Séminaire I&M, par Jilliana Monnier

Jilliana Monnier

Titre : Détection automatisée du mélanome fondée sur l’analyse cognitive globale du dermatologue et comparaison aux approches neuronales

Résumé :

Parmi les systèmes de Diagnostic Assisté par Ordinateur (DAO) appliqués à la détection du mélanome, les approches neuronales ont montré des performances élevées à partir d’images dermoscopiques. Cependant, les conditions expérimentales de ces études sont loin de la pratique clinique et des erreurs surviennent parfois évidentes pour un clinicien, mais l’absence d’explicabilité des mécanismes d’apprentissage et de classification, rendent l’interprétation de ces erreurs difficile. À l’opposé, les approches classiques de DAO nécessitent plusieurs étapes pour leur développement et le développeur peut s’inspirer des concepts dermatologiques pour l’extraction des descripteurs qui implémenteront le modèle. Toutefois, la majorité ont été développés à partir d’une combinaison de critère notamment ABCDE (A : asymétrie, B : bords irréguliers, C : couleur inhomogène, D : diamètre supérieur à 6 mm et E : évolution), alors que les dermatologues lors de l’examen clinique d’une lésion pigmentée n’utilisent pas une combinaison de critère mais utilisent en réalité inconsciemment une analyse cognitive plus globale. En effet, ils distinguent vraisemblablement les mélanomes via des concepts qu’ils perçoivent comme le désordre, le chaos ou l’asymétrie globale de la lésion. A notre connaissance ces concepts n’ont pas été intégrées à des systèmes de DAO. Notre objectif était de développer à partir des approches classiques des modèles intégrant des concepts inspirés de l’analyse cognitive globale, de comparer leurs performances aux approches neuronales, et enfin d’analyser si la fusion des deux approches permettait d’améliorer les performances des approches neuronales et ainsi d’éviter des erreurs évidentes. Pour ce faire, nous avons utilisé la base de données (BDD) publiques de l’International Skin Imaging Collaboration (ISIC) d’images dermoscopiques de 2019, après l’avoir améliorée et standardisée en limitant les biais à l’aide d’outils de traitement d’images. Nous avons obtenu ainsi une BDD contenant 1533 mélanomes et 6124 nævus. Nous avons fait l’hypothèse que le diagnostic clinique du mélanome par un dermatologue repose sur la perception par l’expert humain de concepts comme le « désordre » de la distribution des couleurs ou nuances de couleur, de « chaos » c’est à dire des contrastes de couleurs importants entre régions juxtaposées de la lésion, et enfin d’ «asymétrie ». Nous avons tenté de modéliser tous ces concepts mathématiquement.

Nous avons d’abord développé de manière supervisée, un modèle fondé sur le classifieur K-Nearest-Neighbors (KNN) caractérisant les lésions mélanocytaires sur une échelle ordre/désordre et ainsi le concept du désordre du mélanome, grâce au descripteur de l’entropie sur plusieurs espaces couleurs. Les performances du « modèle désordre » se sont avérées équivalentes à une approche neuronale développée grâce à l’architecture ResNet-50. Nous avons ensuite développé un algorithme caractérisant les lésions mélanocytaires sur une échelle de « chaos » grâce à une modélisation par graphes des lésions segmentées, intégrée à 6 classifieurs. Puis, sur la même BDD, nous avons développé un réseau de neurones à convolution (CNN) à partir de l’architecture pré-entraînée EfficientNet, nous permettant ainsi de construire une « fusion boostée » basée sur l’algorithme Gradient Boosting. Nous avons enfin développé un algorithme fondé sur le degré d’asymétrie basé sur deux formes de symétrie : symétrie centrale et symétrie axiale. Des caractéristiques issues de quatre espaces couleurs, nous ont permis d’entraîner un ANN (Artificial Neural Network). Puis, nous avons également développé un CNN sur la même BDD à l’aide de l’architecture EfficientNet. Nous avons ensuite fusionné nos deux approches à partir des prédictions finales de chaque modèle en calculant les moyennes des prédictions. Finalement, nous avons fusionné tous nos modèles par une autre méthode prenant en compte nos différents algorithmes inspirés de l’approche cognitive globale du clinicien et nous les avons comparés aux performances des CNN. Les résultats obtenus montrent que notre approche corrige la majorité des erreurs flagrantes initiales des CNN. Ce travail souligne les performances diagnostiques d’algorithmes basés sur des concepts comme le désordre, le chaos et l’asymétrie des lésions mélanocytaires. Il souligne don l’apport potentiel des concepts issus de la pratique dermatologique et inspirés de l’approche cognitive globale du dermatologue à l’amélioration des performances des DAO basés sur des méthodes de CNN et à la diminution des erreurs dites évidentes pour le clinicien.