Dans une revue récente publiée dans le Vie Journal, un groupe d’auteurs a examiné les techniques de traitement d’images en apprentissage automatique (ML) pour la détection du cancer de la peau à l’aide d’images cliniques, en évaluant leur efficacité, les ensembles de données disponibles et les défis.
Étude: Détection automatique du cancer de la peau à l’aide d’images cliniques : une revue complète. Crédit d’image : PopTika/Shutterstock.com
Sommaire
Arrière-plan
Au cours des dernières décennies, l’incidence du cancer de la peau a augmenté, les diagnostics de mélanome ayant augmenté de 31 % entre 2012 et 2022 et représentant 80 % des décès associés. Cependant, une détection précoce peut conduire à des taux de survie allant jusqu’à 99 %, qui chutent à 30 % si la maladie métastase.
Les lésions cutanées pigmentées (PSL), allant des grains de beauté bénins aux mélanomes malins, sont au cœur de cette préoccupation. La dermoscopie, utilisant une loupe, aide au diagnostic des PSL. Pourtant, les non-spécialistes s’appuient souvent sur des caméras standards, envoyant des images pour un diagnostic expert – une méthode presque aussi efficace que les consultations en personne.
Il est intéressant de noter que les dermatologues ont obtenu de meilleurs résultats avec les images macroscopiques qu’avec les images dermoscopiques dans une étude. Récemment, les méthodes informatiques, en particulier le ML, se sont révélées prometteuses pour faciliter le diagnostic précoce du cancer de la peau.
Des recherches supplémentaires sont nécessaires car la détection précoce du mélanome est cruciale pour un traitement efficace. Pourtant, les méthodes de diagnostic actuelles ne sont peut-être pas toujours accessibles ou fiables, ce qui met en évidence le potentiel des outils assistés par ordinateur pour combler les lacunes en matière de détection.
L’impératif de la détection précoce du mélanome
Le mélanome, une forme de cancer de la peau très mortelle, est souvent détecté à un stade avancé. Cependant, des études menées au cours de la dernière décennie ont indiqué qu’un diagnostic précoce peut réduire considérablement les taux de mortalité.
Dans cette entreprise, nombreux sont ceux qui ont utilisé des méthodes d’imagerie et l’intelligence artificielle pour diagnostiquer ces tumeurs malignes. Diverses méthodologies uniques et conventionnelles ont été proposées pour relever ces défis de diagnostic.
Littérature existante et lacunes
Bien qu’il existe une pléthore d’évaluations sur l’identification du cancer de la peau grâce à l’intelligence artificielle, il existe une lacune dans l’analyse complète du diagnostic du cancer de la peau à l’aide d’images cliniques et de l’apprentissage automatique.
Rares sont ceux qui ont présenté un aperçu complet de tous les ensembles de données cliniques disponibles. Pour plus de clarté, les auteurs ont comparé la revue avec d’autres revues récentes, en tenant compte de la portée annuelle, du type de modalité d’imagerie et des principales tâches du pipeline de détection automatisée du cancer de la peau.
Ensembles de données publics d’images cliniques de la peau
Il existe de nombreux ensembles de données publiques contenant des images cliniques de la peau utilisées par diverses équipes au cours de la dernière décennie. Parmi eux, DermQuest et MED-NODE sont les plus importants. Cependant, différents ensembles de données ont conduit à des mesures d’erreur non comparables dans les articles examinés.
Techniques de prétraitement d’images
Les images capturées contiennent fréquemment des artefacts, ce qui rend la segmentation difficile. Le prétraitement corrige ces irrégularités, comme les anomalies d’éclairage ou la présence de poils, garantissant ainsi le fonctionnement précis des algorithmes. La majorité de la littérature examinée utilise quatre types principaux de méthodes de prétraitement.
Correction de l’éclairage
Les images peuvent contenir des artefacts d’éclairage. Pour éviter toute confusion entre les ombres et les limites des lésions, les ombres sont diminuées avant la segmentation.
Diverses stratégies ont été utilisées pour éliminer ces irrégularités, telles que la méthode basée sur les données dans l’espace colorimétrique « Teinte, Saturation, Valeur » (HSV) et d’autres techniques telles que les algorithmes de seuillage.
Suppression des artefacts
Des artefacts tels que le bruit, les rides de la peau ou les cheveux peuvent affecter la qualité de l’image. Divers outils et méthodes ont été développés pour atténuer ces effets, notamment DullRazor pour l’épilation et des filtres gaussiens pour la réduction du bruit. Cependant, l’efficacité de ces méthodes varie et doit être utilisée judicieusement pour éviter de nuire à la formation en apprentissage automatique.
Redimensionnement et recadrage d’image
Garantir l’uniformité de la taille de l’image est essentiel pour la formation des modèles de réseaux neuronaux convolutifs (CNN). Ceci est réalisé en recadrant, en redimensionnant et en redimensionnant les images.
Augmentation des données
Améliorer les performances du machine learning implique de créer des exemples de formation variés. Cela se fait grâce à l’augmentation des données, ce qui est particulièrement utile pour les ensembles de données déséquilibrés. Les techniques comprennent, entre autres, le recadrage, la rotation et l’ajout de bruit.
