La détection des polypes dans les vidéos issues de coloscopies

La détection des polypes dans les vidéos issues de coloscopies

Comme on a pu le voir précédemment, le temps de calcul pour traiter une image fixe est de moins de 40 millisecondes, ce qui traduit une capacité à traiter toutes les images à la vitesse minimale de 25 images par seconde. On peut donc s’intéresser à la capacité de notre outil à détecter des polypes dans des vidéos issues de coloscopies, et surtout s’intéresser à la compatibilité avec une utilisation clinique de notre outil. En faisant des essais sur des vidéos, il est alors possible de se rapprocher des cas réels de coloscopie et de prouver l’intérêt de la méthode de détection des polypes pour des examens en conditions hospitalières. Mais il ne faut pas uniquement se concentrer sur le dernier point de la compatibilité avec une utilisation clinique, on garde toujours en mémoire toutes les contraintes de notre outil, que l’on rappelle ici : — être capable de détecter les polypes en temps réel (c’est-à-dire que le temps pour traiter une image issue de coloscopie doit être inférieur à 40 millisecondes) — être compatible avec du matériel dont les ressources de calculs sont standards et limitées — obtenir des performances élevées en termes de sensibilité et de spécificité — être compatible avec l’utilisation en routine clinique (et donc ne pas modifier la pratique clinique du médecin) et alerter le médecin sur la présence de polypes durant l’examen. Dans cette partie, on va donc se consacrer aux performances dans les vidéos, et pour cela, on va introduire dans un premier temps de nouvelles métriques permettant de mieux traduire ces performances. On introduit également une nouvelle base de données contenant des vidéos de coloscopies. Par la suite, on présentera les résultats de cette méthode sur cette base de données puis les différentes optimisations mises en place et possibles afin d’améliorer les performances de l’outil. 69 La détection des polypes dans les vidéos issues de coloscopies

Introduction de nouvelles métriques pour la mesure de performances dans les vidéo

Tout comme avec les images fixes, il faut des métriques pour mesurer les performance de notre outil. Précédemment, afin de classifier un résultat de détection sur une image, on s’est basé sur la méthode dite du centroïde, c’est-à-dire que pour classifier un résultat, on regardait sur la vérité terrain si le centre de la région d’intérêt détectée se situait bien sur la zone contenant le polype. Mais cette méthode est stricte et surtout, ne rend pas compte de l’aspect visuel de la détection, qui ne traduit donc pas le fait d’attirer l’attention du médecin sur la zone de l’image contenant le polype à détecter dans une vidéo. On se propose alors, en plus d’utiliser une partie des métriques présentées précédemment (Précision, Rappel et F1 Score), d’introduire de nouvelles métriques utilisables cliniquement [ABSM+17a], qui permettent de mieux traduire les performances de la méthode d’un point de vue clinique, et donc de mieux interpréter les résultats de la méthode utilisée (il s’agit ici d’être plus clair pour les médecins). Ces nouvelles métriques sont alors les suivantes : — Le taux de détection des polypes (Polyp Detection Rate, PDR). Il permet de montrer si la méthode a été capable de détecter le polype au moins une fois dans la séquence. — Le temps de calcul moyen par image (Mean Processing Time, MPT). Il correspond au temps moyen mis pour traiter une image. Il est associé à la contrainte temps réel pour l’utilisation clinique. Si on considère que les vidéos sont enregistrées à 25 images par secondes, alors la contrainte temps réel est de 40 millisecondes maximum. — Le nombre moyen de faux positifs par image (Mean Number of False Positive, MNFP). Il s’agit avec cette mesure de savoir si la méthode utilisée pour détecter les polypes ne perturbe pas l’attention du médecin en affichant de fausses détections. — Le temps de réaction (Reaction Time, RT). Cela représente le délai entre la première apparition d’un polype dans la vidéo et la première bonne détection de ce polype par la méthode utilisée, mesure effectuée à la fois en nombre d’images et en secondes (si on considère la vidéo défilant à 25 images par secondes). La figure 3.1 illustre comment est calculé le temps de réaction. Ce sont donc ces métriques que l’on va utiliser par la suite pour mesurer les performances de notre outil et comparer les résultats des différentes optimisations par rapport à la méthode de base. Afin de pouvoir calculer les différentes métriques (et en particulier le Rappel et la Précision), il faut pouvoir classer correctement les différentes détections renvoyées par le système, c’est-à-dire si une région d’intérêt détectée se classe comme vraie positive, fausse positive, fausse négative ou vraie négative. Pour cela, nous décidons de mettre au point un nouveau processus permettant de classer au mieux les zones détectées. Ce processus  image i image i + 1 image i + 2 image i + 3 Figure 3.1 – Illustration du temps de réaction. Le polype apparait pour la première fois à l’image i et est correctement détecté à l’image i + 3, il s’est donc écoulé un total de 4 images pour avoir une détection correcte après la première apparition du polype, donc un temps de réaction de 160 millisecondes (4 × 40ms = 160ms) est présenté dans la figure 3.2. En effet, précédemment, pour classer une détection, on se basait sur la méthode dite du centroïde : on comparait la position du centre de la région d’intérêt détectée par rapport à la vérité terrain. Mais cette méthode était trop stricte et ne traduisait pas l’aspect suivant : attirer l’oeil du médecin sur le polype. Avec le processus présenté ici, on tient compte de cela. Figure 3.2 – Processus de classification d’une région d’intérêt (ROI) Ce processus fonctionne à deux échelles : d’abord à l’échelle de l’image, puis à l’échelle du pixel. En s’appuyant sur la vérité terrain, on sait si un polype est présent ou non sur l’image traitée. On va ensuite enchaîner les différentes étapes de notre arbre de décisions afin de savoir si la région d’intérêt détectée par notre outil est à considérer comme vrai positif, vrai négatif, faux positif ou faux négatif. C’est donc en se basant sur les résultats obtenus, à travers ce processus, qu’on va pouvoir calculer les différentes métriques qui vont refléter les performances de notre méthode de détection des polypes. 7 De plus, l’intérêt de proposer un nouveau processus afin de mieux classer les régions d’intérêt détectées est d’accorder plus d’importance à l’aspect visuel de la détection et de traduire indirectement la capacité de la méthode à attirer l’oeil du médecin sur le polype sans nécessairement encadrer complètement le polype. Base de données vidéo Afin de pouvoir tester notre méthode, on se doit de disposer d’une base de données composée de vidéos issues de coloscopies et non plus seulement d’images fixes. C’est pour celà qu’on décide d’utiliser celle présentée dans [ABSM+17b]. Cette base de données dispose de 18 vidéos uniques extraites de coloscopies autour de polypes et de la vérité terrain associée pour chaque image des vidéos, il sera alors possible de se rendre compte des qualités de détection de notre méthode. Ces vidéos possèdent une résolution de 768 pixels par 576 pixels et ont été obtenues grâce à la combinaison d’un endoscope Olympus QF190 et d’un système de numérisation d’image vidéo Exera III. La figure 3.3 représente le profil de la vidéo numéro 18, c’est-à-dire la présence ou non d’un polype à l’écran (0 si le polype est absent, 1 s’il est présent). Plus loin en annexe, les figures A.1.a, A.2.a, A.3.a, A.4.a, A.5.a, A.6.a, A.7.a, A.8.a, A.9.a, A.10.a, A.11.a, A.12.a, A.13.a, A.14.a, A.15.a, A.16.a, A.17.a et A.18.a représentent les profils des 18 vidéos qui permettent de s’apercevoir qu’elles représentent des cas bien réels et variés. Au total, on dispose donc de 11 954 images afin de mener les tests.