Soutenance mémoire
Classification par Machine à Vecteurs de support
Pour démontrer la faisabilité d’un algorithme d’apprentissage basé sur SVM. H.Bagherinia et al, en Mai 2008, ont utilisé le classificateur (SVM) pour distinguer les cornées normales d’autres conditions de la cornée à l’aide d’examens topographiques (tels que le kératocône suspect, kératocône, la dégénérescence marginale pellucide, myope et hypermétrope corrigé avec le laser). Le vecteur caractéristique se compose de 12 paramètres.
Les 3 premiers paramètres ont été utilisés dans le programme d’analyse cornéenne d’origine, tandis que les 9 autres paramètres sont dérivés de la courbure moyenne de carte. Les données sont composées de 85 sujets normaux, et 239 sujets ayant d’autres conditions cornéennes, ont été utilisés pour former et évaluer la version actuelle de l’algorithme. Le classificateur SVM a été formé en utilisant 80% de l’ensemble de données déterminé au hasard, et évaluée en utilisant les 20% restants. La version actuelle de l’algorithme a été utilisée pour maximiser la séparation entre ces deux groupes dans ces 12 dimensions de l’espace caractéristique.
Les résultats de la vérification précoce basée sur l’ensemble des données de formation en utilisant la version actuelle de l’algorithme montrent que le classificateur SVM a été en mesure de distinguer les cornées normales des autres conditions de la cornée avec ≥ 90% de sensibilité, la spécificité et la précision. Ce qui a permet de conclure que l’utilisation d’un classificateur SVM avec des paramètres dérivés de la carte moyenne de courbure peut devenir un outil utile pour distinguer les cornées normales des autres conditions de la cornée [32].
Dans le même contexte, en 2010, Murilo Barreto Souza et al, ont utilisé une base de données composé de 318 cartes obtenues avec l’OrbscanII, dont 172 cas normal, 89 cas d’astigmatisme, 46 cas de kératocône ,11 cas photokératektomie réfractive. Leur étude a été basée sur l’utilisation des différentes méthodes de classification : Machine à Vecteur de Support (SVM), Perceptron Multicouche (MLP) et Fonction à Base Radial des Réseaux de Neurones (RBFNN). Les résultats retrouvés par l’ensemble des techniques de classification étaient satisfaisants pour la détection du kératocône.
Pour définir une nouvelle méthode de classification pour le diagnostic de kératocône basé sur des mesures cornéennes fournies par une caméra Scheimpflug combinée avec une topographe cornéen avec un disque placido (Sirius, CSO, Florence, Italie). Une étude a été publiée par Maria Clara Arbelaez et al, en aout 2012 dans laquelle ils ont analysé 877 yeux avec kératocône, 426 yeux avec kératocône infra clinique, 940 yeux pris comme étant des cas anormal et 1259 yeux témoins sains. Une machine à vecteurs de support (SVM) a été utilisée pour analyser les mesures de la cornée. Le classificateur a été formé pour examiner les indices obtenus à partir des surfaces cornéennes antérieure et postérieure, ou seulement de la surface cornéenne antérieure.
La précision du classificateur était excellente à la fois avec et sans les données générées à partir de la surface postérieure de la cornée et l’épaisseur cornéenne, mais l’utilisation des données des deux surfaces de la cornée et de la pachymétrie ont permis à la SVM d’augmenter sa sensibilité à 96,0%
Pour conclure cet article, les chercheurs ont déduit que leur algorithme de classification a montré une grande précision, la sensibilité et la spécificité de la discrimination entre les yeux anormaux, les yeux avec kératocône ou kératocône infra clinique, et les yeux normaux. Y compris la surface de la cornée postérieure et des paramètres d’épaisseur nettement amélioré.
La classification peut être particulièrement utile pour exclure les yeux avec les premiers signes de l’ectasie de la cornée lors de la sélection des patients pour la chirurgie au laser excimer.
