3 .3 Les réseaux de neurones convolutifs pour l’analyse des images médicales
3.3.2 Localisation et détection
La détection des objets d’intérêts dans une image est une étape impor-tante dans le diagnostic qui exige beaucoup d’efforts par les cliniciens. Par exemple, une lame histologique peut contenir des centaines à des milliers de cellules à détecter [Ker et al. 2017].
Plusieurs travaux dans l’état de l’art ont automatisé la tâche de détec-tion dans les images médicales. Le but principal des systèmes proposés est d’améliorer la précision et de réduire le temps de traitement manuel. La localisation des organes ou des points de repère a connu un grand intérêt, car elle présente une étape de prétraitement importante dans plusieurs tâches de segmentation.
Le premier système de détection à base de CNN a été proposé pour détecter les nodules dans des images à rayon-X [Lo et al. 1995]. Dans une autre étude, [Ribli et al. 2018] ont exploité le réseau R-CNN pour la détec-tion et la classificadétec-tion des lésions malignes ou bénignes sur une mammo-graphie. Dans la catégorie des images CT, [Fan et al. 2018] ont proposé une version optimisée du réseau Faster R-CNN pour la détection des nodules pulmonaires dans les images CT. Dans une autre contribution, [Yang et al. 2015] ont identifié sur les images MRI les points de repère sur la surface du fémur distal en se basant sur trois réseaux CNN. Dans une autre étude, [Dou et al. 2016] ont exploité un réseau 3D CNN pour détec-ter les micro-saignements dans des scans MRI cérébraux.
En histopathologie, la phase de recherche des marqueurs pour le diagnostic est une étape difficile qui nécessite un effort considérable à cause de plusieurs paramètres. Par exemple, le nombre élevé des noyaux et des mitotiques. En plus, l’architecture cellulaire atypique dans certains cancers provoque des confusions. Pour faciliter la tâche aux pathologistes, plusieurs systèmes de détection ont été développés. [Sirinukunwattana et al. 2016] ont exploité le réseau CNN pour détecter les noyaux dans les images histologiques d’adénocarcinome colorectal. [Cire¸san et al. 2013] ont développé un système de détection de mitose basé sur un réseau CNN.
Dans cette thèse nous avons consacré une section qui détaille les tra-vaux récents proposés pour la détection de la mitose en raison de la com-plexité de cette tâche et les défis qu’elle présentent.
3.3.3 Segmentation
La segmentation permet d’identifier l’ensemble de voxels ou de pixels qui constituent le contour ou l’intérieur des objets d’intérêts. Cette tâche est une étape importante dans les CAD, car elle permet d’identifier avec précision les régions d’intérêts dans les images médicales. L’automatisa-tion de la segmentaL’automatisa-tion des tumeurs dans le cerveau a connu un grand intérêt [Akkus et al. 2017], car elle permet de réduire l’effort manuel ef-fectué par les spécialistes sur les volumes MRI et CT. Ce traitement est nécessaire pour diriger avec précision la résection chirurgicale.
Par exemple, [Pereira et al. 2016] ont utilisé un CNN composé de 11 couches de convolution pour la segmentation du gliome dans le cerveau à partir des scans MRI.
Dans la catégorie des images de microscopie électronique, [Ronneberger et al. 2015] ont proposé une nouvelle architecture U-net basée sur le réseau CNN pour la segmentation des structures neuronales. Cette architecture est composée du même nombre de couches de rééchan-tillonnage et de sous-échanrééchan-tillonnage. Elle permet de réaliser la tâche de segmentation en un seul passage et de prendre en considération l’infor-mation contextuelle. Dans une autre contribution, [Ciresan et al. 2012] ont appliqué une segmentation à base de pixel en utilisant la stratégie des fenêtres coulissantes et le réseau CNN.
Dans la catégorie des images histopathologiques, [Mercadier et al. 2019] ont exploité un DCNN composé des structures de codage-décodage pour la segmentation des noyaux. Pour accélérer le temps de traitement des images histopathologiques, [Peng et al. 2018] ont utilisé le réseau FCN pour la segmentation des tissus.
3.4 Conclusion
Les systèmes de vision par ordinateur sont basés sur les algorithmes d’apprentissage automatique. Ces systèmes sont utilisés pour analyser les entrées visuelles comme les images et les vidéos.
Durant ces dernières années, l’exploitation des réseaux DL en vision par ordinateur et spécialement des CNN a connu un grand intérêt dans plusieurs applications du monde réel, comme : la classification des images, la détection et la localisation des objets, la segmentation sémantique, la reconnaissance d’action et d’activité, l’estimation de la pose humaine, et la reconnaissance faciale.
Les CNN sont caractérisées par leur efficacité dans l’extraction des caractéristiques et ils sont aussi stables aux transformations. Ces caracté-ristiques ont fait des CNN un bon cas d’utilisation dans certaines appli-cations en vision par ordinateur. Plusieurs variantes de type CNN ont été proposées dans la littérature. Le but principale était d’adapter l’architec-ture classique à la nal’architec-ture de l’application. En plus, la nal’architec-ture et la com-plexité de l’architecture varient selon la comcom-plexité du problème traité,
par exemple, la segmentation des objets est une tâche plus difficile par rapport à la détection et à la classification.
