Révolutionner la restauration de la vision grâce à l’IA

L’apprentissage automatique fait progresser considérablement les prothèses neurales en optimisant le sous-échantillonnage des images, en reproduisant fidèlement les réponses rétiniennes naturelles et en ouvrant de nouvelles voies pour le codage sensoriel dans les prothèses.  

D’après Issues.fr , des chercheurs de l’EPFL ont développé un apprentissage automatique pour compresser les données d’image avec une plus grande précision que les méthodes de calcul sans apprentissage, avec des applications pour les implants rétiniens et autres prothèses sensorielles.

Un défi majeur pour développer de meilleures prothèses neuronales est le codage sensoriel : transformer les informations capturées dans l’environnement par les capteurs en signaux neuronaux pouvant être interprétés par le système nerveux. Mais comme le nombre d’électrodes dans une prothèse est limité, cet apport environnemental doit être réduit d’une manière ou d’une autre, tout en préservant la qualité des données transmises au cerveau.

Avancées dans la compression des données pour les prothèses rétiniennes

Demetri Psaltis (Optics Lab) et Christophe Moser (Laboratory of Applied Photonics Devices) ont collaboré avec Diego Ghezzi de l’Hôpital ophtalmique Jules-Gonin – Fondation Asile des Aveugles (anciennement Chaire Medtronic en neuro-ingénierie à l’EPFL) pour appliquer l’apprentissage automatique au problème de la compression. des données d’image ayant plusieurs dimensions, telles que la couleur, le contraste, etc. Dans leur cas, l’objectif de compression était de sous-échantillonner, ou de réduire le nombre de pixels d’une image à transmettre via une prothèse rétinienne.

« Le sous-échantillonnage des implants rétiniens se fait actuellement par moyenne de pixels, ce que fait essentiellement un logiciel graphique lorsque vous souhaitez réduire la taille d’un fichier. Mais en fin de compte, il s’agit d’un processus mathématique ; il n’y a aucun apprentissage impliqué », explique Ghezzi.

Approche basée sur l’apprentissage du sous-échantillonnage d’images

« Nous avons constaté que si nous appliquions une approche basée sur l’apprentissage, nous obtenions de meilleurs résultats en termes d’encodage sensoriel optimisé. Mais le plus surprenant est que lorsque nous avons utilisé un réseau neuronal sans contrainte, il a appris à imiter seul certains aspects du traitement rétinien.

Plus précisément, l’approche d’apprentissage automatique des chercheurs, appelée cadre acteur-modèle, s’est avérée particulièrement efficace pour trouver un « point idéal » pour le contraste de l’image. Ghezzi utilise Photoshop comme exemple. « Si vous déplacez trop le curseur de contraste dans un sens ou dans l’autre, l’image devient plus difficile à voir. Notre réseau a développé des filtres pour reproduire certaines des caractéristiques du traitement rétinien.

Les résultats ont récemment été publiés dans la revue scientifique Nature CoRévolutionne la restauration de la vision grâce à l’intelligence artificielle et aux communications.

Source   

S’abonner à raël-science  

Page Facebook

Lire aussi :

– Actualités Raël-Science