Classification par l’arbre de décision
Le volume et la complexité des données produites lors des examens de vidéo kératographie présentent un défi d’interprétation. En conséquence, les résultats sont souvent analysés qualitativement par reconnaissance de formes subjectives ou réduites à des comparaisons des indices de synthèse. Pour cela, Michael D. Twa et all, ont utilisé une méthode de classification par apprentissage automatisée pour décrire une application par l’induction d’arbre de décision, afin de discriminer les formes cornéennes normales et kératocône de manière objective et quantitative ensuite la comparé avec d’autres méthodes de classification connue. La surface de la cornée a été modélisée avec le septième ordre polynôme de Zernike pour 132 yeux normaux de 92 sujets et 112 yeux de 71 sujets diagnostiqués avec kératocône.
La performance de classification a été comparée à l’indice de Rabinowitz-McDonnell, l’indice de Schwiegerling Z3 (Z3), l’indice de prédiction kératocône (KPI), KISA%, et la localisation du cône et Indice de Magnitude en utilisant des seuils de classifications recommandées pour chaque méthode. Ils ont également évalué l’aire sous la courbe caractéristique de fonctionnement du récepteur (ROC) pour chaque méthode de classification.
Autres approches
Pour déterminer dans une étude longitudinale s’il existe une corrélation entre les vidéo kératographie et les signes cliniques de kératocône qui pourraient être utiles à la pratique des cliniciens.
Les yeux ont été regroupés par XiaohuiLi et al, en 2009 comme suit : kératocône, début kératocône, kératocône suspect ou normale sur la base des signes cliniques et vidéokératographie ont été examinés au départ et suivis pendant 1 à 8 ans. Les différences dans les indices de vidéokératographie quantitatifs et le taux de progression ont été évalués.
Les indices quantitatifs étaient kératométrie centrale (K), la valeur inférieure – supérieure (I-S) et l’indice de pourcentage de kératocône (KISA). L’analyse discriminante a été utilisée pour estimer le taux de classification en utilisant les indices.
Au cours d’un suivi médian de 4 ans, environ 28 % dans le groupe de kératocône suspect a progressé au kératocône précoce ou kératocône et 75 % dans le groupe kératocône tôt progressé à kératocône. En utilisant tous les 3 indices et l’âge, 86,9 % dans le groupe normal, 75,3 % dans le groupe kératocône précoce, et 44,6 % dans le groupe de kératocône suspect pourrait être classé, ce qui donne un taux global de classification de 68,9% [36].
Afin d’étudier les changements morphologiques de la cornée dans une grande population touché par le kératocône et d’établir une classification structurelle à l’aide d’une Tomographie par Cohérence Optique (OCT).
Un système d’OCT dont le domaine de Fourier à résolution axiale 5 μm a été utilisé par Otman Sandali & al en 2013 .Pour chaque patient, 3 scans à haute résolution ont été fait à travers le cône de kératocône. Tous les scans ont été analysés par des spécialistes du kératocône qui n’ont pas donnés l’accès aux données cliniques et topographiques des patients, et aussi ceux qu’ils ont établi un classement OCT. La reproductibilité de la classification et de sa corrélation avec les caractéristiques cliniques et para cliniques des patients atteints de kératocône ont été évalués.
La classification OCT a domaine de Fourier contenant 5 étapes distinctes du kératocône.
Etape 1 montre l’amincissement dans l’apparence normale des couches épithéliales et stromales au niveau du cône. Etape 2 montre des anomalies hyper réflective survenant au niveau de la couche de Bowman avec un épaississement épithélial. Etape 3 montre le déplacement postérieur des structures hyper réflectives se produisant au niveau de la couche de Bowman avec épaississement accru épithéliale et un amincissement stromale. Etape 4 montre pan-stromal cicatrice. Etape 5 démontre hydropisie, apparition brutale: la rupture et dilacération du collagène avec de grandes lamelles kystes intrastromales remplis de fluide membrane de Descemet. La reproductibilité de la classification a été très élevée entre les observateurs spécialisés de la cornée.
