Séminaire du 29/11/2016, 10h30

mardi 29 novembre 2016, 10h30

Analyse et compréhension de l'image en vue d'interprétation et de diagnostic en imagerie médicale

Conférencier : Dorra Sellami Masmoudi (ENI Sfax)

L'analyse et l'interprétation de l'image médicale est une étape cruciale dans le diagnostic et le suivi des maladies. L'expansion des modalités d'image et l'avancée technologique ont fait que l'information disponible pour analyser est assez riche et peut aboutir à une précision acceptable dans l'analyse. Cela invité aussi à appliquer plusieurs techniques à différents niveaux hiérarchiques de la compréhension :

• analyse de caractéristiques niveau bas associées à la couleur, texture.
• représenter l'information dans une échelle plus adéquate pour l'analyse, telle que les transformations multirésolution, les transformations de Radon, la modélisation possibiliste de l'information ambiguë et incertaine, convolution avec des masques de Haar.
• caractériser les structures dans l'image (anomalies) et caractériser ces structures en forme et en texture : il s'agit d'un apprentissage profond des structures. Cela met souvent en oeuvre une étape de fusion de données entre modalités ou entre attributs de bas niveau.
• élaboration des règles de l'expertise: un expert applique un ensemble de règles qui sont souvent bien formulés de façon non subjective. L'application de ces règles mènent au bon diagnostic. D'un domaine à un autre, nous distinguons des règles différentes sous différentes nomenclatures et parfois pour un seul domaine, un enchaînement de règles utilisées par les experts est observé au cours des années. Nous pouvons citer à titre d'exemple la classification de Legal et la classification de BiRADS pour la diagnostic du cancer de sein, et les règles ABCD et les règles seven points checklist pour les mélanomes. Ces règles sont souvent sujets de modélisation afin de les traduire en caractéristiques mesurables.
• prise de décision: cette étape est la plus importante du fait qu'elle doit appliquer une multitude de règles. C'est le niveau hiérarchique le plus haut où une simplification des données par la sélection des attributs les plus pertinents et une fusion multicouche s'imposent. Les méthodes de classification intelligentes à apprentissage profond sont assez recommandées car confuses par leur pouvoir d'approximations assez puissant notamment celles basées sur les réseaux neuroflous. Les réseaux neuroflous sont connus en plus de leur pouvoir d'approximation important, par leur capacité à modéliser les données ambiguës et incertaines.

Les applications qui ont été abordées dans l'équipe sont le diagnostic du cancer de sein de façon très avancée et le diagnostic des mélanomes. Un projet national de mise en partage d'une plateforme pour le diagnostic du cancer de sein est en cours et il est géré par l'équipe, afin de faire un point de collaboration via cloud entre médecins, radiologues et traiteurs d'images. Une base de données à été développée dans l'équipe en collaboration avec un centre de radiologie et a la particularité d'être confirmée par biopsie. Actuellement, nous développons un formalisme pour l'analyse sémantique car ce cadre d'analyse se prête bien au domaine de diagnostic médical et offre un cadre de modélisation de l'expertise humaine qui est la plus fidèle possible.