Le traitement des images médicales est parmi les problèmes connus en vision par ordinateur. Plusieurs architectures de type CNN proposées pré-cédemment ont été exploitées et adaptées pour le traitement de différentes modularités d’images médicales.
En conclusion, malgré les résultats prometteurs des architectures pro-posées dans l’état de l’art, des défis importants subsistent. Ces défis sont liés au choix de l’architecture optimale pour résoudre une tâche définie. En plus, certaines architectures sont caractérisées par leur grande com-plexité, et cela limite leurs exécutions en temps réel dans les applications du monde réel.
Le chapitre suivant détaille les étapes de préparation et d’acquisition des images histopathologiques qui présententent le sujet d’intérêt de cette thèse. Dans ce cadre nous commencerons par l’explication de la routine de prédiction à base des images histopathologiques. Ensuite, nous détaille-rons les techniques de prétraitement de ces images. Enfin, nous explique-rons la structure de quelques bases d’apprentissage histopathologiques publiques.
4
histopathologiques
Sommaire
4.1 Introduction . . . . 89
4.2 Acquisition des tissus et numérisation des lames . . . . 89
4.3 Les techniques de prétraitement des images histolo-giques. . . . 91 4.3.1 Les méthodes de normalisation des images colorées à H&E 92 4.3.2 Les techniques d’augmentation des images
histopatholo-giques . . . . 94
4.4 La description des bases d’apprentissage hispatologiques 95 4.4.1 Bioimaging 2015 breast histology classification (BBHC-2015) 96 4.4.2 Breakhis . . . . 97 4.4.3 ICIAR-2018 . . . . 98 4.4.4 ICPR12, AMIDA13, MITOS-ATYPIA-14, et TUPAC16 . . 99 4.4.5 CRC, NCT-CRC-HE-100K-NONORM et CRC-VAL-HE-7K 100 4.4.6 Lymphoma . . . 101 4.4.7 Pcam . . . 101 4.4.8 KIMIA-PATH960 . . . 101
L’
analyse des images histolopatologiques colorées à l’hématoxyline et à l’éosine (H & E) est une tâche non triviale dans le diagnostic de plu-sieurs types de cancers. L’examen manuel de ces images a pluplu-sieurs enjeux liés à la subjectivité des décisions des pathologistes et la variance de ces images entre différents laboratoires. Le but de ce chapitre est de présenter les étapes d’acquisition et de prétraitement de ces images, et enfin nous décrivons quelques bases d’apprentissage histopathologiques accessibles au public. Ces bases sont exploitées par la communauté de l’imagerie mé-dicale pour concevoir des CAD qui permettent d’automatiser quelques tâches en histopathologie et de réduire la charge des pathologistes.Mots clés : Images histopathologiques, Acquisition, Prétraitement, Normalisation de couleurs, Microscope, Numérisation, Augmentation de données, Bases d’apprentissage histopathlogiques.
4.1 Introduction
La pathologie est une branche en médecine qui désigne la science de l’étude des maladies. L’histopathologie est une branche de l’histologie, où les tissus et les cellules biologiques malades sont examinés sous le microscope. L’étude de la structure et de la fonction des cellules et des tissus permet de révéler leur état de fonctionnement. Les structures non régulières et les déformations indiquent la présence d’une maladie.
Généralement, les pathologistes observent les biopsies colorées à H & E pour le pronostic, le classement et l’identification de différents types de cancers. Cette analyse est une étape non triviale dans le diagnostic des cancers [Araújo et al. 2017].
Récemment, les biopsies sont numérisées sous forme d’images en champ large (Whole slide images(WSI)) par les scanners de lame entière (Whole slide digital scanners (WSD)). Ces scanners sont des outils puis-sants pour la numérisation, l’acquisition et le partage des WSI, et cela facilite la phase de collecte des données pour la conception des CAD.
Le diagnostic des biopsies sous microscope est une tâche difficile et nécessite des années d’expérience, et cela engendre une grande variance entre les décisions de différents pathologistes. Comme solution, les CAD sont exploités pour réduire cette variabilité et diminuer la charge de travail des pathologistes.
Dans la plupart des applications, les CAD sont conçus par une suc-cession d’étapes d’analyse. La première étape consiste à détecter ou à segmenter les régions d’intérêt à partir des WSI [Paeng et al. 2017]. En-suite, ces régions sont traitées selon le type d’application, comme : la détection de la mitose [Cire¸san et al. 2013], la segmentation des glandes [Kainz et al. 2015], et la classification des sous types de lymphome [Janowczyk & Madabhushi 2016].
Malgré les efforts faits, l’analyse des images histopathologiques a plusieurs défis liés au manque de données d’apprentissage et l’inter-variabilité entre les images issues de différents laboratoires. Pour résoudre ces problèmes, des méthodes de normalisation et d’augmentation de don-nées ont été suggérées. En plus, plusieurs bases d’apprentissage ont été proposées dans l’état de l’art pour encourager la communauté de vision par ordinateur à concevoir des applications pour le traitement des images histopathologiques.
Les travaux présentés dans cette thèse s’intéressent à l’analyse des images histopathologiques par les méthodes d’apprentissage profond.
Dans ce qui suit, nous détaillerons le processus de prédiction et les différents prétraitements effectués pour l’analyse des images histopa-thologiques. Ensuite, nous présenterons quelques bases d’apprentissage conçues pour le traitement de ces images.