Extractions des caractéristiques LBP des superpixels

L’algorithme CASH :

L’algorithme CASH est une version simplifiée de l’analyse de l’architecture globale, ceci dans l’espoir de la rendre plus accessible aux praticiens moins expérimentés en dermatoscopie. L’algorithme dermato scopique couleur, architecture, symétrie, et homogénéité (CASH) comprend une rubrique qui n’est pas exploitée par les algorithmes précédents, à savoir l’architecture. La notion d’ordre/désordre architectural procède des concepts actuels concernant les différences d’ordre biologique entre néoplasmes mélanocytaires bénins et malins.

L’architecture se définit comme suit : pas ou peu de désordre architectural (la disposition des structures et couleurs dermatoscopiques de la lésion est ordonnée ou seulement légèrement désordonnée), désordre architectural modéré (les structures perdent leur uniformité et leur disposition ordonnée), désordre architectural prononcé (les structures et les couleurs sont désorganisées au point que leur disposition au sein de la lésion est souvent chaotique). Le système de notation attribue les points de la manière suivante: couleurs (1 point pour chacune des couleurs suivantes: marron clair, marron foncé, noir, rouge, blanc, bleu); désordre architectural (0 = nul/faible, 1 = modéré, 2 = prononcé); symétrie (forme de la lésion et disposition des structures dermatoscopiques au sein de la lésion; 0 = symétrie bi-axiale, 1 = symétrie mono-axiale, 2 = asymétrie bi-axiale); et enfin homogénéité/hétérogénéité basée sur le nombre de structures dermatoscopiques (1 point pour chacune des 7 structures suivantes: réseau; points/globules; stries/pseudopodes; voile bleu-blanc; structures de régression [zones grises parsemées ou non; aspect cicatriciel]; taches [régions dépourvues de structures, présentant tout type de coloration, et occupant plus de 10% de la surface totale de la lésion]; et enfin vaisseaux sanguins polymorphes [y compris les vaisseaux de forme ponctuelle et linéaire irrégulière]). Quelle que soit la lésion, un score total CASH supérieur ou égal à 8 est évocateur de mélanome [7,13].

État de l’art sur des travaux Précédents :

Le cancer de la peau est le type de cancer le plus courant et représente 50% de tous les nouveaux cancers détectés chaque année. La forme la plus meurtrière de cancer de la peau est le mélanome et son incidence a augmenté de 3% par an, Il est obligatoire de le reconnaître à un stade précoce pour sa guérison. Dans [14], Mr. A. Bessaid et Mr. M. Messadi fournissent un récent état de l’art de la Segmentation et caractérisation des images de tumeurs cutanées utilisées pour le diagnostic de mélanome, la discussion des auteurs se focalise sur les méthodes Décomposition multi-niveau et La segmentation par la méthode de classification pour : La localisation de la tumeur, extraction de contour et la détection rapide et précise des bordures. Classification automatique des images du cancer de la peau a été pratiquée par Mahmoud Elgamal[15] pour but de différencier la tumeur bénigne et la maligne par Les techniques hybrides (Extraction et Réduction des caractéristiques et classification). Sur le même type des images de mélanome Dr. Bhatia et al. [16] ont traité un nouveau cadre de segmentation basée par Segmentation d’image dans MATLAB par l‟application de l’algorithme STOLZ et TDS. Dernièrement en 2017, Mr Razi J et al. [17] ont fait L‟approche de segmentation de la robustesse pour la détection d’image du cancer de la peau basée sur une technique de seuillage automatique adaptatif par la division automatique (K-means, Le seuillage automatique) et grâce à des méthodes de division exécutées la technique de seuillage automatique a réalisé la meilleure exécution de division.

Filtrage spatial linéaires :

• Le filtre passe-haut : Le filtre passe-haut [19], est un filtre linéaire principalement utilisé pour traiter les images dont les petits détails ne sont pas assez présents, les petits détails d‟une image correspondent à des hautes fréquences. C‟est le changement brutal de caractéristiques qui entoure le petit détail qui fait qu‟il se trouve dans les hautes fréquences. En pratique, la réalisation d‟un filtre passe-haut se fait en convoluant l‟image avec un masque dérivateur. Dans le principe, un filtre passe-haut peut se résumer à un filtre qui estompe le centre de l‟image fréquentielle (là où se trouvent les basses fréquences), d‟après l‟équation (2.1) ce filtrage est strictement identique à une convolution dans le domaine spatial. Avec l‟image filtrée dans le domaine fréquentiel, l‟image filtrée dans le domaine spatial, TFla transformé de Fourier, Hun filtre, la multiplication classique et la convolution. Ce filtre est donc particulièrement adapté pour traiter le flou car il fait ressortir les petits détails que le flou a estompés.

