Systme daide

dermatologues

au

diagnostic

du

mlanome

pour

les

Ezzeddine Zagrouba et Walid Barhoumi

Facult des Sciences de Tunis
Groupe de Recherche en Images et Formes de Tunisie
1060 le Belvdre, Tunis, Tunisie.
e-mail : Ezzeddine.Zagrouba@fsm.rnu.tn
Walid.Barhoumi@enim.rnu.tn
Rsum. Lobjectif de ce papier est dintroduire un systme de reconnaissance des lsions, dans des
images dermatologiques couleurs, afin de les caractriser par malignes ou bnignes. Ce systme est
compos principalement de quatre modules. Le premier module de pr-traitements consiste amliorer la
qualit de limage. Ensuite, un module de segmentation dfinit la lsion par une rgion floue. A partir de
cette rgion et du contour correspondant, un troisime module dextraction des paramtres dtermine un
vecteur descriptif relatif la lsion modlisant les symptmes de malignit. Enfin, un processus de
classification supervise par un rseau de neurones multicouches attribue la lsion, en fonction de son
vecteur descriptif, la classe des tumeurs bnignes ou celle des tumeurs malignes. Ce systme permet
d'obtenir au-dessus de 83% de bonnes classifications des tumeurs malignes et bnignes sur des images
dermatologiques relles.
Mots cls : Systme dinformation en milieu hospitalier, mlanome, croissance de rgions floues, rseaux
de neurones.

Introduction
Le mlanome est une forme de cancer de la peau qui peut dvelopper des mtastases et envahir dautres
parties du corps. Ce cancer caractris par une prdominance fminine (2 femmes / 1 homme), est curable
sil est enlev tt mais mortel sil est nglig. En fait, les investigations ont prouv que le taux de curabilit
du mlanome est de 100% sil est diagnostiqu tt et trait chirurgicalement (Pehamberger et al., 1987), ce
qui a permis de rduire le taux de mortalit par le mlanome de 70% dans les annes soixante (Wolff et
Pehamberger, 1985) 21% en 2002 (Soufir et Seguin, 2002).
Le mlanome occupe actuellement le premier rang des cancers en terme daugmentation de frquences
dans les pays occidentaux, il voit son incidence doubler tous les dix ans depuis 50 ans. Deux types de
facteurs de risque ont t identifis pour le mlanome (Ngrier et Fervers, 1999) : des facteurs individuels,
constitutifs (nombreux nvus, nvus atypiques, antcdents atteints) et un facteur comportemental qui est
labus dexposition aux ultraviolets solaires et artificiels. Ainsi, la prvention primaire du mlanome consiste
en la rduction de lexposition aux ultraviolets. Quant la prvention secondaire, elle repose sur le
diagnostic prcoce du mlanome un stade curable. Cependant, il a t dmontr quun diagnostic prcis
des lsions de peau pigmente nest achev quen prsence dun consensus de trois experts cliniciens
(Curely et Cook, 1989), compte tenu de ltude ralise par Koh et al. (1989) qui prouve quun
dermatologue expriment nest capable de dtecter que 75% des lsions cancreuses. De l, les
dermatologues ont prconis le dveloppement des systmes informatiques daide au diagnostic pour la
dtection et lidentification anticipe du mlanome. Ainsi, les chercheurs sont de plus en plus intresss par
un diagnostic automatique des lsions en se basant sur des techniques de traitement dimages.
Un systme classique de diagnostic des lsions se base principalement sur trois processus dterminants :
Segmentation, Extraction des paramtres et Classification. Les systmes existants diffrent essentiellement
par lapproche utilise au niveau de chaque processus. Par exemple, Ganster et al., (2001) ont propos un
systme automatique de reconnaissance de mlanome qui dtermine le masque binaire de la lsion par

fusion de segmentations classiques. Ensuite, un ensemble de paramtres dcrivant la malignit de la lsion

