Sélection des variables et classification par réseaux de neurones

SETIT 2007
4th International Conference: Sciences of Electronic,
Technologies of Information and Telecommunications
March 25-29, 2007 – TUNISIA
Sélection des Variables et Classification par Réseaux
de Neurones des Lésions Dermatologiques
Nadra Ben Romdhane*, Khaled Taouil*, Sonia Boudaya**, Hamida Turki**
et Mohamed Salim Bouhlel*
* Unité de recherches : Sciences et Technologies de l'Image et des Télécommunications
ISBS, Université de Sfax - Tunisie
[email protected]
khaled.taouil@ isecs.rnu.tn
[email protected]
**Service de dermatologie, CHU Hédi Chaker de sfax
Résumé: L’objectif de ce travail est la sélection des paramètres les plus discriminants pour la classification des images
de lésions dermatologiques de type mélanome.
L’image numérique de la lésion est tout d’abord segmentée en utilisant une approche hybride basée sur les
traitements morphologiques et les contours actifs. Ensuite, les descriptions cliniques des signes de malignité sont
quantifiées en un ensemble de paramètres qui résument les caractéristiques géométriques et photométriques de la lésion.
68 paramètres sont extraits pour chaque lésion. Après l’étude de la corrélation et de la robustesse, nous retenons 42
paramètres. Les méthodes de sélection séquentielle forward (Sequential forward selection (SFS) et backward
(Sequential Backward selection (SBS)) permettent de retenir les paramètres les plus discriminants pour l’étape de
classification. Deux types de classifieurs ont été testés à savoir les réseaux de neurones de régression généralisée
(General Regression Neural Network (GRNN)) et les Perceptrons multicouches (PMC) (multilayer perceptron neural
network (MLPNN)). Leur performance de classification se base sur la comparaison de la valeur de l’indice de l’aire
(Az) de la courbe ROC (Receiver Operating Characteristic curve) correspondant à chaque classifieur. Les classifications
par GRNN et PMC ayant pour entrées les paramètres sélectionnés par la méthode SFS ont permis d’avoir des indices
de performance Az respectivement de l’ordre de 89,10 % et 78,90%.
Mots clés : Mélanome, Paramètres discriminants, Perceptron multicouche, Réseau de Neurones par Régression
Généralisée, Sélection séquentielle.
La sélection des paramètres a pour but de choisir le
meilleur sous-ensemble des paramètres existants pour
résoudre un problème [LER99]. Cet ensemble doit
contenir les variables, les plus robustes et les plus
discriminantes. La sélection de variables est donc un
problème complexe et a fait l'objet de nombreuses
recherches [LER99].
INTRODUCTION
Le mélanome est une tumeur maligne qui se
développe aux dépend des mélanocytes et survenant
soit primitivement en peau saine, soit par
dégénérescence d'un naevus préexistant [IPP05]
[JOL92]. Le pourcentage de guérison peut atteindre
70% si le cancer est reconnu et excisé dans un premier
stade [POP04] [XU99]. Les dermatologues utilisent la
règle ABCD pour reconnaître la nature cancéreuse
d’une lésion [FRI85]. La précision du diagnostic (vrai
positif) est de l’ordre de 75% [SCH03]. Les logiciels
d’aide au diagnostic des mélanomes peuvent améliorer
le résultat du diagnostic particulièrement chez les
centres non spécialisés dans le diagnostic des
mélanomes.
Mehru et al. [MEH02] a sélectionné les paramètres
de description des lésions en utilisant un critère basé
sur le produit de la distance de Fisher et l’aire sous la
courbe ROC. Ensuite, il a sélectionné les paramètres
ayant donné les valeurs les plus importantes. Yang et
Guan [YAN00] appliquent les méthodes SFS et SBS
en utilisant les réseaux de neurones de type réseaux de
neurones de régression généralisée pour sélectionner les
paramètres
de
microcalcification
les
plus
-1-
SETIT2007
qui est irrégulière et floue ainsi qu’à la présence des
bruits comme la réflexion de la lumière, l’ombre et la
présence des poils.
discriminants. Fu et al. [FU05] applique la méthode
SFS et deux classifieurs qui sont le GRNN et le SVM
(support vector machine) pour la sélection des
paramètres et la classification des microcalcifications
mammographiques.
