Méthodes de description et classification par appren- appren-tissage automatique :

Ce sont les méthodes dont l’extraction des descripteurs et la classification sont réa-lisés par apprentissage automatique. Comme dans plusieurs domaines aujourd’hui, ici lesConvolutional Neural Network (CNN)sont utilisés pour détecter les polypes.

Parmi les travaux existants nous pouvons citer :

• Dans l’article [72, 25] les auteurs proposent un CNN composé de trois par-ties pour la détection automatique des polypes sur des images de CE. Une première partie réalise un sous-échantillonnage à l’aide de couches de convo-lution et de couches appelées Max-Pooling, une seconde partie réalise un sur-échantillonnage avec des couches de convolution et des couches appelées Up-sampling et une dernière partie totalement connectée classe les descripteurs extraits à l’aide des deux premières parties. Les auteurs ont participé au chal-lenge de détection de polypes de la conférence MICCAI en 2015.

• Dans l’article [50, 25] les auteurs utilisent AlexNet [56], un réseau de neurone convolutionnel pré-entrainé à l’aide la base des images ILSVRC 2012 [80]. La taille de la couche d’entrée a été modifiée pour s’adapter à des images de 96x96 pixels, et les auteurs ont réduit la taille des noyaux des deux premières couches de Max-Pooling de 3 à 2. A la sortie du réseau, la dernière couche a été mo-difiée afin d’avoir seulement deux sorties : polype, non polype. Les auteurs

2.2. ANALYSE

ont augmenté la base de données en utilisant des techniques de rotation, de symétrie, de redimensionnement et de recadrage sur des images de la base de données originale. Ils ont appelé leur réseau de neurones convolutionnel Caf-feNet. Ils ont participé au challenge de détection des polypes de la conférence MICCAI 2015.

• Dans l’article [99, 25], les auteurs proposent trois réseaux de neurones convo-lutionnels qui ont été entrainés pour trois différentes échelles d’image. La der-nière couche de chaque réseau de neurones convolutionnel a été éliminée pour permettre leur agrégation. Cette dernière est réalisée à l’aide d’un perceptrons multi-couches entrainé séparément. Ils ont participé au challenge de détection de polypes de la conférence MICCAI 2015.

• Dans l’artcile [94], les auteurs proposent un réseau de neurones convolutionnel 3D pour la détection automatique des polypes. Ce réseau analyse l’information spatio-temporelle d’un segment de vidéo d’une coloscopie avec une carte des probabilités. Il est capable d’extraire des descripteurs spatio-temporels plus représentatifs que des descripteurs spatiaux. La méthode a été évaluée avec la base de données ASU-Mayo [25].

• Dans l’article [98], les auteurs présentent un nouveau paradigme de réseau de neurones convolutionnel basé sur la régression temporelle pour la détection automatique des polypes en temps réel pendant la coloscopie. Leur méthode est composée de deux parties : une première partie est constituée d’un seau pentrainé, ResYOLO, et une seconde partie est composée d’une ré-gression temporelle réalisée avec des opérateurs de convolution nommés Effi-cient Convolution Operators (ECO). La méthode a été évaluée avec la base de donnes cliniques ASU-Mayo [25].

2.2 Analyse

Le tableau 2.4 fait une synthèse des différents travaux présentés pour la reconnais-sance automatique des polypes en indiquant la source des images, les méthodes utilisées et les performances obtenues.

Toutes les méthodes présentées sont des travaux de recherches dont les expé-riences ont été menées sur des bases de données d’images acquises préalablement, soit lors d’une coloscopie, soit lors de l’utilisation d’une CE. Aucune de ces mé-thodes n’a été testée durant un examen ce qui est important si nous désirons les utiliser comme aide au diagnostic durant la coloscopie par exemple. Dans ce cas il est aussi nécessaire que la méthode choisie puisse être exécutée en temps réel, avec

2.2. ANALYSE

Table 2.4 : État de l’art : méthodes de détection automatique des polypes

Authors, année DB Images Source Descripteurs Sensi- Spéci-(polypes) (méthode) bilité ficité Méthodes de description et de classification par traitement d’image

[53] 50 (10) CE Forme, texture 100 67,5 [54] 100 Coloscopie Forme, texture 96,2 70,2 [24] 300 (300) Coloscopie Forme 89,0 98,0 [67] 18900 (230) CE Forme (Buades) 47 90,0