est dduit. Parmi cet ensemble un sous-ensemble plus significatif dattributs est dtermin par une mthode
statistique de slection des sous-ensembles. Enfin, un classifieur KNN (k plus proches voisins) permettra
de dduire la nature de la lsion. Par contre, dans (Vannoorenberghe et al., 1999), les auteurs ont utilis la
thorie de Dempster-Shafer dune part pour la segmentation en considrant chaque composante couleur
comme une image indpendante, et dautre part pour la classification de la lsion en traitant 9 paramtres
comme tant des sources imprcises et incertaines dinformation sur la malignit de la lsion. Quant au
systme propos par Hintz-Madsen et al., (1996), il dtecte la lsion par seuillage optimal et dtermine la
classe de la lsion par un rseau de neurones ayant comme entre un ensemble dattributs caractrisant la
couleur et la texture de la lsion. Enfin, Sboner et al., (2001) ont introduit un systme de diagnostic qui
dtecte la lsion par une technique de seuillage applique sur la composante bleue et limage de saturation.
Ensuite, 19 paramtres sont calculs pour former lentre dun schma de vote intgrant les sorties de trois
diffrents classifieurs savoir une analyse discriminante, un arbre de dcision et un KNN.
Dans ce papier, nous prsentons un systme de classification des images dermatologiques dans le cadre
du diagnostic mdical qui est form de quatre modules comme lillustre la figure 1 :
Pr-traitements (M1). vise lamlioration de la qualit de limage couleur ;
Segmentation (M2). dtecte la lsion et le contour correspondant ;
Extraction des paramtres (M3). extrait les paramtres relatifs la lsion quantifiant sa malignit ;
Classification (M4). caractrise la lsion par maligne ou bnigne.
Loriginalit de notre approche rside dans lapport au niveau de chaque module de notre systme.

Figure 1. Architecture globale du systme.

1 Pr-traitements
Ltape de pr-traitement des images consiste rduire le bruit moyennant un filtrage mdian, et
appliquer ensuite la transformation de Karhunen-Love afin de faciliter la segmentation. Quant aux images
de peau poilue, une pr-tape de suppression des poils est ncessaire.
1.1 Suppression des poils
Beaucoup dimages de la peau contiennent des poils pais ayant une teinte de couleur semblable celle de
la lsion ce qui peut dgrader la segmentation. Evidemment, le fait de raser les poils avant lacquisition des
images est une solution possible (Andreassi et al., 1995). Cependant, cette solution est peu pratique surtout
617

dans le cas de plusieurs lsions rparties sur tout le corps. De l, nous avons choisi dimplmenter
lapproche DULLRAZOR (Lee et al., 1997) permettant de supprimer les poils pais des images
dermatologiques (figure2.). Dullrazor est ralis en 3 tapes :
identifier lemplacement des poils par un oprateur gnralis de fermeture morphologique ;
vrifier les poils par leurs formes pour les distinguer du bruit caus par le processus dacquisition ;
remplacer les pixels poils par une interpolation bilinaire des pixels non-poils voisins.

Figure 2. a- Image poilue originale, b- Image aprs suppression des poils.

1.2 Filtrage mdian
Le but principal du filtrage des images dermatologiques est de rduire les artfacts de rflexion localiss,
tout en conservant les bords. Ces artfacts sont considrs comme un bruit impulsif qui peut tre rduit par
un filtrage mdian en remplaant lintensit dun pixel par une valeur mdiane rsultat dun tri des niveaux
de gris des pixels voisins (Marr et Hildreth, 1980).
1.3 Transformation de Karhunen-Love
Le but de cette tape de pr-traitement est de faciliter le processus de segmentation en rehaussant les
bords dans limage. Fisher et al., (1996) ont montr que la transformation de Karhunen-Love est la plus
adapte pour la segmentation des images dermatologiques. La transformation de Karhunen-Love (TKL)
(Love, 1948) permet de dcorrler les donnes en entre en utilisant une base orthogonale dtermine via
une diagonalisation de la matrice de covariance de limage. En fait, vu lordre dcroissant des valeurs
propres (1 2 3), la premire composante principale (PCP) contiendra la variance maximale. Aucune
autre transformation linaire utilisant une base unitaire ne pourrait produire des composantes avec une
variance suprieure 1. En effet, pour les images dermatologiques, la premire composante principale
reprsente plus de 95% de la variance totale (Hintz-Madsen, 1998). Et comme la plupart de la variation est
produite sur les bords entre les rgions, nous avons choisi de segmenter uniquement limage relative la
premire composante principale du TKL applique sur limage filtre (figure 3.).