Dans la suite de ce papier, nous présentons la
méthodologie que nous avons adoptée pour la
sélection des paramètres et pour la classification des
grains de beauté.
La segmentation par l’approche extraction de
régions, vise à partitionner l'image en un ensemble de
groupes de pixels connexes et homogènes.
L'homogénéité est généralement calculée à partir des
valeurs des pixels [KHA02]. La segmentation
d’images en régions est assurée soit par une approche
de classification de pixels, soit par une approche de
croissance de région [KHA02].
1. Méthodes et techniques
La segmentation par détection de contours permet
d’avoir un contour unique dans l’image. Cette
segmentation peut être assurée par l’approche des
contours actifs (ou snakes). Ces contours
correspondent à des courbes fermées disposées sur une
image et que nous souhaitons faire converger vers une
zone particulière de cette image en les déplaçant
itérativement. Ces courbes sont définies dans le
domaine des images, ils peuvent se déplacer sous
l'influence des forces internes à la courbe et des forces
externes calculées à partir des données de l'image
[KAS87, ZHA05].
1.1. Le système d’aide au diagnostic
Acquisition d’une
image de lésion
Traitement
de l’image
Analyse
histologique
Extraction de
paramètres
Images
quantifiées
Classification
Apprentissage Test
Sélection des
paramètres
discriminants
Les approches de segmentation hybride se basent
sur deux étapes. La première consiste à un
prétraitement de l’image qui va fournir un masque
approximatif de la lésion. La deuxième consiste à
détecter le contour exact de l’objet à segmenter en
partant du contour du masque approximatif déjà
obtenu.
Diagnostique
de la lésion
Figure 1. Chaîne de diagnostic assisté par ordinateur
des images de lésions dermatologiques.
La figure 1 illustre la chaîne de diagnostic assisté
par ordinateur des images de lésions dermatologiques.
Les images de lésions acquises sont généralement
prétraitées pour réduire l’effet de différents types de
bruits qui sont dus au capteur, aux conditions
d’éclairage, à la présence de poils et à la nature de la
peau [KAL03]. L’image est ensuite segmentée pour
extraire la zone d’intérêt qui est la lésion [BOU02]
[KHA02]. Le résultat de la segmentation est une
image binaire représentant un masque qui attribue
chaque pixel soit à la lésion (pixel noir) soit à la peau
saine environnante (pixel blanc). Ce masque servira
pour
la
quantification
des
caractéristiques
géométriques et photométriques de la lésion [TAO02].
Ensuite, les paramètres les plus robustes et les plus
discriminants seront utilisés pour l’étape de
classification. La classification nécessite une base
d’images de lésions malignes et bénignes dont la
nature a été parfaitement déterminée par analyse
histologique. Cette base est répartie en une base
d’apprentissage et une base de test pour valider la
méthode adoptée pour la classification [KHA03],
[ZAG04], [LEP03].
1.3. Sélection des paramètres
Pour sélectionner les variables, trois critères
doivent être fixés [LER99] à savoir la méthode
d’évaluation de la pertinence d'un ensemble de
variables, la procédure de recherche à suivre et le
critère d’arrêt de la sélection. La recherche exhaustive
est à éviter ; il faut se baser sur les méthodes
heuristiques à savoir les méthodes SFS et SBS
[YAN00].
La méthode de sélection SFS est une méthode de
recherche ascendante (bottom-up) de l’ensemble de
paramètres les plus discriminants à partir d’un
ensemble initial de paramètres. Pour cette méthode, un
paramètre p est ajouté à la fois à l’ensemble ESFS des
paramètres sélectionnés. Ainsi, le premier paramètre
sélectionné est celui le plus discriminant de
l’ensemble initial des paramètres.
Pour chaque étape, on insère un à un les
paramètres non encore insérés dans ESFS et on calcule
l’erreur de classification correspondante avec:
1.2. Segmentation des images des lésions
E =1/ q
La segmentation de l'image est l’étape la plus
critique du processus de traitement des lésions
dermatologiques. Elle consiste à extraire la région
d'intérêt de l’image qui est dans notre cas la lésion.