Les caractéristiques cliniques et paracliniques de kératocône, y compris l’acuité visuelle, l’épithélium cornéen et les changements d’épaisseur du stroma, la topographie cornéenne, les caractéristiques de la cornée biomécaniques, et les changements de microstructure observées sur la microscopie confocale, concordaient avec notre classement OCT.
Pour étudier la norme de l’échelle standard du kératocône (Pentacam- dérivés stades Amsler – Krumeich) par rapport aux indices d’irrégularité de la cornée et de la meilleure Acuité Visuelle à Distance de spectacle Corrigée(CDVA), un travail a été réalisé en 2013 par, Anastasios John Kanellopoulos et al, dont 12 cas de kératocône ont été évalués pour le classement du kératocône. Les indices d’irrégularités de la surface antérieure (mesurée par imagerie Pentacam),et la réfraction subjective (mesurée par CDVA(Corrected Distance Visual Acuity)), et la kératométrie ont été corrélés et analysés à l’aide d’un test bilatéral, ils ont obtenue environ 0.626 ± 0.244 de déviation standard CDVA (exprimé en décimal) pour tous les yeux, une kératométrie moyenne méridien plat (K1) de 46.7 ± 5.89 D; une kératométrie forte moyenne (K2) de 51.05 ± 6.59 D. L’indice de la variance de surface et l’indice de la hauteur de décentration ont une forte corrélation avec le classement de la topographie cornéenne (P < 0.001). CDVA et la kératométrie ont une faible corrélation avec la sévérité du kératocône.
Dans le but d’évaluer l’élévation de la cornée, pachymétrie et kératométrie dans des yeux atteints par le kératocône en fonction du stade clinique de la maladie, Kamiya K et al, en 2014 ont pris un groupe de 126 yeux dont 83 patients ont le kératocône,42 patients sont normaux. A l’aide d’une camera Scheimpflug rotative (Pentacam HR, Oculus) l’élévation cornéenne, la pachymetrie et la kératométrie ont été mesurés dans ces yeux. (AUROC) la courbe a été utilisé pour analyser la signification diagnostic de ces paramètres, par rapport à chaque étape de classifications d’Amsler – Krumeich, et a été calculé pour décrire l’exactitude prédictive des différents indices et de déterminer les points de coupure où la sensibilité et la spécificité ont été maximisés.
La partie supérieure AUROCS montre la différence d’élévation postérieur (0.980) et l’antérieur (0.977),suivie du dioptres (D) valeur de (0.941),le pourcentage d’épaisseur augmente (PTI) 2 mm (0.931), PTI 4 mm (0.927),l’indice de progression (0.927), Pachymétrie minimale (0.923), kératometrie environ (0.914),l’élévation antérieur (0.909), PTI 6 mm (0.906), l’élévation postérieur (0.898), Pachymétrie centrale(0.889), PTI 8 mm (0.870), PTI 10 mm (0.864),épaisseur de la cornée profil spatial 2 mm (0.835) et le cylindre(0.796). Les chercheurs ont trouvés que les différences dans les courbes d’AUROC entre antérieur et postérieur d’élévation de la mesure et d’autres paramètres de diagnostic ont tendance à être plus grande dans les premières étapes de kératocône.
Pour évaluer l’efficacité de l’épaisseur et le volume des paramètres cornéens mesurés avec le système Pentaca Scheimflug dans les cornées kératocône infra cliniques discriminants et les cornées normales, Jing cui et al, en 2015 ont inclus 19 patients portant un kératocône infraclinique,29 patients ont une myopie astigmatisme, dont les cornées été évaluées en utilisant un
système Pentacam Scheimflug(2002 model, Oculus, Berkshire, UK).