Figure 3. Pr-traitemets, a- image originale, b- image filtre, c- PCP du TKL.

2 La segmentation
La segmentation est une tape critique dans notre systme qui consiste dfinir la lsion comme une
rgion dintrt (RI). Cependant, il est difficile de dfinir un critre pour sparer avec prcision la lsion
618

pigmente de la peau saine avoisinante. En fait, la plupart des nvi prsentent une zone floue sur leurs
bordures caractrise par une lente transition prolonge dune rgion dense (noyau) des tissus
environnants. La majorit des techniques de segmentation, notamment par seuillage dhistogrammes
(Khanfir et al., 2002), nintgrent pas la notion dincertitude au niveau des frontires du RI. Ainsi, nous
introduisons une nouvelle approche de dtection des lsions par une croissance de rgion floue qui tient
compte de cette incertitude. Cette approche est ralise travers les trois tapes suivantes :
2.1 Slection automatique du germe
Une lsion apparat typiquement comme une rgion relativement dense (RI) caractrise par la densit
locale, le gradient et dautres mesures. Ces proprits locales peuvent tre employes pour dfinir un
vecteur lsion et/ou un pixel reprsentant la rgion RI. Nos exprimentations (Zagrouba et Barhoumi, 2002)
ont montr que lutilisation dautres attributs, autre que lintensit, complique le processus sans pour autant
amliorer les rsultats. Par consquent, nous avons considr seulement lintensit du pixel comme
composante du vecteur RI et un pixel germe g ayant un niveau de gris reprsentatif de la lsion devrait tre
choisi. La slection du pixel germe g est base sur une succession dgalisations dhistogrammes de
niveaux de gris (NG) jusqu lobtention dun histogramme bi-modal caractris par deux pics h1 et h2
(h2 <h1). Ensuite, le germe g est le pixel p ayant h2 comme intensit tout en tant le centre dune rgion
VN(p) homogne (figure4.). Ainsi, g est la solution du problme doptimisation () suivant (1):
:

min Moyenne(VN(p) h2
p

(1)

= {p Im / NG ( p) = h 2}

h2

Figure 4. Slection du germe, a- image originale, b- histogramme initial, c- histogramme liss, d- germe.
2.2 Gnration de limage floue
Un ensemble flou peut tre dfini en assignant chaque lment une valeur qui reprsente son niveau
dadhsion dans lensemble flou. Ceci est accompli en dfinissant une fonction approprie dadhsion qui
value la ressemblance entre les proprits dun pixel considr et ceux du RI dfinie par le pixel germe g.
Cette fonction dadhsion doit tre symtrique, dcroissante de 1 0 et doit assigner un degr dadhsion
gal 1 pour les pixels ayant les mmes proprits que le pixel germe. Ainsi, nous introduisons une
fonction dadhsion FA (2) vrifiant ces caractristiques (figure 5.b.) :
p Im, FA ( p ) = 1 / 2 * (

1
+ 1 NG ( p ) NG ( g )
1 + NG ( p ) NG ( g )

(2)

Le paramtre dfinit louverture de la fonction dadhsion. Pour une grande valeur de , louverture est
troite et le comportement de la fonction est strict, alors que pour une petite valeur de , louverture est
large et la fonction prsente un comportement plus permissif. Limage floue obtenue (la matrice des degrs
dadhsion) reprsente par des valeurs leves les pixels dont les proprits sont semblables ceux du
pixel germe, et reprsente par des petites valeurs les autres pixels. Notons enfin que limage floue peut tre
tale sur lintervalle [ 0, 255 ] afin dobtenir une image de niveaux de gris visualiser (figure 5.c.).
619