Plusieurs facteurs peuvent fausser le résultat de la
segmentation à savoir le faible contraste entre la lésion
et la peau saine environnante, la frontière de la lésion
q
∑ ( di − ai )²
(1)
i =1
avec
q:
Nombre total d’images
d’apprentissage.
di : Sortie désirée.
ai : Sortie réelle.
-2-
de
la
base
SETIT2007
permet de présenter les résultats calculés par le réseau
sur le vecteur d’entrée fourni au réseau. Entre l’entrée
du réseau et sa sortie des couches intermédiaires
peuvent se présenter, elles sont appelées des couches
cachées. Le rôle de ces couches est de transformer les
données d’entrée pour en extraire ses caractéristiques
qui seront par la suite plus facilement classifiées par la
couche de sortie. Dans ces réseaux, l’information se
propage de couche en couche, parfois à l’intérieur
même d’une couche, par l’intermédiaire de
connexions pondérées.
Le paramètre qui sera sélectionné pour chaque
étape est celui pour lequel le nouvel ensemble ESFS
permet de minimiser l’erreur de classification. La
sélection des paramètres s’arrête lorsque en ajoutant
un nouveau paramètre, l’erreur de classification
augmente.
La méthode de sélection SBS est une méthode de
sélection descendante (top down) contrairement à la
méthode SFS. Cette méthode commence avec tout
l’ensemble de paramètres. Pour chaque étape, le
paramètre le moins discriminant sera éliminé de la
liste. La sélection des paramètres s’arrête lorsqu’en
supprimant un nouveau paramètre, l’erreur de
classification augmente.
Un réseau de neurones opère en deux phases
consécutives : une phase de conception et une phase
d’utilisation. La première phase consiste à choisir
l’architecture du réseau et de ses paramètres à savoir
le nombre de couches cachées et le nombre de
neurones dans chacune de ces couches. Une fois ces
choix sont fixés, on peut entraîner le réseau. Au cours
de cette phase, les poids des connexions du réseau et
le seuil de chaque neurone seront modifiés pour
pouvoir s’adapter à différentes conditions d’entrée.
Une fois l’apprentissage du réseau est terminé, il passe
en phase d’utilisation pour réaliser le travail pour
lequel il a été conçu.
L’évaluation de la sélection peut se baser sur le
critère du λ de Wilks [SAP90] avec:
λp =
det(W p )
det(T p )
(2)
où det(W p ) et det(T p ) sont, respectivement, les
déterminants des matrices de variance intraclasse et
totale pour un sous-ensemble de p variables. Un sousensemble de variables à rechercher est celui qui
permet de minimiser λ p .
1.4.1. Perceptron multicouche
Pour un réseau multicouche, le nombre de
neurones dans la couche d’entrée et dans la couche de
sortie est déterminé par le problème à résoudre
[MAG05], [LEP03], [KHA03]. L’architecture de ce
type de réseau est illustrée sur la figure 2.
Cependant un critère d’arrêt de la suppression de
variables peut être défini. En effet, la statistique
mesurant l’apport d’une pième variable pour la
discrimination des classes suit une loi de Fisher à
(k-1,card(L-k-p+1)) degrés de liberté Fk-1,card(L-k-p+1).
Fs =
(card ( L − k − p + 1)) 1 − λ p
λp
(k − 1)
(3)
Sortie
Ainsi, pour un niveau de confiance α donné, le
critère d’arrêt est un seuil fs tel que :
P(Fk-1,card(L-k-p+1)(l)> fs)≥1-α
Entrée
(4)
Couche
d’entrée
Couche
Cachée
Couche de
Sortie
Figure 2. Architecture d’un réseau perceptron
multicouche.
De manière pratique, la suppression de variables se
poursuit tant que Fs est inférieure à fs, ce qui
statistiquement signifie que la variable supprimée
n’apporte pas de contribution significative pour la
discrimination, au sens de la loi de Fisher et du niveau
Selon [LEP03], le réseau de neurones aura une
seule couche cachée avec un nombre de neurones
approximatif égale à :
de confiance α.
