Aide au diagnostic / pronostic des lésions pigmentaires en dermatologie par analyse multi-échelle d'images multi-modales

par Romain Cendre

Projet de thèse en Instrumentation et informatique de l'image

Sous la direction de Franck Marzani et de Alamin Mansouri.

Thèses en préparation à Bourgogne Franche-Comté , dans le cadre de SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques , en partenariat avec ImViA - Laboratoire d'Imagerie et Vision Artificielle (laboratoire) et de Pôle 5 - Systèmes de vision et Méthodes d'imagerie (equipe de recherche) depuis le 02-10-2017 .


  • Résumé

    Cette thèse s'inscrit dans une démarche de développement de méthodes d'aide au diagnostic en imagerie cutanée dans le cadre de l'analyse des lésions pigmentaires. Plus spécifiquement, plusieurs méthodes d'imagerie seront abordées dans un processus d'extraction et de fusion de paramètres de natures différentes. Sur le plan de l'analyse de ces images, les approches de type « machine learning » sont les plus fréquemment utilisées. Elles consistent à extraire un ensemble de caractéristiques des images utilisés dans un schéma de type apprentissage / classification. Alors que de nombreuses études ont été réalisées pour sélectionner les meilleures caractéristiques en dermatoscopie (forme, texture, couleur), les autres modalités ont été beaucoup moins étudiées. Quant à la combinaison de paramètres issus de différentes modalités, elle reste largement sous-exploitée. Le sujet de thèse proposé s'inscrit dans cet axe de recherche. L'atout majeur d'une approche de classification multimodale repose sur le fait que chaque modalité apporte un type de connaissance et que leur combinaison donne la complémentarité nécessaire à une grande précision, aussi bien au sens de la sensibilité que de la spécificité. Une telle approche n'est pas triviale pour deux raisons majeures sur lesquelles nous focaliserons notre étude. La première est liée à la nécessité de l'utilisation de modèles déformables dans un contexte de recalage multi-modal et multi-échelle d'images d'un même patient. La seconde repose sur une modélisation à base de décomposition tensorielle permettant de prendre en compte explicitement la nature multidimensionnelle des données et offrant ainsi la possibilité de traiter conjointement un ensemble de données recalées hétérogènes.

  • Titre traduit

    Aid for the diagnosis / prognosis of pigment lesions in dermatology by multi-scale analysis of multi-modal images


  • Résumé

    This phd thesis is part of an approach to develop diagnostic methods for skin imaging, used for analysis of pigment lesions. To reach our aim, several imaging methods be used in a process of extraction and fusion of parameters of different natures. Accordingly to these data, a machine learning approach seems to be the best way to solve this kind of problematics. Parameters and characteristics are extracted from these images, and are used in a learning mechanism as a kind of fuel for these process. While many studies have been carried out to select the best characteristics in dermatoscopy, the others modalities seems to be unused, and the combination of different parameters from multiple modalities seems to be forgotten nowadays. Consider that this subject will explore and focus on this field of research. The main advantage of a multimodal classification approach is that each modality brings us a type of knowledge. Their combination gives the necessary complementarity to a high degree of precision, both in terms of sensitivity, efficiency and specificity. Such an approach is not trivial for two major reasons on which we shall focus on our study. The first one is related for us to find connectivity between all these different data, using deformable models in a context of multi-modal and multi-scale registration of images of the same patient. The second one is based on a modelling using tensor decomposition, that allow to take into consideration the multidimensional nature of data and thus offering the possibility of jointly processing a set of heterogeneous recalculated data.