Figure 5. Fonction dadhsion, a- image originale, b- courbe de la fonction FA, c- image floue tale.
2.3 Croissance de rgions
La croissance des rgions est une technique de segmentation qui regroupe itrativement des points
connexes en des larges rgions selon des critres dhomognit. Les mesures statistiques apparaissent
comme des outils fiables pour dfinir lhomognit des rgions. Le succs dune segmentation est ainsi
directement associ au choix des mesures et dun seuil darrt. Dans la littrature, plusieurs algorithmes
(Chang et Li, 1994) utilisent la moyenne et la variance des niveaux de gris comme paramtres pour
contrler la croissance des rgions. Cependant, ces mesures sont fortement influences par les pixels
isols. Dans notre cas, le processus de croissance de rgions est appliqu sur limage floue. Lalgorithme
dmarre avec le pixel germe reprsentant une premire approximation de RI. Puis, pour chaque pixel p
appartenant RI, chacun de ces 8-voisins est candidat lagrgation RI. En effet, si le pixel voisin est
suffisamment similaire p, il sera fusionn RI. Ce processus rcursif continue jusqu ce que tous les
pixels connects chouent le test dagrgation. Ainsi, cet algorithme produit une image binaire (Lsion,
Peau Saine Environnante) qui sera traite par un processus de suivi des pixels frontires caractriss par
un maximum local de gradient ce qui permet la dfinition du contour ferm C relatif la lsion L (figure. 6.).

Figure 6. Dtection de la lsion, a- image originale, b- RI (lsion), c- contour de la lsion.

3 Extraction des paramtres

Cette tape vise la quantification des caractristiques de la lsion en produisant un vecteur descriptif de la
lsion (VDL). Ces caractristiques modlisent les signes cliniques utiliss par les dermatologues dans le
diagnostic mdical afin de dcrire la malignit de la lsion. Ils peuvent tre regroups selon diffrentes
formulations universelles (ABCD, ABCDE, 3C, Seven checklist, ). Nous avons utilis la formulation ABCD
(Nachbar et al., 1994) modlisant la malignit dune lsion par lAsymtrie de la forme, lirrgularit du Bord,
lhtrognit de la Couleur et le Diamtre de la forme. Notre slection des paramtres appropris est
guide par la littrature et par des discussions avec des dermatologues expriments. Ainsi, nous avons
620

choisi 14 paramtres rpartis en trois catgories : paramtres gomtriques, paramtres photomtriques et

paramtres colorimtriques.
3.1 Paramtres Gomtriques
Les paramtres gomtriques sont invariants par similitude et sont calculs partir des images binaires
rsultats de la segmentation.
Rapport de fitness. Le rapport de fitness rf (3) caractrise la forme de la lsion en mesurant son cart par
rapport une forme circulaire (Toumazet, 1987). Il vaut 1 pour un disque et il est infrieur 1 pour toute
autre forme connexe.
Surface
(3)
rf =4..
Perimetre
Allongement. Une forme est dite allonge si elle nest pas isotrope cest dire quelle est plus tale
suivant une direction que suivant une autre. Lallongement dune forme (al) vaut le ratio de la plus petite (lp)
par la plus grande longueur (lg). Ces longueurs sont calcules en fonction des moments dinertie de la
forme (Prokop et Reeves, 1992).
Asymtrie. Pour caractriser lasymtrie dune lsion, les moments dinertie dordre 2 sont utiliss pour
dterminer les axes principaux de la forme. Ensuite, nous mesurons le degr dasymtrie (sym) de la lsion
par rapport aux 2 axes principaux. Ceci est fait en pliant lobjet autour de ces 2 axes et en mesurant la
surface non-recouverte par rapport la surface totale de la lsion. Cette mesure vaut 0 pour une forme
compltement symtrique et 1 pour une forme compltement asymtrique.
Rgularit du contour. Un contour C est rgulier sil ne prsente aucune distorsion ni encoche. La
rgularit du contour, qui est le facteur de diagnostic le plus significatif (Keefe et al., 1990), est difficilement
dcrite par les cliniciens mme les plus expriments (Claridge et al., 1992), par exemple, si un contour
subit une rotation, il sera jug avec un degr dirrgularit diffrent de celui qui prcde la rotation. Dans le
cas des images de mlanomes, la dimension fractale (fd) (Pentland, 1984) a montr une corrlation de
98% avec la notion intuitive des cliniciens sur la rugosit des courbes tout en caractrisant avec prcision
lirrgularit dune forme (Claridge et al., 1998). De plus, la probabilit que la lsion soit maligne est
relativement proportionnelle la croissance de la dimension fractale du contour C.
Cependant, Lee (2001) a montr que fd est insensible aux paramtres de la structure et par consquent, il
est incapable de mesurer lirrgularit dun contour. Par exemple, le fd dun cercle ouvert est le mme
quune droite (=1). En dautres termes, fd est insensible une forme lisse de courbure constante. Le
problme est aussi dmontr (Lee, 2001) en calculant le fd de 2 fantmes et de 2 contours de lsion
(figure. 7.). Le contour C1 a plus dindentation que C2, mais ils ont la mme mesure fd. De plus, le contour
de la lsion L1 a une fd suprieure celle du contour de la lsion L2, bien que L2 est caractris par une
remarquable indentation en bas de la lsion. Le problme survient car la texture de L1 est plus irrgulire
que L2. De l, on a choisi de caractriser lirrgularit du contour par une mesure supplmentaire rc (4)
reprsentant la variance des distances d des points contour au centre de gravit. Ce paramtre est dautant
plus petit que le contour est plus rgulier.