J = N( M + 2 ) +1
L’évaluation peut se baser aussi sur le calcul de
l’erreur de classification par réseau de neurones pour
chaque nouveau sous ensemble de paramètres
sélectionnés.
(5)
avec : N : le nombre de paramètres en entrée.
M: le nombre de neurones de la couche de
sortie.
1.4.2. Réseaux de NeurRQHVGHRégression
1.4. Classification des images par réseau de
neurones artificiel
Généralisée
Les réseaux de neurones de Regession généralisée
(General Regression Neural Networks, GRNN), sont
basés sur l’estimation d’une fonction de densité de
probabilité. Développés à l’origine pour des
applications statistiques et connus sous le nom de
Nadaraya-Watson kernel régression, le réseau GRNN
a été redécouvert en 1991 par Donald Specht
[GAR00], [YAN00], [FU05]. L’architecture de ce type
Pour un réseau de neurones artificiel, chaque
neurone est interconnecté avec d’autres neurones pour
former des couches dans le but de résoudre un
problème spécifique sur les données fournies en entrée
au réseau [LEP03], [KHA03]. La couche d’entrée est
responsable de la saisie des données pour le réseau. Le
rôle des neurones de cette couche est de transmettre
les données à traiter au réseau. La couche de sortie
-3-
SETIT2007
Pour caractériser les différents types de lésions,
nous avons opté pour une approche paramétrique
[Tao02, KHA03]. Elle consiste à décrire les lésions
par des paramètres quantitatifs dans le but de les
classifier. Ces paramètres tendent à exprimer le mieux
possible, la règle des ABCD relative aux descriptions
cliniques des dermatologues. Les signes cliniques
retenus pour caractériser les mélanomes et les
différents nævi sont principalement l’irrégularité du
contour, l’asymétrie de la forme et de la couleur ainsi
que l’hétérogénéité de la couleur. Nous avons réparti
les paramètres en deux catégories: les paramètres
géométriques et les paramètres photométriques
[TAO02]. Les paramètres géométriques sont extraits à
partir des formes binarisées issues de la segmentation.
Ces paramètres permettent de caractériser la forme de
la lésion, son allongement et la régularité de son
contour. Les paramètres photométriques sont calculés
à partir des images représentées dans l’espace RVB et
des images binarisées. Ces paramètres permettent de
décrire l’homogénéité et la symétrie de la couleur
ainsi que l’écart entre la moyenne de la couleur de la
lésion et celle de la peau saine environnante. Un
ensemble de 68 paramètres sont extraits pour chaque
lésion. Après l’étude de la corrélation et de la
robustesse, nous retenons 42 paramètres [KHA03].
de réseau est illustrée sur la figure 3.
Ω
n1
Ω
Ω
n1/n2
n2
Sortie
Entrées
Couche
d’entrée
Couche
Cachée
Couche de Couche de
sommation
Sortie
Figure 3. Architecture du GRNN utilisé.
L’architecture du GRNN est formée de quatre
couches : la couche d’entrée, la première couche
intermédiaire constituée d’unités radiales, la seconde
constituée d’unités de sommation et la couche de
sortie. L’avantage principal de ce type de réseau est la
rapidité de la phase d’apprentissage obtenue grâce à
l’utilisation de la fonction de type kernel. La sortie de
cette fonction est une estimation du degré auquel le
vecteur d’entrée inconnue correspond à la distribution
déterminée. Le seul paramètre ajustable du réseau est
la déviation pour la fonction kernel qui permet
l’interpolation entre les vecteurs de l’ensemble
d’apprentissage. L’optimisation de ce paramètre est
très important pour les performances du réseau et est
déterminé à l’aide d’ajustements itératifs et de la
procédure de validation croisée [GAR00],[WAS05].
2.1. Résultats de la sélection des paramètres
Pour trouver les paramètres les plus discriminants
pour l’étape de classification depuis la liste des 42
paramètres, nous appliquons en premier lieu la
méthode de sélection séquentielle forward (Sequential
forward selection (SFS). En deuxième lieu, nous
appliquons la méthode de sélection séquentielle
backward (Sequential Backward selection (SBS)). Les
images de la base d’apprentissage et de test ont été
aléatoirement sélectionnées.
