Deep learning pour l’aide au diagnostic des lésions cutanées

Abstract

La peau subit des agressions externes, physiques, chimiques et bactériologiques. Elle y répond par des réactions vasculaires et tissulaires non spécifiques, suivant un mécanisme parfois allergique. Les lésions cutanées se rapportent à un terme général qui caractérise une partie de la peau ayant, en comparaison de la peau l’entourant, une croissance/apparence ou structure qui diffère de tissus considérés comme sains. Pour diagnostiquer une lésion cutanée, une variété d'indices visuels peuvent être utilisés tels que la morphologie lésionnelle individuelle, la distribution du site corporel, la couleur, la desquamation et la disposition des lésions. Lorsque les éléments individuels sont analysés séparément, le processus de reconnaissance peut être assez complexe. Pour certaines maladies, leurs lésions sont si similaires qu'elles ne peuvent être distinguées visuellement. Les limites du dépistage visuel des lésions cutanées peuvent être surmontées grâce à l'utilisation du diagnostic assisté par ordinateur (DAO). Les systèmes DAO tentent d'imiter les performances des dermatologues pour déterminer la lésion cutanée en tant que normale ou anormale. Ces systèmes utilisent des algorithmes d'extraction de caractéristiques conçus par l'homme en combinaison avec un classifieur. Cependant, lorsque nous étendons les maladies de la peau à une gamme plus large, où les caractéristiques sont si complexes que la conception de caractéristiques artisanales devient irréalisable, l'approche traditionnelle échoue. C’est pour cette raison, qu’on fait recours aux techniques d’apprentissage profond. La percée de l'apprentissage profond a conduit à des progrès dans de nombreuses tâches de vision par ordinateur. Le problème fondamental abordé par cette thèse peut être énoncé comme une question : comment utiliser les derniers développements en apprentissage profond pour mettre en œuvre différents classifieurs capable d'examiner une image contenant une lésion cutanée et de prédire un résultat (malin ou bénin). Notre contribution s’oriente vers l’utilisation d’un pipeline en deux étapes (extraction de caractéristiques avec apprentissage profond + classification avec apprentissage automatique conventionnel) au lieu d'un pipeline d'apprentissage profond unifié de bout en bout.