rc =

1
Perimetre

(d (p ) d )

pC

(4)

Nous mesurons aussi ltendue (Ed) et lcart moyen (d) de la distance d des points contour. Ces deux
mesures sont normalises par la distance moyenne afin quelles soient invariantes par changement
dchelle.
621

Figure 7. Insensibilit du fd, a- C1 (fd=1.02) , b- C2 (fd=1.02), c- L1 (fd=1.16), d- L2 (fd=1.12).

3.2 Paramtres photomtriques
Mis part la moyenne (moy) et la variance (var) de la distribution des intensits au sein de la lsion, la
photomtrie de la lsion est dcrite par le degr de corrlation entre les distributions gomtrique et
photomtrique.
Corrlation entre gomtrie et photomtrie. Cette Corrlation est leve pour les lsions bnignes,
puisquelles ont un aspect en cible, cest dire, plus on sloigne du centre de gravit de la lsion, plus la
couleur devient claire. La corrlation est exprime par la mesure cor (Taouil et al., 2002) (5):

(im( p ) im).(d ( p) d )
1
cor =

Surface pL Variance(Im).Variance(d )

(5)

3.3 Paramtres colorimtriques

Ces attributs sont trs pertinents pour le diagnostic mdical et sont difficilement dcrits pour les
dermatologues. Ils dcrivent quantitativement la prsence et la distribution des couleurs ainsi que
lirrgularit de la pigmentation sur le contour.
Homognit de la couleur. Lhomognit de la couleur (hc) est value en comptant le nombre de
transitions clair-sombre et sombre-clair en parcourant la lsion horizontalement et verticalement. Ce
nombre est faible pour les lsions bnignes grce leur aspect en cible et lev pour les lsions malignes
cause de leurs couleurs htrognes (Taouil et al., 2002).
Transition du contour. La transition du contour (tc) mesure la progression de la pigmentation entre la
lsion et la peau environnante (Hintz-Madsen, 1998). Un bord brusque indique une malignit, tandis quun
bord progressif reprsente une lsion bnigne. Pour caractriser la transition sur le contour, on calcule la
moyenne et la variance du paramtre e(pi) (6) sur le contour de la lsion (r = rouge, v = vert et b = bleu).
e( pi ) = gradient (

r(pi) + v(pi) + b(pi)

)
3

(6)

3.4 Discussion
Nous avons effectu ltude de chacun des paramtres en fonction de la surface de la lsion. En fait, les
moyens de ces paramtres par intervalle de surfaces ont t calculs sur un chantillon dimages de
lsions malignes et bnignes. Ceci a permet de dduire que les deux types de lsions diffrent lgrement
dans leurs caractristiques. La figure 8. illustre des courbes dcrivant la variation de certains attributs
(allongement et asymtrie titre dexemple) en fonction de la surface de la lsion. Nous dduisons quil y a
une forte corrlation entre ces attributs et le diagnostic du mlanome. Cependant, chacun des attributs seul
nest pas suffisant pour diagnostiquer prcisment une lsion. Par exemple, certaines lsions bnignes ont
un indice dallongement (resp. dasymtrie) plus petit (resp. grand) que celui dune lsion maligne. Ainsi,
622

une combinaison dun certain nombre dattributs convenables, est ncessaire pour obtenir une classification
prcise des lsions.