2. Résultats et discussion
La sélection des paramètres et la classification ont
été testés sur un ensemble de 77 lésions
dermatologiques de type grains de beauté (48
bénignes, 29 malignes) dont la nature est parfaitement
connue après analyse histologique. Une première base
d’images a été collectée en France avec la
collaboration du laboratoire de recherche PSI-INSA à
Rouen et supportée par la Ligue Nationale française
contre le Cancer. Cette base a été numérisée en vraies
couleurs par un scanner de diapositives 35 mm Nikon
LS-1000. Une deuxième base à été collecté en Tunisie
avec la collaboration du service dermatologique du
centre hospitalier universitaire Hédi Chaker de Sfax.
Celle-ci a été numérisée en vraies couleurs avec un
scanner HP Scanjet 3570c.
Nous avons utilisé une méthode de segmentation
hybride et automatique qui se base sur les techniques
du
seuillage
d’histogramme,
des
fonctions
morphologiques et des contours actifs [TAO06]. La
figure 4 présente un exemple d’une image segmentée
d’un mélanome.
Pour la méthode SFS, l’évaluation de la sélection
des paramètres se base sur la comparaison de l'erreur
générée par les réseaux de neurones par régression
généralisée pour les différents sous-ensembles de
variables sélectionnés. L'ensemble de variables choisi
est celui qui minimise l’erreur de l’équation 1. Pour
cela, nous avons poursuivi la recherche jusqu’à la
sélection de tous les paramètres. Ensuite nous avons
choisi le plus petit sous-ensemble obtenu avec l'erreur
minimale. Le résultat de la première méthode de
sélection est illustré sur la figure 5.
Figure 5. Résultats de la sélection des paramètres par
la méthode SFS.
Figure 4. Résultat de la segmentation : lésion et son
contour.
-4-
SETIT2007
Sur cette figure nous présentons la variation de la
moyenne du carrée de l’erreur de classification en
fonction du nombre de paramètres inclus pendant
l’apprentissage et le test des GRNNs. Selon la courbe
de test, nous constatons que l’ensemble de paramètres
les plus discriminants permettant de minimiser l’erreur
de test est obtenu après l’insertion des dix premiers
paramètres (MSE=0,1434). La sélection par la
méthode SFS a permis ainsi une réduction de 76,19%
du nombre de paramètres. La liste des paramètres
sélectionnée est présentée dans le tableau 1.
Cette méthode offre une réduction de 66,66% de
l’ensemble initial de paramètres. Le tableau2 présente
l’ordre de sélection des variables photométriques
(Rg :01-09) et des variables géométriques (Rg :10-14).
2.2. Résultats de la classification des images de
lésions
La classification se base sur les paramètres retenus
dans l’étape de sélection des paramètres. Dans ce qui
suit, nous présenterons les résultats obtenus par deux
types de classifieurs : réseau de neurones par
régression généralisée et perceptrons multicouches.
Tableau 1. Ordre de sélection des paramètres par la
méthode SFS.
Rg
N°
01
24
scV
symétrie de la composante V
02
09
rmoyL
moyenne du rouge normalisé dans la
lésion
03
03
DeltaD
Etendu
04
35
Beta
coordonnée sphérique Beta
05
23
scR
symétrie de la composante R
06
01
rf
rapport de finesse
07
39
RB
Le rapport lésion sur peau saine pour le
rouge
08
29
gamma1B
coefficient de Fisher sur le bleu
09
16
sigmamoyLb L’écart type du bleu normalisé dans la
peau saine
10
06
scB
Deux réseaux de neurones par régression
généralisée ont été appris. La figure 6 illustre les
résultats de la classification des images de la base de
test en utilisant successivement les 10 paramètres les
plus discriminants sélectionnés par la méthode SFS et
l’ensemble des 42 paramètres initiaux. Leurs
performances de classification se base sur la
comparaison de la valeur de l’indice de l’aire (Az) de
la courbe ROC de chaque réseau.
