un système de classification du glaucome à double branche basé sur l’apprentissage profond qui intègre des images du fond d’œil et des volumes OCT, imitant le flux de travail diagnostique clinique utilisé par les ophtalmologistes. les technolo- gies d’apprentissage profond sont en réalité considérées comme une approche de pointe pour l’analyse des images médicales, offrant un potentiel prometteur pour le diagnostic automatisé des maladies. Le système proposé comprend quatre étapes interdépendantes. Tout d’abord, les images du fond d’œil sont segmentées à l’aide du modèle SegFormer pour délimiter efficace- ment les structures anatomiques clés, y compris les vaisseaux sanguins, le disque optique et la cupule optique. Deuxièmement, les images de Tomographie par Cohérence Optique (OCT) sont traitées à l’aide de filtres de Gabor pour extraire des caractéristiques texturales dans plusieurs orientations, capturant ainsi les caractéristiques texturales intrinsèques des couches rétiniennes. Troisièmement, des caractéristiques cliniquement significatives telles que l’épaisseur des vais- seaux et le rapport cup-to-disc (CDR) sont calculées. Enfin, ces caractéristiques extraites sont introduites dans un module de classification basé sur le modèle SAINT, qui utilise des mécan- ismes d’attention pour produire des étiquettes diagnostiques conformes aux normes cliniques, catégorisant les cas en glaucome normal, précoce ou progressif. Les résultats expérimentaux ont démontré que le modèle a atteint une grande précision de classification de 94.27% , distinguant efficacement les différents stades du glaucome. Ces résul- tats soulignent le potentiel du système à aider les cliniciens à prendre des décisions éclairées et opportunes, en particulier dans la détection précoce et la gestion du glaucome.