• Le filtre passe-bas : Contrairement au filtre passe-haut [19], le filtre passe-bas privilégie les grandes zones uniformes de l‟image. La fréquence se calcule en fonction de la vitesse de changement de caractéristique dans l‟image, donc une zone uniforme aura peu de changements et donc aura une fréquence faible. Dans le même principe que pour un filtre passe-haut, une implémentation possible est de convoluer l‟image avec un noyau pour gommer les hautes fréquences. Il est souvent intéressant, en traitement d‟image, d‟utiliser un filtre passe-bas. En effet, un filtre passe-bas permet de réduire le bruit grâce à la localisation du bruit dans les hautes fréquences. La simplicité du filtre lui permet d‟être rapide et facile à mettre en place, mais les hypothèses sur lesquelles il se base sont beaucoup trop réductrices (bruit uniforme, gaussien…). Le principal inconvénient du filtre est de « flouter » l‟image, faisant perdre les petits détails ainsi que les contours.

Méthode proposée : Les images de mélanome étant très texturées, la segmentation d‟une image de peau en taches pigmentaires et en zone de peau saine consiste en l‟identification de régions de texture homogène. Le but de notre travail est de proposer une stratégie de traitement et d‟analyse d‟images pour segmenter uniquement la région tumorale. L’approche que nous proposons est illustrée par (la figure 3.1.) La première étape de notre méthode est de réaliser les prétraitements pour supprimer les poils, les distorsions et le bruit pour améliorer l‟image pour mieux la préparer pour la phase de segmentation. On applique ensuite une réduction des données sur les images prétraitées par l‟utilisation des superpixels par regrouper les pixels homogènes et de même caractéristique dans une même région notée superpixel. Dans l‟étape suivante on identifie le superpixel central de la tumeur qui correspond au bloc tumoral. L‟extraction des caractéristiques implémentée est réalisée à l’aide de la technique LBP (local binary pattern) ou modèle local binaire. Elle est appliquée sur tous les superpixels de l‟image. Les superpixels similaires sont regroupés en utilisant une mesure de similarité entre les histogrammes LBP des superpixels et l‟histogramme LBP du bloc tumeur. Plus la distance entre deux histogrammes de LBP est petite, plus les régions sont proches en terme de texture, on pourra alors fusionner le superpixel candidat au superpixel du bloc tumeur pour former une nouvelle région tumorale. Les étapes de la méthode proposée sont appliquées sur quatre images du mélanome différentes en termes de couleur de lésion, de forme, et de texture. Nous avons choisi de travailler avec deux images contenant des poils et reflet, les deux contiennent uniquement des reflets (Fig. 3.2).

Conclusion générale

Le mélanome est un cancer de la peau dangereux lorsqu‟il est diagnostiqué à un stade avancé ou métastatique, car il n‟existe pas de traitement efficace. La détection précoce des mélanomes malins est la meilleure méthode pour soigner à temps cette maladie. L‟utilisation des systèmes informatisés par les dermatologues a pour but d‟améliorer la précision du diagnostic des mélanomes et de réduire le taux de mortalité. Dans ce mémoire, nous avons concentré notre effort sur la segmentation de la tumeur, en passant par plusieurs étapes : En premier lieu, nous avons commencé ce travail par une étape de prétraitement appliquée aux images pour éliminer les poils et les bruits en utilisant des filtres morphologiques qui se sont avérés d’une grande efficacité. Cette étape consiste à simplifier la tâche de segmentation. L‟image résultat ne comporte alors que la tumeur sur un fond assez homogène correspondant à la peau saine. Dans la deuxième étape qui concerne la segmentation, nous avons utilisé la segmentation superpixellique. Dans La simplification d‟une image en superpixels consiste à grouper des pixels de l‟image en régions homogènes, en capturant certaines redondances dans l‟image, l‟algorithme SLIC génère des superpixels fournissant un moyen simple d‟extraire des caractéristiques locales de l‟image, et réduisant ainsi considérablement la complexité des méthodes mises en oeuvre. La segmentation superpixellique à pour but de bien adhérer au contour des régions dans l’image, et de réduire la complexité de calcul dans l’étape de l‟extraction des caractéristiques. Les superpixels doivent être rapides à calculer, efficaces et simples à utiliser [28]. La troisième étape consiste à identifier le bloc tumeur qui représente le superpixel central de la tumeur, de cette manière, nous sommes certains que ce superpixel appartient à la lésion, nous avons effectué ensuite une extraction des caractéristiques LBP basée sur l‟analyse des textures sur tous les superpixels ainsi que sur le « bloc tumeur ». Dans la quatrième étape, nous avons calculé un indice de similarité en utilisant la distance euclidienne entre le LBP du « bloc tumeur » et le LBP des autres superpixels. Plus la distance de similarité est petite plus le bloc tumeur et le superpixel traité sont similaires en terme de texture. Enfin, La tumeur sera formée par l’ensemble des superpixels possédant une similarité avec le bloc tumeur. Lorsque la peau saine et la tumeur sont des presque des mêmes textures, la caractérisation LBP n’était pas très évidant.