Description
Une courbe ROC consiste à représenter la valeur
de la sensibilité en fonction de (1-spécificité) pour
toutes les valeurs de seuils possibles, et à joindre ces
points par une courbe [BUV06] [MET03]. Ces
mesures sont définies comme suit :
Sensibilité =
symétrie de la composante B
Spécificité =
La méthode SBS a été appliquée sur les variables
géométriques et photométriques séparément, afin
d’équilibrer la participation des deux catégories de
paramètres à la séparation des deux classes. Le critère
d’évaluation est celui du lambda de wilks. Le critère
d’arrêt se base sur la statistique de Fisher. Cette
méthode a permis de sélectionner 14 paramètres.
symétrie de la composante V
02
25 scB
symétrie de la composante B
03
23 scR
symétrie de la composante R
04
19 er
écart entre la moyenne de la lésion et la
moyenne de la peau sur le rouge normalise
05
21 eb
écart entre la moyenne de la lésion et la
moyenne de la peau sur le bleu normalise
06
27 scv
symétrie de la composante v
07
11 bmoyL
moyenne du bleu normalisé dans la lésion
08
34 Alpha
coordonnée sphérique Alpha
09
09 rmoyL
moyenne du rouge normalisé dans la lésion
10
07 conc
indice de concavité en surface
11
01 rf
rapport de finesse
12
05 Em
écart moyen
13
04 rc
régularité du contour
14
03 DeltaD
Etendu
(7)
0,9
0,8
0,7
Sensibilité
24 scV
# Vrais Négatifs
# Vrais Négatifs + # Faux Positifs
1
Description
01
(6)
avec #Vrais Positifs et #Faux Négatifs correspondent
respectivement au nombre de lésions malignes bien
classées et mal classées. De même, # Vrais Négatifs et
#Faux Positifs correspondent respectivement au
nombre de lésions bénignes bien classées et mal
classées.
Tableau 2. Ordre de sélection des paramètres par la
méthode SBS.
Rg N°
# Vrais Positifs
# Vrais Positifs + # Faux Négatifs
0,6
0,5
0,4
0,3
0,2
No discrimination
G511
GRNN 10
0,1
0
0
0,5
1
1 - Spécificité
Figure 6. Comparaison des courbes ROC obtenues en
utilisant l’ensemble des 10 paramètres discriminants
sélectionnés par la méthode SFS et l’ensemble des 42
paramètres.
-5-
SETIT2007
L’aire sous la courbe ROC ou indice de l’aire
représente la probabilité d’identifier correctement
l’image avec anomalie lorsqu’une image avec
anomalie et une image sans sont présentées
simultanément à l’observateur [BUV06].
Ainsi, le réseau de neurones aura huit neurones
dans sa couche cachée.
La figure 8 illustre les résultats de la classification
par deux PMC en utilisant les paramètres sélectionnés
successivement par les méthodes SFS et SBS.
A l’aide de ces courbes, la valeur obtenue de Az
est de l’ordre de 89,10% avec les 10 paramètres
sélectionnés et de 87,9% avec les 42 paramètres.
1
0,9
Un troisième réseau de neurones par régression
généralisée a été appris avec les 14 paramètres
sélectionnés par SBS. La figure 7 illustre les résultats
de la classification par deux GRNN en utilisant les
paramètres sélectionnés successivement par les
méthodes SFS et SBS.
0,8
Sensibilité
0,7
1
0,6
0,5
0,4
0,3
0,9
No discrimination
0,2
PMC 10
0,8
0,1
Sensibilité
0,7
PMC 14
0
0,6
0
0,5
0,4
0,3
GRNN 14
0,1
GRNN 10
0
0
0,5
1
Figure 8. Comparaison des courbes ROC obtenues
après
classification
par
PMCs
utilisant
successivement les 10 premiers paramètres
sélectionnés par la méthode SFS et les 14 premiers
paramètres sélectionnés par le critère de Lambda de
Wilks .
No discrimination
0,2
0,5
1 - Spécificité
1
A l’aide de ces courbes, la valeur de Az est de
1 - Spécificité
78,90 % avec SFS et 77,20 % avec SBS. D’où, la
première méthode de sélection est aussi plus
performante en se basant sur les PMC comme
classifieurs.
