Soutenance de thèse de Jilliana MONNIER

Les systèmes de Diagnostic Assisté par Ordinateur (DAO) ont montré des performances élevées pour la reconnaissance automatique du mélanome à partir d’images dermoscopiques. Cependant, l’absence d’explicabilité des mécanismes d’apprentissage et de classification notamment des erreurs évidentes, rendent leur utilisation difficile en pratique clinique. A l’inverse, les approches classiques se construisent en plusieurs étapes et peuvent être orientées par les concepts dermatologiques. Cependant, la majorité des modèles développés pour la détection du mélanome à partir de ces approches, reposent sur les critères ABCDE (A : asymétrie, B : bords irréguliers, C : couleur inhomogène, D : diamètre supérieur à 6 mm et E : évolution), alors que les dermatologues utilisent inconsciemment lors de l’examen clinique, l’analyse cognitive globale. En effet, ils analysent les lésions dans leur globalité et distinguent un mélanome par son aspect désordonné, son aspect chaotique traduite par des zones d’atypie au sein des lésions comme les zones de régression ainsi que son asymétrie globale. Or, à notre connaissance, ces notions inspirées de l’analyse cognitive globale n’ont pas été intégrées à des systèmes de DAO. L’objectif était de développer à partir des approches classiques des modèles intégrant des concepts inspirés de l’analyse cognitive globale, de comparer leurs performances à une approche neuronale puis de fusionner ces modèles avec une approche neuronale afin d’évaluer si leur ajout permettait d’améliorer les performances des modèles par réseaux de neurones à convolution et d’éviter des erreurs évidentes. Pour ce faire nous avons utilisé et amélioré, en limitant les biais, et standardisé en appliquant des traitements d’images, la base de données publiques de l’International Skin Imaging Collaboration (ISIC) d’images dermoscopiques de 2019, soit 1533 mélanomes et 6124 naevus. Premièrement, nous avons développé de manière supervisée, sur la même base de données non enrichie, un modèle avec le classifieur K-Nearest-Neighbors (KNN) caractérisant le concept du désordre du mélanome, grâce au descripteur de l’entropie qui sur plusieurs espaces couleurs a été discriminant. Les performances du « modèle désordre » ont été équivalentes à une approche neuronale développée grâce à l’architecture ResNet50. Deuxièmement nous avons développé un algorithme caractérisant l’aspect chaotique ou uniforme des lésions mélanocytaires après segmentation des lésions par la méthode superpixel et appliquant certains seuils délimitant des contrastes entre régions adjacentes qui a été intégré à nos modèles (6 classifieurs) grâce à l’utilisation de graphes et de matrice d’adjacence. Puis, sur la même base de données, nous avons développé un réseau de neurones à convolution à partir de l’architecture pré-entraînée EfficientNet; nous permettant de construire une fusion boostée basé sur l’algorithme Gradient Boosting et les prédictions des différents modèles. Troisièmement, nous avons développé un algorithme sur l’aspect globalement symétrique/asymétrique de lésions mélanocytaires puis nous l’avons fusionné à un ensemble de réseaux de neurones à convolution. L’approche classique fondée a été sur deux formes de symétrie, centrale et axiale via des méthodes de traitement d’images et à partir de quatre espaces couleurs différents, ces caractéristiques nous ont permis d’entraîner un ANN (Artificial Neural Network). Puis, nous avons également développé un ensemble de CNN sur la même base de données fondé sur l’architecture pré-entrainée Efficient-Net. Nous avons ensuite fusionné nos deux approches à partir des prédictions finales de chaque modèle en calculant les moyennes des prédictions. Finalement, nous avons fusionné par une méthode originale prenant en compte la présence de différents classifieurs les différents algorithmes inspirés de l’approche cognitive globale et comparé aux performances des CNN.

Computer-Aided Diagnosis (CAD) systems have shown high performance for the automatic recognition of melanoma from dermoscopic images. However, the lack of explicability of the learning and classification process, notably obvious errors, make their use difficult in the clinical practice. In contrast, hand-crafted approaches are built up in several steps and can be guided by dermatological concepts. However, main of the models developed for melanoma detection using these approaches are based on ABCDE criteria (A: asymmetry, B: irregular borders, C: inhomogeneous color, D: diameter superior to 6 mm and E: evolution), whereas dermatologists unconsciously use global cognitive analysis during clinical examination. They analyze the entire lesion and distinguish melanoma by its disordered appearance, its chaotic aspect reflected by areas of atypia within the lesions, such as regression, and the overall asymmetry. However, to our knowledge, these notions inspired by global cognitive analysis of dermatologists have not been integrated yet into CAD systems. The aim was to develop models based on hand-crafted approach, integrating concepts inspired by global cognitive analysis, to compare their performance with a neural approach and then to merge these models with a neural approach to assess whether their addition would improve the performance of convolution neural network models and avoid obvious errors. To do this, we used and improved, while limiting bias, and standardized by applying image processing, the International Skin Imaging Collaboration (ISIC) public database of dermoscopic images from 2019, i.e. 1533 melanomas and 6124 nevi. Firstly, on the dataset, we developed a supervised model using the K-Nearest-Neighbors (KNN) classifier characterizing the concept of melanoma disorder, thanks to the entropy descriptor, which over several color spaces was discriminative. The performance of the "disorder model" was equivalent to a neural approach developed using the ResNet50 architecture. Secondly, we developed an algorithm characterizing the chaotic or uniform appearance of melanocytic lesions after segmentation by the superpixel method and applying certain thresholds delineating contrasts between adjacent regions, which was integrated into our models (6 classifiers) using graphs and adjacency matrix. Then, on the same database, we developed a convolution neural network based on the EfficientNet pre-trained architecture, enabling us to build a boosted fusion based on the Gradient Boosting algorithm and the predictions of the various models. Thirdly, we developed an algorithm on the globally symmetrical/asymmetrical aspect of melanocytic lesions and then fused it with a set of convolution neural networks. The classical approach was based on two forms of symmetry, central and axial, via image processing methods, and using four different color spaces, these features enabled us to train an ANN (Artificial Neural Network). We then developed a set of CNNs on the same database, based on the pre-trained Efficient-Net architecture. We then merged our two approaches based on the final predictions of each model by calculating the averages of the predictions. Finally, we used a method to fuse the various algorithms inspired by the global cognitive approach, taking into account our different classifiers, and compared them with the performance of CNNs.