DTP-Net : Un modèle de réseau de neurones convolutif pour prédire le seuil de localisation des lésions sur des macro-images dermatologiques

Des images très nettes de la peau, prises à l’aide de caméras ordinaires et appelées images macro, sont largement utilisées en dermatologie. Étant des vues hautement focalisées, ces images macro ne contiennent que les lésions et les régions de fond. Par conséquent, la localisation des lésions sur les images macro se ramène à un problème simple de seuillage. Toutefois, les algorithmes capables d’estimer avec précision le seuil tout en maintenant une performance cohérente sur différentes images macro dermatologiques sont rares. Dans ce travail, nous proposons un modèle d’apprentissage profond, nommé « Deep Threshold Prediction Network (DTP-Net) », afin de résoudre ce problème. Pour entraîner le modèle, des versions en niveaux de gris des images macro sont utilisées comme entrée, et les valeurs de seuil correspondantes, pour lesquelles l’indice de similarité de Dice (DSI) entre l’image segmentée et l’image de référence est maximisée, sont définies comme cibles. Le DTP-Net a obtenu la plus faible erreur quadratique moyenne (RMSE) par rapport aux 11 algorithmes d’estimation de seuil d’avant-garde (tels que le seuillage d’Otsu, le seuillage d’Otsu à accentuation des vallées, le seuillage Isodata, le seuillage basé sur la distribution de la différence de pente de l’histogramme, le seuillage à erreur minimale, le seuillage à erreur minimale basé sur la distribution de Poisson, le seuillage à entropie maximale de Kapur, le seuillage d’Otsu pondéré par l’entropie, le seuillage à entropie croisée minimale, le seuillage basé sur les ensembles flous de type-2 et le seuillage à entropie floue). Le DTP-Net a montré sa capacité à apprendre les différences entre la lésion et le fond dans l’espace des intensités, permettant ainsi une prédiction précise du seuil séparant la lésion du fond. Le DTP-Net proposé peut être intégré dans un module de segmentation des outils automatisés destinés à détecter le cancer de la peau à partir d’images macro dermatologiques.