Caractérisation et modélisation de données de capteurs pour la détection d'anomalies mammaires

Characterization and modeling of sensor data for breast anomalies detection

• Auteur / Autrice : Raniya Ketfi
• Direction : Noureddine Zerhouni, Zeina Al masry
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/04/2023
• Etablissement(s) : Besançon, École Nationale Supérieure de Mécanique et des Microtechniques
• Ecole(s) doctorale(s) : SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques
• Partenaire(s) de recherche : Laboratoire : Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
• Partenaire(s) de recherche : Equipe de recherche : AS2M - Département Automatique et Systèmes Micro-Mécatroniques

Mots clés

Mots clés libres

Modélisation de données

Apprentissage automatique

Detection des anomalies

Adaptation du domaine

Traitement des données

Caractérisation des données

Data modeling

Machine learning

Anomalies detection

Domain adaptation

Data processing

Data characterization

Résumé

Le cancer du sein concerne une femme sur huit, en 2022, il est le premier cancer de la femme, représentant 12% de tous les nouveaux cas de cancer annuels dans le monde selon l'Organisation mondiale de la santé (OMS). Avec une détection précoce, le taux de survie du cancer du sein peut atteindre 90%. A ce jour, la mammographie est le moyen de dépistage le plus utilisé et est considérée comme la technique de référence. Toutefois, cette dernière nécessite une irradiation par rayons X ce qui limite son utilisation. Elle est considérée comme peu efficace pour la détection précoce des cancers chez les femmes jeunes ou ayant des seins très denses. Cette limite et le coût d'une organisation de dépistage par mammographie amène la WHO à ne pas recommander la mammographie en dépistage dans les pays sous-développés et sans organisation de santé suffisante. A l'ère du digital et des micros capteurs, les recherches se tournent actuellement vers l'imagerie portable et les systèmes connectés qui peuvent permettre la mise en oeuvre de techniques innovantes et complémentaires aux techniques conventionnelles pour rendre facile et aisé le processus du dépistage de cette maladie et à la portée des femmes de toutes tranches d'âge. Deux méthodes de collectes de données thermales existent. La thermographie est la mesure de la température basée sur le rayonnement infrarouge. Il s'agit d'une méthode non invasive, sans radiation. À ce jour, les diagnostics de tumeurs par caméra thermique sont généralement effectués dans le cadre d'examens complémentaires particulièrement en Asie. Des limites de cet examen ont été décrites en raison de difficulté de localisation spatiale des lésions. L'efficacité du diagnostic par thermographie s'est améliorée grâce à la sensibilité et la résolution de nouveaux capteurs thermiques ou des caméras thermiques utilisées et la définition de matrice thermique avec analyse automatique d'image. En parallèle à la thermographie, la mise au point de capteurs thermiques de surface performants est en cours. Dès 2007 des prototypes comportant des réseaux de capteurs à fibres optiques avec capteurs thermiques flexibles ont été testés pour étudier la température cutanée. Une étude d'un dispositif utilisant 16 capteurs thermiques de surface mammaire associés à une analyse des images par différents types de classificateurs de réseaux de neurones montre des résultats intéressants avec une sensibilité de 84%. De nouveaux capteurs de surface sont mis au point ; actuellement la forme la plus simple d'un capteur est un transducteur intégré à des dispositifs électroniques associé à un système compact et intelligent. Avec le développement technologique de ces capteurs, des données sont disponibles en temps réels et en quantité relativement importante. Grâce à cette collecte de données provenant des capteurs thermiques associées à des données cliniques et histopathologiques des patients, nous disposons d'une base de données variée et dense. Cette base de données permet l'utilisation de la puissance des techniques d'intelligence artificielle (i.e. algorithmes d'apprentissage automatique) pour la détection précoce, le diagnostic et le pronostic des anomalies mammaires. La problématique scientifique de cette thèse réside dans un premier temps dans le développement d'une méthodologie de collecte et structuration de données. Sur la base de cette méthodologie, une formalisation d'espace de données avec des métriques de qualification représentatives sera étudiée. Dans un second temps, la gestion optimisée du processus d'apprentissage associée à l'utilisation de l'intelligence artificielle (réseaux de neurones récurrents adaptatifs) sera étudiée. En parallèle de cette problématique scientifique, il y a un enjeu technologique qui correspond au développement de nouveaux micro-capteurs intelligents plus précis pour la détection et moins sensible au bruit. Toutefois, les propriétés des tissus mammaires diffèrent d'une tranche d'âge à une autre. Par conséquent, une problématique complémentaire consiste à adapter la démarche pour la détection chez les femmes à toutes tranches d'âge. L'état de l'art montre que l'adéquation de la qualité des données existantes pour la détection est un problème encore peu étudié. Il n'existe que peu de méthodes pour évaluer l'adéquation des données à ces techniques. Ces travaux analysent l'adéquation d'un ensemble de données existant aux objectifs fixés. Une fois la qualité de données étudiée, il est important de généraliser et de garantir la validité des modèles de détection d'anomalies pour toutes tranches d'âges.

