Évaluation conjointe et comptage d’images d’acné via l’apprentissage de la distribution des étiquettes

Un diagnostic précis de la sévérité des affections cutanées joue un rôle essentiel dans le traitement ciblé des patients. L’acné vulgaris, la maladie cutanée la plus fréquente chez les adolescents, peut être classée selon deux approches : le dénombrement des lésions fondé sur des preuves, ainsi que l’estimation globale basée sur l’expérience clinique. Toutefois, en raison de la similarité visuelle entre les formes d’acné à sévérité proche, il est difficile d’effectuer un décompte et un classement précis des lésions. Dans ce travail, nous abordons le problème de l’analyse d’images d’acné à l’aide de l’Apprentissage par Distribution de Labels (Label Distribution Learning, LDL), en tenant compte de l’ambiguïté inhérente à la sévérité de l’acné. En se basant sur les critères professionnels de classification, nous générons deux distributions de labels d’acné, en considérant respectivement la relation entre le nombre de lésions similaires et la sévérité de l’acné. Nous proposons également un cadre unifié pour le classement et le dénombrement conjoints des images d’acné, optimisé par une fonction de perte d’apprentissage multi-tâches. En outre, nous avons construit une nouvelle base de données, appelée ACNE04, comprenant des annotations précises de la sévérité de l’acné et du nombre de lésions pour chaque image, afin d’évaluer notre méthode. Les expériences montrent que notre cadre proposé se distingue favorablement par rapport aux méthodes de pointe actuelles. Le code source et la base de données sont rendus accessibles au public à l’adresse suivante : https://github.com/xpwu95/ldl.