Différents paramètres tel que l’épaisseur et le volume de la cornée ont été évalués, y compris l’épaisseur centrale de la cornée (CCT) , l’épaisseur minimale de la cornée (MCT), épaisseur de la cornée déprimé (DCT), l’indice de progression maximale (MaxPI), l’indice de la progression moyenne (AvPI), l’indice de progression minimale (MinPI), et les valeurs du volume de la cornée pour les 3,0 mm (CV3) , 5.0 mm (CV5) et 7,0 mm (CV7) cercles centraux. Une courbe ROC a été utilisé pour comparer entre la sensibilité et la spécificité des paramètres.
L’étude aboutisse a trouvée des différences significatives dans tous les paramètres (p <0,001) à l’exception CV3 et CV5, entre kératocône infra clinique et cornées normales. La précision diagnostique pour tous les paramètres a été élevée, avec une surface sous la courbe (ASC) d’environ 1. Les valeurs seuils optimaux pour DCT, MinPI, AvPI et MaxPI ont été 5,5, 0,95, 1,05 et 1,45 pour le kératocône infra clinique, respectivement.
Pour étudier l’efficacité du SCORE Analyzer ( Bausch + Lomb Technolas , Allemagne ) dans la détection de la forme fruste du kératocône ( FFKC ) dans les yeux des asiatiques et valider son utilité comme un système d’évaluation des risques pour la post- laser in situ keratomileusis (LASIK).Pour cela Damien Gatinel et al,en 2015 ont pris le défis d’évaluer la topographie cornéenne d’Orbscan par le SCORE analyseur sur 128Orbscan de 128 asiatiques dont 24 cas FFKC(forme fruste du kératocône),104 cas à contrôler .Les yeux ont été classifiés en 2 groupes: le 1er FFKC et le 2eme groupe a contrôlé avant l’opération du lasik.
Les Principaux critères de jugement ont été les paramètres de précision: sensibilité, spécificité, les valeurs de prédiction positive et négative (PPV, NPV), ces paramètres ont été impliqués dans l’algorithme du SCORE et ont été comparés entre les deux groupes.
Le SCORE a été négative dans 7 yeux (faux négative) et 2 dans le groupe à contrôler été positive (faux positive).ils ont obtenu une sensibilité de 70.83%, spécificité de 98.08%, PPV 89.47% et NPV 93.58%, aussi l’irrégularité 3mm, épaisseur de pakymetrie(TP), la différence du central et de l’épaisseur pakymétrie (CP-TP), décentration vertical du point le plus faible (TP-Y), l’élévation postérieur maximale (MPT) et l’élévation antérieur du point le plus faible (AETP) sont statistiquement et significativement différent dans les deux groupes.
En balayant l’état de l’art, les différents paramètres utilisés dans les BDD étudiées sont :
Le sexe, l’âge, type d’image (antérieure ou postérieure), la packymétrie, décentration verticale du point le plus mince de la cornée, la kératométrie centrale, l’irrégularité 3mm et l’indice de pourcentage de kératocône (KISA). Plusieurs topographes ont été utilisé tels que : Pentacam, caméra sheimpflug, CSO, Orbscan… etc. L’Orbscan reste l’appareil le plus fiable du faite qu’il a été utilisé dans plusieurs travaux d’un côté, et aussi fournit des coupes antérieures et postérieures en même temps.
Contribution
L’objectif premier de notre approche est d’extraire les caractéristiques des images afin d’apporter un niveau d’aide décisionnel et de confort supplémentaire à l’expert médical pour la proposition de son diagnostic. L’identification des propriétés de l’image est donc une étape majeure qui conditionne les caractéristiques.
L’étude des paramètres numériques permet donc, dans un deuxième temps, d’envisager un traitement des images topographiques.