Breast cancer affects one in eight women, and in 2022 it is the leading cancer in women, accounting for 12% of all new annual cancer cases worldwide according to the World Health Organization (WHO). With early detection, the survival rate of breast cancer can reach 90%. To date, mammography is the most widely used means of screening and is considered the reference technique. However, the latter requires X-ray irradiation which limits its use. It is considered to be ineffective for the early detection of cancers in young women or women with very dense breasts. This limitation and the cost of a mammography screening organization leads the WHO not to recommend mammography for screening in underdeveloped countries and without sufficient healthcare. In the digital age and microsensors, research is currently turning to wearable imaging and connected systems that can allow the implementation of innovative techniques that complement conventional techniques to make the screening process for this disease easy and accessible to women of all age groups. Two methods of thermal data collection exist. Thermography is the measurement of temperature based on infrared radiation. It is a non-invasive, radiation-free method. To date, thermal imaging camera diagnoses of tumors are generally carried out as part of complementary examinations, particularly in Asia. Limitations of this examination have been described due to difficulties in locating lesions spatially. The efficiency of thermography diagnostics has improved thanks to the sensitivity and resolution of new thermal sensors or thermal cameras used and the definition of thermal matrix with automatic image analysis. In parallel with thermography, the development of high-performance surface thermal sensors is underway. As early as 2007, prototypes involving fiber optic sensor networks with flexible thermal sensors were tested to study skin temperature. A study of a device using 16 thermal breast surface sensors combined with image analysis by different types of neural network classifiers shows interesting results with a sensitivity of 84%. New surface sensors are developed; Currently the simplest form of a sensor is a transducer integrated into electronic devices combined with a compact and intelligent system. With the technological development of these sensors, data is available in real time and in relatively large quantities. Thanks to this collection of data from thermal sensors combined with clinical and histopathological data of patients, we have a varied and dense database. This database allows the use of the power of artificial intelligence techniques (i.e. machine learning algorithms) for the early detection, diagnosis and prognosis of breast abnormalities. The scientific problem of this thesis lies first in the development of a methodology for collecting and structuring data. Based on this methodology, a formalization of data space with representative qualification metrics will be studied. In a second step, the optimized management of the learning process associated with the use of artificial intelligence (adaptive recurrent neural networks) will be studied. In parallel with this scientific problem, there is a technological challenge that corresponds to the development of new intelligent micro-sensors that are more accurate for detection and less sensitive to noise. However, the properties of breast tissue differ from one age group to another. Therefore, a complementary problem is to adapt the approach for detection in women at all age groups. The state-of-the-art shows that the adequacy of the quality of existing data for detection is still a problem little studied. There are few methods to assess the suitability of data for these techniques. This work analyses the adequacy of an existing data set to the objectives set. Once the quality of the evidence has been investigated, it is important to generalize and ensure the validity of anomaly detection models for all age groups.