Figure 7. Comparaison des courbes ROC obtenues
après
classification
par
GRNNs
utilisant
successivement les 10 premiers paramètres
sélectionnés par la méthode SFS et les 14 premiers
paramètres sélectionnés la méthode SBS .
3. Conclusion
A l’aide de ces courbes, la valeur de Az est de
89,10% avec les 10 paramètres sélectionnés par SFS et
61,50% avec les 14 paramètres sélectionnés par SBS.
D’où, la première méthode de sélection est plus
performante en se basant sur les GRNN comme
classifieurs.
La sélection des paramètres a pour but de choisir le
meilleur sous-ensemble des paramètres existants pour
résoudre un problème. Dans ce papier, nous avons
testé les méthodes de sélection séquentielles forward
et backward. La méthode SFS a donné un résultat
meilleur que celui obtenu avec la méthode SBS. Elle a
permis une réduction de 76,19% de l’ensemble des 42
paramètres initiaux. Deux types de classifieurs ont été
testés avec les deux ensembles sélectionnés de
paramètres, à savoir les réseaux de neurones par
régression généralisée et les perceptrons multicouches.
D’après les résultats obtenus, nous avons remarqué
que la classification par GRNN des 10 paramètres
obtenu par SFS est plus performante que celle se
basant sur les PMC fournissant respectivement
89,10% et 78,90% pour la valeur de Az.
Pour la classification avec les réseaux de neurones
de type perceptron multicouches (PMC), deux réseaux
ont été appris ayant successivement les 10 et 14
paramètres discriminants en entrée.
Selon l’équation (4), le nombre de neurones dans
la couche cachée pour le premier PMC, sera égal à:
J1 = 14(1 + 2) + 1
= 7,48 Æ 8 neurones.
Ainsi, le premier réseau de neurones aura huit
neurones dans sa couche cachée.
BIBLIOGRAPHIE
[BOU02] M. S. Bouhlel, K. Taouil and L. Kamoun,
“Melanoma-Pattern Extraction using histogramthresholding approach”, Official Journal of Egyptian
Society for Medical Education, “Scientufic Medical
Journal” , Sci.Med J. (ESCME), Vol.14, No.3,July.2002.
De la même manière, le nombre de neurones dans
la couche cachée pour le deuxième PMC, sera égal à:
J2 = 10(1 + 2) + 1
= 6,47 Æ 7 neurones.
-6-
SETIT2007
[BUV06] Evaluation en imagerie médicale - Irène Buvat février 2006 - 1
[MET03] Methodologic Issues, Charles E. Metz, Ph.D.,
Fourth National Forum on Biomedical Imaging in
Oncology, February 6-7, 2003
[FRI85] R. J. Friedman, “Early detection of malignant
melanoma: the role of the physician examination and
self examination of the skin” CA Cancer J. Clin. 35
130–51, 1985.
[POP04] R. Popa and D. Aiordăchioaie, “Genetic
Recognition of Changes in Melanocytic Lesions”. The
8th International Symposium on Automatic Control and
Computer Science, SACCS 2004, Iasi, Romania, 22-23
October, 2004.
[FU05] J. C. Fu et al, “Image segmentation feature and
pattern
classification
for
mammographic
microcalcifications”, Computerized Medical Imaging
and Graphics 29 (2005) 419-429.
[Sap90] G. Saporta, "Portabilités, Analyse de données et
Statistique", Editions Technip, 1990.
[GAR00] P. GARCEAU, « Modélisation du contrôle neural
des muscles du tronc », Mastère, Ecole polytechnique de
Montréal, 2000.
[SCH03] P. Schmid-Saugeon, J. Guillod, J. P. Thiran,
“Towards a computer-aided diagnosis system for
pigmented skin lesions” Computerized Medical Imaging
and Graphics 27 (2003) 65–78
[IPP05] Institute of physics publishing, physics in
medicine and
biology , “ Automated melanoma
detection with a novel multispectral imaging system :
results of a prospective study ”, Phys. Med. Biol. 50
(2005) 1675–1687.
