Les méthodes visant à assister le diagnostic de données histologiques suivent généralement tout ou partie du diagramme de la figure2.5(Kothari et al. [2013a]).
Figure 2.5 – Etapes classiques d’un système d’aide au diagnostic pour les images histologiques. Le contrôle de la qualité assure que les images contiennent suffisamment d’informations et assez peu de variations pour être traitées. La description de l’image transforme l’image en carac- téristiques quantitatives. Les modèles prédictifs cherchent à établir un diagnostic quantitatif à partir de ces caractéristiques, alors que l’analyse exploratoire tente d’interpréter l’espace des caractéristiques pour retrou- ver des groupes de mesures précis.
2.3.1
Contrôle de la qualité
Les sources de variations ainsi que les défauts dans la qualité des images histologiques sont connus. Cependant, peu de méthodes cherchent à mesu- rer la qualité de l’image automatiquement. Par exemple, dans les travaux
deKayser et al.[2008], des opérations de filtrage local ainsi qu’une analyse
des canaux RGB et HSI sont employées afin d’évaluer la qualité de l’image par rapport à une référence. Une autre approche se basant sur une carte de similarité des couleurs est présentée parWang et al.[2011]. La majorité des travaux en analyse d’images histologiques utilisent une estimation de la qualité réalisée de façon subjective. Certains défauts de qualité peuvent être compensés, notamment les variations dues au effets de lots en normalisant les couleurs des images mais cela peut provoquer l’apparition d’artéfacts.
Comme discuté précédemment, les images histologiques présentent de nombreuses variations. En particulier, la qualité d’une image peut varier localement, notamment à cause des variations d’illumination. Les méthodes automatique de contrôle de la qualité tendent à fournir un avis global alors que seule une partie de l’image peut être de piètre qualité. Le développe- ment de techniques d’estimation locale de la qualité peut donc être une piste de recherche intéressante pour les images histologiques.
2.3.2
Description de l’image
La description d’une image histologique peut se faire à trois échelles distinctes : celle des pixels, celle des objets ou celle des régions. Les ca- ractéristiques extraites à l’échelle des pixels représentent le plus bas ni- veaux d’information puisqu’elles sont les moins interprétables biologique- ment. Elles sont capturées en prenant en compte l’ensemble des pixels de l’image et non en considérant juste certains groupes. De ce fait, elles cor- respondent souvent à des analyses de la couleur ou de la texture. Pour les méthodes de la littérature traitant de l’analyse de la texture, voir la section3.2. Malgré l’absence d’interprétations biologiques directes, ces me- sures sont très utilisées dans les modèles automatisés de part leurs simpli- citées et pouvoir discriminant. Par exemple, les caractéristiques de niveaux de gris multi-ondelettes sont employées pour évaluer la sévérité des cancers de la prostate parJafari-Khouzani et Soltanian-Zadeh[2003] ou la couleur conjointement aux matrices de co-occurences sont utilisées pour évaluer les lymphomes folliculaires dans l’article deSertel et al. [2009].
Les deux autres échelles d’analyse requièrent tout d’abord une étape de segmentation qui est discutée dans la section 5.2. Les caractéristiques extraites à l’échelle des objets visent à décrire les formes, les textures et les distributions spatiales des structures cellulaires dans une image histo- logique. Les méthodes décrivant l’architecture et la structure des objets sont présentées dans la section 5.2. Les descripteurs de forme usuels sont introduits dans la section 4.2. Un exemple d’utilisation des informations de forme dans les images histologiques peut être trouvé dans l’article de
Kothari et al. [2013b]. A cette échelle, l’information de texture est captu-
rée uniquement sur les pixels composant un objet et non sur la totalité de l’image, comme par exemple dans les travaux de Kothari et al. [2011]. L’analyse à l’echelle des régions est également décrite dans la section 5.2.
2.3.3
Modèles prédictifs
Les modèles prédictifs regroupent toutes les méthodes de sélection de caractéristiques, de réduction de dimensions et de classification des don- nées. Ces approches sont les mêmes en analyse d’images histologiques que dans les autres domaines du traitement de l’image. Les techniques de sé- lection et de réduction de dimensions sont discutées dans la section 3.2 et quelques méthodes de classification utilisées dans le cadre des images his- tologiques sont évoquées dans le tableau5.1. Pour plus d’informations sur les méthodes de classification, se reporter au livre de Duda et al.[2012].
2.3.4
Analyse exploratoire
Contrairement à la prédiction, ce groupe de méthodes recherche des schémas particuliers dans les images ou les caractéristiques afin de détec- ter des signes spécifiques à même d’aider au diagnostic. Une application particulière de ce genre de méthode est la détection de mitoses dans les images histologiques, une étape importante afin de retrouver le grade d’un cancer du sein. De nombreuses méthodes sont discutées et comparées sur un même ensemble de données dans le cadre du concours ICPR 2012 : Mi- tosis detection, cette étude peut être trouvée dans l’article de Roux et al.
[2013]. Un autre exemple de ce type de techniques est d’observer les ratios de deux types de cellules autour des vascularisations afin d’évaluer l’évo- lution d’une maladie ou sa réaction face à un traitement (Salama et al.