: bnigne
: maligne

Figure 8. Distribution par type de lsion relativement : a- allongement, b- asymtrie.

4 Classification et exprimentations
Cette tape classifie une lsion, en fonction de son VDL (descripteur de symptmes), en maligne ou
bnigne de telle sorte que la classe bnigne englobe les lsions atypiques et les mlanomes. Or, lors du
diagnostic des mlanomes, les dermatologues se basent sur leurs connaissances patho-physiologiques et
sur leur exprience. Une telle exprience nest pas modlisable par un petit ensemble de relations ce qui
limite lintrt de la classification automatique par les approches algorithmiques (Ercal et al., 1994). En fait,
il est trs difficile de crer une base de connaissances symboliques complte cause des exceptions qui se
produisent dans la pratique. Par contre, la possibilit dapprentissage fortement autonome par des
exemples fait des rseaux de neurones artificiels (RN) une solution adapte pour les applications de
diagnostic. En effet, les rseaux de neurones fournissent frquemment, pour le diagnostic mdical, des taux
derreur rduits compars des approches statistiques plus conventionnelles. Ainsi, nous dtaillons une
architecture multicouches de rseau de neurones permettant la classification dune lsion en utilisant les
attributs dcrits ci dessus.
4.1 Les rseaux de neurones multicouches
Les rseaux de neurones (Davalo et Naim, 1993) sont des modles informatiques inspirs de la structure et
des comportements des neurones biologiques. Ils sont trs utiliss pour rsoudre des problmes de
classification notamment en reconnaissance des formes. Un rseau de neurones est compos de neurones
formels interconnects o chaque neurone est un automate communicant avec ses voisins par des poids.
Ainsi, les neurones sauto-activent en fonction des signaux reus et prennent leurs dcisions simultanment
en tenant compte de lvolution de ltat globale du rseau. Un rseau de neurones multicouches est
compos dune couche dentre dont les neurones codent linformation prsente au rseau, dun nombre
variable de couches internes dites caches et dune couche de sortie contenant autant de neurones que
de rponses dsires. Lapprentissage de ces rseaux est supervis et lalgorithme utilis pendant cet
apprentissage est connu sous le non de mthode de rtro-propagation du gradient (Rumelhart et al., 1986).
Cette mthode minimise lerreur carre entre les sorties relles du rseau et les sorties dsires, mais
prsente un inconvnient majeur pour le temps de calcul. Ce temps est lev quand la sparation entre les
lsions malignes et bnignes est complexe et quand le nombre des couches caches est grand.
4.2 Exprimentations
Dans notre application, le rseau classifie des images numriques des lsions en un nombre restreint de
catgories (maligne ou bnigne). Les neurones de la couche dentre codent les 14 paramtres relatifs la
lsion classifier. Alors quune seule couche cache, compose de 4 neurones (A,B, C et D) modlisant la
623