Nous proposons dans ce mémoire un système d’aide au diagnostic constitué d’un emboîtement d’un ensemble de méthodes de traitement d’images et des techniques de classifications, dans lequel nous effectuons une analyse de données numériques prisent du topographe en utilisant des approches capables de fournir une aide aux médecins ophtalmologues dans leurs routines cliniques afin de sélectionner les paramètres pertinents pour la détection de la maladie du kératocône. Ensuite, nous traitons des images topographiques de la cornée en se basant sur les domaines d’appartenance des couleurs (pathologiques-non pathologique).Toutes les techniques d’intelligence artificielle ont été appliquées sur une base de données récente qui contient les différents paramètres utilisés par les différents chercheurs dans l’état de l’art.
Conclusion
Dans ce chapitre, nous avons présenté un ensemble de techniques utilisées en traitement d’images médicales, Cette étape, que nous avons envisagé, consiste à développer une méthode de segmentation adaptée au contenu des images topographiques permettant, de caractériser les objets (couleurs) de l’image afin d’apporter une aide supplémentaire au praticien lors de la prise de décision.
Ensuite nous avons présenté les différentes approches de classification notamment les réseaux de neurones, les machines à vecteurs de support, les arbres de décision ainsi que d’autres méthodes ayant relation avec la recherche entamée.
Nous notons que la littérature scientifique est très riche en nombre de travaux qui proposent une aide aux médecins dans le domaine d’ophtalmologie où nous avons cité les plus récents, suivi par la contribution à notre travail.
Dans le chapitre suivant, nous montrerons l’intérêt de notre base de données topographique récoltée localement ainsi que les différents paramètres qui la caractérisent.
|
Table des matières
Introduction générale
1. Contexte
2. Problématique
3. Contribution
4. Organisation du manuscrit
Chapitre 1: contexte médicale
1. Introduction
2. Historique
3. Épidémiologie
4. Fréquence
5. Anatomie pathologique
6. Pathogénie
7. Symptômes
8. Evolution
9. Formes et types du kératocône
9.1. Le kératocône Fruste
9.2. Le kératocône aigu
10. Diagnostics différentiels et cliniques
11. Examens cornéotopographiques
11.1. La topographie cornéenne
11.2. Types de topographie cornéenne
12. Traitement du kératocône
12.1. Correction optique
12.1.1. Lunette
12.1.2. Lentille de contacte
12.2. Correction par chirurgie
13. Conclusion
Chapitre 2: Etat de l’art et principes théoriques des techniques utilisées
1. Introduction
2. Techniques de traitement d’images
2.1.La segmentation d’image
2.1.1. Segmentation par seuillage
2.2. Morphologie mathématique
2.2.1. Dilatation
2.2.2. Squelettisation
2.3. Caractérisation et Classification des images
3. Techniques de classification des données numériques
3.1. Classification par Réseaux de neurones
3.2. Classification par Machine a Vecteur de Support
3.3. Classification par K plus proches voisins
3.4. Classification par l’Arbre de décision
4. Etat de l’art
4.1. Approche de classifications numérique
4.2. Autres approches
5. Contribution
6. Conclusion
Chapitre 3: Base de données
1. Introduction
2. Définition d’une base de données
3. Description de la base de données collectée
3.1. BDD numérique
3.2. BDD images
4. Conclusion
Chapitre 4: Mise en oeuvre pratique
1. Introduction
2. Classification
2.1. Critères d’évaluation
2.2. Résultat de la classification
2.2.1. Méthode des K plus proches voisins K-NN
2.2.2. Méthode d’Arbre de décision C4.5
2.2.3. Méthode des Réseaux de neurone MLP
3. Chronologie du traitement d’images
3.1. Images antérieures et postérieures
3.1.1. Segmentation
3.1.2. Caractérisation
3.2. Images de kératométrie axiales
3.2.1. Caractérisation
3.2.2. Morphologie mathématique
3.3. Résultats et interprétations du traitement d’images
3.4. Classification de la base d’images
4. Classification de la combinaison des deux bases de données
5. Interprétation générale
6. Interface graphique
7. Conclusion
Conclusion générale et perspéctives
Télécharger le rapport complet