Autres méthodes de prétraitement
Divers chercheurs, tels que l’amélioration du contraste, l’égalisation de l’histogramme et l’utilisation d’algorithmes comme FastCUT, ont exploré différentes approches. Ces méthodes visent à améliorer la qualité globale et la fiabilité de l’ensemble de données.
Segmentation d’images en dermatologie
La segmentation d’image consiste à diviser une image en différentes sections ou groupes de pixels, appelés objets d’image. Il simplifie l’analyse des images, facilitant ainsi l’extraction des lésions. Cependant, la segmentation des images cutanées reste difficile, nécessitant souvent un pré et un post-traitement.
Approches de segmentation prédominantes
De nombreuses techniques de segmentation d’images ont été explorées. Deux méthodes couramment utilisées sont la méthode d’Otsu et le clustering K-means. Peu de chercheurs ont utilisé la méthode Otsu standard, tandis que d’autres ont combiné la méthode d’Otsu avec d’autres techniques, atteignant une précision de 100 % dans la détermination de l’étendue des lésions.
Cependant, la fiabilité de ces affirmations reste discutable. En revanche, de nombreux chercheurs ont utilisé l’algorithme de regroupement K-means, avec des variations de précision dues à la diversité des ensembles de données.
Méthodes alternatives de segmentation
D’autres techniques de segmentation explorées incluent la méthode de contour actif Chan – Vese, l’analyse rapide des composants indépendants, ainsi que la synthèse et la convergence d’omnigradients intermédiaires en décomposition (SCIDOG).
Ces méthodes ont rapporté diverses mesures de performances, mais l’absence d’évaluation cohérente entre les méthodes limite les comparaisons de performances.
Traitement post-segmentation
Après la segmentation, des techniques de post-traitement améliorent l’image segmentée. Les méthodes largement utilisées incluent les opérations morphologiques et le filtrage gaussien. Des études spécifiques ont ajouté des étapes supplémentaires, telles que la suppression des artefacts et le remplissage des trous pour l’optimisation.
Extraction de caractéristiques dans le diagnostic dermatologique
Importance des fonctionnalités
En ML, l’extraction et la sélection de fonctionnalités sont essentielles. De nombreuses études sur le diagnostic des lésions cutanées utilisent une myriade de caractéristiques, souvent ancrées dans la règle ABCD de la dermatologie, qui couvre l’asymétrie, l’irrégularité des bordures, la couleur, le diamètre et la texture.
Certains chercheurs exploitent également la puissance des réseaux neuronaux profonds, en particulier les CNN, pour extraire des fonctionnalités.
La règle ABCD et son utilité moderne
La règle ABCD, établie en 1985, propose des critères de détection précoce du mélanome, axés sur l’asymétrie, l’irrégularité des bordures, la variation de couleur et le diamètre supérieur à 6 mm. Cette règle reste influente dans la recherche contemporaine.
Techniques d’extraction de fonctionnalités détaillées
Diverses méthodes ont été utilisées pour évaluer l’asymétrie des lésions, du calcul des axes majeurs et mineurs à la mesure de la solidité et de la variance des lésions. De même, pour évaluer les limites des lésions, les techniques vont du calcul de la compacité, de la solidité et de la convexité à la mesure des erreurs de périmètre et à l’utilisation d’enveloppes convexes.
Classification des lésions cutanées avec ML
La classification des lésions cutanées, une étape cruciale dans la détection du cancer de la peau, repose sur des systèmes assistés par ordinateur qui prétraitent, segmentent et extraient les caractéristiques des images, aboutissant à la classification des lésions en différentes classes. Le processus utilise des descripteurs extraits pour fournir des informations sur les PSL.
Modèles ML pour les CNN en raison de leur précision dans la classification des images et de leurs capacités d’extraction de fonctionnalités. En outre, certains chercheurs ont adopté des CNN pré-entraînés, tandis que d’autres ont utilisé des méthodes de ML telles que les machines à vecteurs de support (SVM) et les K-plus proches voisins (KNN) pour leurs tâches de classification.
Aperçu de la classification
Cette section résume les résultats dérivés de la tâche de classification des articles examinés. Certains articles ne comportaient pas de section de classification, donc aucun résultat n’en est cité.
Il est essentiel de noter que pour une comparaison équitable des performances de classification entre plusieurs travaux, la tâche doit être exécutée sur des ensembles de données identiques. Cependant, la plupart des articles utilisaient divers ensembles d’images, c’est pourquoi les résultats sont présentés pour des articles contenant des ensembles de données comparables.
Défis et constats
La précision en tant que mesure doit être appliquée avec prudence, en particulier lorsque les ensembles de données sont déséquilibrés. Certains ensembles de données, bien que donnant d’excellents résultats, présentaient des limites en termes de taille, ce qui remettait en question la fiabilité des résultats.
Aussi, des approches innovantes, comme les effets d’assombrissement des zones cutanées ou les mécanismes d’apprentissage équilibrés, mettent en valeur la diversité des techniques employées dans le domaine.