[TAO02] K. Taouil, M. S. Bouhlel, M. Elloumi, L. Kamoun
"Quantification des Caractéristiques de Mélanomes en
vue
d'une
Classification",
2ème
Conférence
Internationale JTEA 21-23 Mars 2002.
[JOL92] P. Joly, Ph. Lauret., “Mélanome Malin, Prévention
et Dépistage”. Melanome Malin. M. DELAUNY, Ed
MASSON. PARIS, 1992.
[TAO06] K. Taouil, N. B. Romdhane and Med Salim
Bouhlel, “A new automatic approach for edge detection
of skin lesion images”: 2nd IEEE International
Conference on Information & Communication
Technologies: from Theory to Applications (ICTTA06),
Damascus (Syria), 24-28 April, 2006.
[KAL03]A. Kallel, G. Mercier K. Taouil, M. S. Bouhlel,
B.Solaiman "Filtrage d’Images basé sur les EDP:
Application
aux
prétraitements
d’Images
de
Mélanomes" Sciences Electroniques, Technologies de
l’Information et des Télécommunications SETIT eds,
M.S.Bouhlel, L.Kamoun et B.Solaiman, ISBN:9973-41685-6, Mars 2003
[WAS05] G. I. WASSI, « Radiolocalisation en milieu
confiné non stationnaire », faculté des sciences et de
génie québec, 2005.
[XU99] L. Xu, M. Jackowski, A. Goshtasby, D. Roseman,
S. Bines, C. Yu, A. Dhawan, A. Huntley “Segmentation
of skin cancer images”, Image and Vision Computing 17
(1999) 65–74
[KAS87] M. Kass, A. Witkin, and D. Terzopoulos, “Snakes:
Active contour models,” Int. J. Comput. Vis., vol. 1, pp.
321–331, 1987.
[YAN00] Song yang and Ling Guan, “A CAD system for the
automatic detection of clustered microcalcifications in
digitized mammogram films”, IEEE transactions on
medical imaging, vol.19, NO.2, February 2000.
[KHA02]I. Khanfir, A. Kallel, K. Taouil, M. S. Bouhlel, L.
Kamoun "Segmentation d'Images par Seuillage
d'Histogramme,
Application
à
l'Analyse
des
Mélanomes", 2ème Conférence Internationale JTEA 2123 Mars 2002.
[ZAG04] E. Zagrouba and W. Barhoumi, "a Prelimary
approach for the Automated Recognition of Malignant
Melanoma", Image Anal Stereol, 23:121-135, 2004.
[KHA03] I. Khanfir, K. Taouil, M. S. Bouhlel, L. Kamoun,
« Strategie de traitement des images de lesions
dermatologiques », Sciences Electronique, Technologies
de l’Information et des Télécommunications, ed
M.S.Bouhlel, B.Solaiman et L.Kamoun. ISBN 9973-41685-6, Mars 2003.
[ZHA05] C. G Zhao, Tian Ge Zhuang, “A hybrid boundary
detection algorithm based on watershed and snake”,
Pattern Recognition Letters 26(2005)1256–1265.
[LEP03] : R. LEPAGE, B. SOLAIMAN, Les réseaux de
neurones artificiels et leurs applications en imagerie et
en vision par ordinateur, Ecole de technologie
supérieure, 2003.
[LER99] Philippe Leray and Patrick Gallinari, Feature
Selection with Neural Networks. P. 1999.
[MAG05] Maglogiannis I. Pavlopoulos. D. Koutsouris; D.
Koutsouris, “An Integrated Computer Supported
Acquisition, Handling, and Characterization System for
Pigmented Skin Lesions in Dermatological Images”
IEEE Transactions on Information Technology in
Biomedicine, vol. 9, no. 1, March 2005.
[MEH02] Mehru be Mehru beog lu, Nasser Kehtarnavaz,
Guillermo Marquez, Madeleine Duvic, and Lihong V.
Wang, "Skin lesion classification using obliqueincidence. diffuse reflectance spectroscopic imaging ",
Applied optics _ Vol. 41, No. 1 _ 1 January 2002.
-7-