Académique Documents
Professionnel Documents
Culture Documents
dermatologues
au
diagnostic
du
mlanome
pour
les
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
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.
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.).
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
(im( p ) im).(d ( p) d )
1
cor =
Surface pL Variance(Im).Variance(d )
(5)
(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
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
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