formulation ABCD, est employe. Ce choix est bas sur le fait quun tel rseau produit des rsultas
suffisamment intressants en un minimum de temps parmi plusieurs configurations exprimentes. La
connexion entre la couche dentre et celle cache nest pas totale. Par exemple, parmi les neurones
dentre seules ceux donnant une information sur la symtrie de la forme de la lsion seront connects au
neurone A (Table 1). En fin, la couche de sortie est forme dun seul neurone seuil dont la rponse est
binaire indiquant la nature de la lsion (1 : bnigne et 0 : maligne).
La reconnaissance des mlanomes par les rseaux de neurones regroupe les deux tches dapprentissage
et de dcision. Cette reconnaissance est ralise par lintermdiaire du paradigme de Apprentissage/Test.
Ainsi, deux ensembles disjoints, statistiquement indpendants, sont employs pour lapprentissage et le
test. Le rseau est form et test plusieurs reprises avec diffrents sous-ensembles alatoires de
donnes dentres. Et comme lobjectif principal de lapprentissage est dtre capable de distinguer les
lsions malignes, 50% des images dapprentissage et du test sont des images de mlanome et de lsions
atypiques. La meilleure performance a t obtenue pour un pourcentage Apprentissage/Test de 80/20
parmi plusieurs configurations exprimentes (60/40, 70/30,). Le processus dapprentissage est ralis
avec un corpus de 200 exemples et un degr de convergence aux moindres carres infrieure 0.10. Ce
qui permet la reconnaissance des exemples dapprentissage avec un taux de succs de 95.3%. Le temps
dapprentissage varie entre 40 et 50 minutes pour un moyen de 470 itrations dadquation des matrices
des poids reliant les couches du rseau. Tandis que, le processus de test a t ralis sur 50 nouvelles
images. Un taux de succs maximal de 95% a t obtenu pour distinguer les lsions malignes, alors quun
taux de succs moyen tait de 83% est obtenu pour la classification dune lsion quelconque.
Neurone A
Neurone B
Neurone C
Neurone D

rf
fd
moy
lg

Neurones de la couche dentre (Paramtres)

al
sym
cor
rc
Ed
d
tc
var
hc
cor
lp

Table 1. Connexion dans le rseau de neurones entre la couche dentre et celle cache.

Conclusion et perspectives
Le besoin dun systme rapide et efficace de sparation des tumeurs malignes des tumeurs bnignes est
indispensable ces dernires annes o la frquence de mlanome a augment dramatiquement. Les
rsultats obtenus sont trs encourageants vu quun taux moyen de bon diagnostic de 83% a t atteint
moyennant un corpus dapprentissage htrogne et de dimension rduite (250 images).
Enfin, la performance de notre systme peut tre amliore en ralisant une pr-tape de slection dun
sous-ensemble plus rduit de paramtres caractrisant la malignit de la lsion. Ainsi, le nombre de cellules
dentre (taille du VDL) se trouve rduit ce qui permettra de diminuer le temps de calcul. De plus,
lefficacit du systme est susceptible dtre amliore en pondrant les paramtres utiliss pour dcrire la
malignit. Ceci peut tre ralis en associant dans le rseau un ensemble de n entrs (n1) relativement
chaque attribut dcrivant limportance du symptme associe.

Rfrences
Andreassi L., R. Perotti, M. Burroni, G. DellEva and M. Biagioli (1995). Computerized image analysis of
pigmented lesions. Chronica Dermatologica 5(1), 11-24.
Chang Y., X. Li (1994). Adaptive region growing, IEEE Transactions on Image Processing, 3(6) , 868-872.
Claridge E., P. N. Hall, M. Keefe and J. Allen (1992). Shape analysis for classification of malignant
melanoma, Journal of Biomedical Engineering, Vol. 17, 229-234.