Méthodes de classification par apprentissage automatique [55] 140 (70) CE Texture(LBP) 97 94 [66] 1200 CE Texture(LBP) 91,6 NA [78] 1500 (300) Coloscopie Texture(Ocurrence) 91,0 95,2 [34] 30540 Coloscopie Forme(HOG) 80,0 65,0 Méthodes de description et de classification par apprentissage automatique

[25] ASU-Mayo Coloscopie CNN 71,4 94,4 [25] ASU-Mayo Coloscopie CNN 51,5 98,3 [99] CVC-Clinic Coloscopie CNN 52,8 NA [94] ASU-Mayo Coloscopie CNN 71,0 NA [98] ASU-Mayo Coloscopie CNN 71,6 97

au moins une latence de traitement par image de 40 ms. Cette latence correspond à une cadence vidéo standard de 25 images par seconde.

Toutes ces méthodes ont été conçues pour être exécutées sur un ordinateur ex-terne sans prise en compte de contraintes de latence, de consommation ou de surface, telle que celles qui existent pour une intégration dans une CE.

La plupart des méthodes ont été testées sur des petites bases de données, sauf pour la méthode de Mamonov et al. [67] qui par contre présente une faible sensibilité de détection et la méthode de David et al. [34] qui présente une faible spécificité.

Comme le montre les travaux de Li & Meng [66] et Kodogiannis et al. [55] les descripteurs de texture sont très utiles pour la caractérisation des polypes. Dans ces travaux, les auteurs ont utilisé un réseau de neurones qui montre un bon taux de détection. De manière générale, bien que les méthodes utilisant les réseaux de neurones convolutionnels arrivent à de très bonnes performance en terme de taux de détection, il utilisent tous une quantité de neurones et de synapses, cette grande nombre rends difficile leur intégration dans un système sur puce avec une surface de 8 ∗ 8mm2 qui a une budget énergétique limitée, nous parlons ici de plus de 4 millions de synapses pour le réseau GoogleNet [88] qui est parmi les plus petits. Les auteurs de [4] ont fait un circuit qui a une consommation de 879 mW (pour une tension de 1 Volt) pour une itération de GoogleNet avec un devis de 23,6 images par seconde. Cette consommation représente une autonomie estimée de 0,43 heures pour un budget énergétique de 376mAh, ce qui n’est pas envisageable pour réaliser le trajet de tout le tract intestinal.

2.2. ANALYSE

Dans les travaux de Romain et al. [78], ils proposent une méthode pour la re-connaissance automatique des polypes envisagé pour être intégrée dans une CE. Dans cette méthode la classification est réalisée à partir des régions susceptibles de contenir une polype. Ces régions sont extraites à l’aide d’algorithmes de traitement d’images et sont caractérisées par des descripteurs de texture. Le classifieur a été entrainé avec des régions extraites à partir d’une base de données de 300 images avec un polype et 1200 images sans polype provenant de coloscopies. Cette méthode obtient de bonnes performances, une sensibilité de 91% et une spécificité de 95% pour la reconnaissance des polypes.

C’est donc tout naturellement que je suis parti de cette méthode dans le cadre de mes travaux de thèse. D’autant plus que ces travaux ont été réalisés en collaboration avec l’équipe Syel du LIP6 dans laquelle j’ai effectué ma thèse.

J’ai pu observer que la limite principale de cette méthode est due au fait que les bonnes performances de reconnaissance d’un polype dépendent fortement de la capacité à bien extraire la région susceptible de contenir un polype. Les travaux réalisés dans cette méthode se sont d’avantages focalisés sur le classifieur. L’avantage de cette approche est le bas niveau de complexité du calcul propre aux arbres binaires qui rend faisable la mise en œuvre de ce classifieur dans une CE.

Les performances de reconnaissance sont toutefois à relativiser, les mesures ayant été réalisées suite à une une extraction manuelle des régions sans utiliser la phase d’extraction automatique de ces régions.

Dans les chapitres suivants nous présentons les solutions que nous avons propo-sées et étudiées à partir de la chaîne de traitement de Romain et al. Notre première proposition scientifique concerne une nouvelle méthode pour la reconnaissance des polypes basée sur des arbres flous. Notre seconde proposition concerne l’intégration de cette méthode de reconnaissance dans une chaine de traitement avec l’extraction automatique des régions d’intérêt.

Chapitre 3

Classification des polypes par arbres