Certaines lésions ne se traduisent pas par l’apparition d’un noyau dense, mais seulement par un motif fort de convergence. Pour détecter ce type de lésions, nous avons besoin du deuxième canal évoqué à la section 8.1. Nous allons décrire maintenant la constitution de ce dernier, ainsi que sa validation sur une partie de la base de données décrite précédemment.
8.3.1
Détection de convergence
Pour détecter les convergences, nous utilisons l’approche a contrario décrite au chapitre 7 comme étape de marquage. Cette méthode nous permet de récupérer les distorsions architecturales de motif stellaire ainsi que des lésions spiculées à forte convergence. De par leur morphologie, les lésions irrégulières et lobulées ont très peu de chance d’être détectées. De plus, dans l’optique d’avoir une forte sensibilité associée à une spécificité raisonnable, on ne peut essayer de détecter toutes les lésions spiculées par ce critère de convergence. Pour illustrer cela on se référera à la courbe de détection de la figure 8.10. On remarquera que dans cette figure, l’échelle du nombre de faux positifs par sein a été contractée pour permettre le traçage de la courbe traduisant ainsi le grand nombre de faux positifs pour des sensibilités modestes.
0 0.2 0.4 0.6 0.8 1 0 20 40 60 80 100 120
Nombre de faux positifs par sein
S en si b il it é
FIG. 8.10 – Courbe de performance du modèle a contrario pour des lésions uniquement spiculées.
Si maintenant on se restreint aux seules lésions présentant un motif stellaire, c’est-à-dire les distorsions architecturales en étoile et les lésions très fortement spiculées (13 lésions au total), on peut obtenir une première étape de marquage viable comme on peut le voir sur la figure 8.11. On note une sensibilité de 92% pour un taux de faux positifs par sein égal à 0,9.
0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 5 6 7
Nombre de faux positifs par sein
S en si b il it é
FIG. 8.11 – Courbe de performance du modèle a contrario pour les distorsions architecturales, et des lésions très fortement spiculées.
Les courbes des figures 8.10 et 8.11 ont été obtenues en faisant varier le paramètreǫ représentant le
8.3.2
Réduction de faux positifs
Une méthode similaire à l’étape de classification utilisée dans le canal de détection de noyaux denses a été choisie pour réduire le taux de faux positifs. La différence principale réside dans le fait que pour les lésions sans noyau dense toutes les coupes sont traitées pour l’extraction de caractéristiques. En effet, les contractions de tissu laissant paraître un motif stellaire étant assez subtiles, une analyse par coupe fine permet une meilleure caractérisation.
Agrégation 3D
Dans le but d’utiliser l’information 3D non encore exploitée, les détections sur chacune des coupes sont regroupées en 3D. Pour ce faire, une carte de détectionA est construite en agrégeant les disques de
centrec et de rayon αr pour tous les couples (c, r) marqués comme suspects lors de la première étape. Les
composantes connexesAjde cette carte 3D sont ensuite étiquetées. Pour toutj, on notera{Aj
i} l’ensemble
des composantes connexes contenues dans Aj pour chacune des coupes que ce dernier traverse. Chaque composanteAjest ensuite gardée si l’étape de classification considère qu’au moins unAj
i correspond à une
lésion. De plus, le fait de garder la composanteAjen entier permet de ne pas couper la lésion s’il y a une
mauvaise classification sur une coupe intermédiaire. Cette étape d’agrégation est illustrée à la figure 8.12.
A1
A2
A2
2
FIG. 8.12 – Illustration de l’étape d’agrégation des marqueurs pour le canal de détection de convergences.
Sélection de caractéristiques
Comme on l’a vu au chapitre 7, les faux positifs générés par l’approche a contrario correspondent souvent à des croisements de fibres normales. Pour différencier ces structures des potentielles lésions, des caractéristiques reposant sur l’analyse statistique (entropie) des orientations dans le voisinage du marqueurs ont été utilisées comme entrée pour le classifieur. Plus précisément, les mesures ont été réalisées dans trois zones différentes : dans la zone définie par l’agrégation des centres de convergence (disque de rayonαr),
sur la frontière définie par cette même zone ainsi que dans la zone définie par l’agrégation des zones de convergence (disques de rayonr). A ces mesures ont été ajoutés un indice de radialité (Kupinski et Giger,
1998) sur la frontière de la zone de convergence ainsi que des mesures sur les rapports de tailles de volumes d’intérêt englobant les différentsAj (e.g.min(longueur, largeur)/prof ondeur).
8.3.3
Performance
L’évaluation des performances de ce canal a été conduite de la même manière que pour la chaîne de détection de densités (c.f. section 8.2.6). La validation a été faite sur les treize cas présentés au début de ce chapitre limitant ainsi les conclusions sur les performances réelles de ce canal. Néanmoins, cela permet d’avoir une idée sur la validité de la démarche.
Les performances obtenues sont synthétisées par la courbe de la figure 8.13. On peut remarquer que la spécificité est généralement meilleure que pour la détection de noyaux denses pour des sensibilités équiva- lentes. Ainsi, on atteint une sensibilité de 92% pour un taux de faux positifs égal à 0,48.
La figure 8.14 illustre sur un exemple la chaîne complète de détection de convergences suspectes. L’image de la figure 8.14(a) est une coupe de tomosynthèse de sein contenant une distorsion architectu- rale. La détection a contrario (c.f. figure 8.14(b)) met en évidence quatre zones de convergences suspectes dans cette coupe, l’une d’entre elles étant la lésion. La réduction de faux positifs (c.f. figure 8.14(c)) permet d’en éliminer deux. Ainsi au final, deux zones sont marquées : la lésion et un faux positif.
0 0.2 0.4 0.6 0.8 1 0 0.5 1 1.5 2 2.5 3 3.5 4
Nombre de faux positifs par sein
S en si b il it é
FIG. 8.13 – Performance du canal de détction de convergence suspectes.
(a) (b) (c)
FIG. 8.14 – Exemple d’une d’un traitement complet du canal de détection de convergences. (a) Coupe d’un volume de tomosynthèse contenant une distorsion architecturale. (b) Résultats de la détection a contrario. (c) résultat après classification : la lésion (en noir) est détectée ainsi qu’un faux positif (en blanc).