624

Claridge E.,J.D. Morris Smith and P. N. Hall (1998). Evaluation of border irregularity in pigmented skin
lesions against a consensus of expert clinicians, Proc of Medical Image Understanding and Analysis.
Curely R. and M. Cook (1989). Accuracy in clinically evaluating pigmented lesion, British Medical Journal
299, 16-18.
Davalo E. et P. Naim (1993). Des rseaux de neurones, second tirage, Eyrolles, Paris.
Ercal F., A. Chawla, H.C. Lee and R.H. Moss (1994). Neural network diagnosis of malignat melanoma from
color images, IEEE trans on biomedical engineering, Vol 14, N 9, pp 837-845.
Fisher, S., P. Schmid and J. Guillod (1996). Analysis of skin lesions with pigmented networks, In
proceedings of the international conference on image processing, Vol. 1. 323-326.
Ganster H., A. Pinz, R. Rohrer, E. Wildling, M. Binder and H. Kittler (2001). Automated Melanoma
Recognition, IEEE Transactions on Medical Imaging, Vol. 20, N. 3.
Hintz-Madsen M, L. K. Hansen and J. Larsen (1996). Detection of malignant melanoma using neural
classifiers, International Conference on engineering applications using neural networks (EANN96), England.
Hintz-Madsen M. (1998). A probabilistic frame-work for classification of dermatoscopic images, ph.D., IMM .
Keefe M., D. Dick and R. Wakeel (1990). A study of the value of the seven-point checklist in distinguishing
benign pigmented lesion from melanoma, Clinical and Experimental Dermatology 15, 167-171.
Khanfir I., A. Kallel, K. Taouil, M. S. Bouhlel and L. Kamoun (2002). Segmentation dimages par seuillage
dhistogramme : Application lanalyse des mlanomes, JTEA 2002, Tunisie
Koh H. K., R.A. Lew and M.N. Prout (1989). Screening for Melanoma / Skin Cancer, Journal of American
Academy of Dermatology, 20(2) : 159-172.
Lee T., V. NG, R. Gallagher, A. Coldman and D. McLean (1997). Dullrazor : A software approach to hair
removal from images. Computer in Biologu anf Medicine, 27. 533-543.
Lee. T. K. (2001), Measuring border irregularity and shape of cutaneous malanocytic lesions, phD, Simon
fraser university.
Love M. (1948). Fonctions alatoires de second ordre, In P. Levy, editor, Processus stochastiques et
mouvement brownien, Hermann.
Marr D. and E. Hildreth (1980). Theory of edge detection, Proc. Royal Soc. Lond., B 207, 187-217.
Nachbar F., W. Stolz, T. Merhle and G. Plewing (1994). The ABCD rule for dermatoscopy : high perspective
value in the diagnosis of doubtful melanocytic shin lesion, J. Am Acad Dermatol Vol 30, 551-559.
Ngrier S. and B. Fervers (1999). Standards, Options et Recommandations pour la Prise en Charge des
Patients Atteints de Melanome Cutan : FNCLCC, Paris.
Pehamberger H., A. Steiner and K. Wolff (1987). In vivo epiluminescence microscopy of pigmented skin
lesions. I. Patern analysis of pigmented skin lesions, J. Amer. Acad. Dermtol., Vol. 17, no. 4, 571-583.
Pentland A. P. (1984). Fractal-based description of natural scenes, IEEE Transactions of Pattern Analysis
and Machine Intelligencem Vol. 6, N. 6, 661-674.
Prokop R. J., A. and P. Reeves (1992). A survey of moment-based techniques for unoccluded object
representation and recognition, graphical models and image processing, Vol. 54, N. 5, 438-460.
Rumelhart D. E., G. E. Hinton and R. J. Williams (1986). Learning reprentations by back-propagating errors,
Nature, 323, 533-536.
Sboner A., E. Blanzieri, C. Eccher, P. Bauer, M. Cristofolini, G. Zumiani and S. Forti (2001). A knowledge
based system for early melanoma support, Intelligent Data Analysis in Medicine and Pharmacology, UK.
Soufir N., N. Seguin (2002). Skin Carcinogenesis, Rev Prat 2002, Apr 15, 49(8) : 813-817.
Taouil K., M. S. Bouhlel, M. Elloumi and L. Kamoun (2002). Quantification des caractristiques de
mlanomes en vue dune classification, JTEA2002, 179-185 Tunise.
Toumazet J. J. (1987). Traitement de limage sur micro-ordinateur, Sybex, Paris.
Vannoorenberghe P., O. Colot and D. De Brucq (1999). Dempster-Shafers theory as an aid to color
information processing : Application to melanoma detection in dermatology, 10th ICIAP, Italy.
Wolff K. and H. Pehamberger (1985). Malignes melanom : Fuherkennung und prognose, Wiener klinishe
wochenschrift, Vol. 97, no. 10, 451-455.
Zagrouba E. and W. Barhoumi (2002). Semiautomatic detection of tumoral zone. Image Analysis and
Stereology, Vol 21, N 1 pp 13-18.

625