Apprentissage, classification d’images et Intelligence Artificielle générative pour l’aide au diagnostic du mélanome à partir d’images de cartographie corporelle

L’équipe « Images & Modèles » du laboratoire LIS est spécialisée dans l’analyse d’images, avec une partie de son activité portée sur la caractérisation des images par des techniques d’apprentissage et de classification.

Le LIS Laboratoire d’Informatique et Systèmes est une Unité Mixte de Recherche (UMR) sous tutelles du Centre National de la Recherche Scientifique (CNRS) rattachée à l’Institut des sciences de l’information et de leurs interactions, de l’Université d’Aix-Marseille et de l’Université de Toulon.

Le mélanome est un problème majeur de santé publique en France. Avec 10 000 nouveaux cas par an occasionnant 1700 décès, il est considéré comme le cancer le plus grave parmi les cancers cutanés. Les nouveaux cas de mélanomes sont en augmentation annuel de 5% depuis 50 ans. Cette augmentation est supérieure à celle de tout autres cancers (INCa, les cancers en France, janvier 2017). Si le diagnostic d'un mélanome est effectué précocement à un stade localisé le taux de survie relative à 5 ans est de l'ordre de 88% ; à contrario, la survie à 5 ans d’une personne atteinte d’un mélanome à un stade avancé, métastatique, est très inférieure à 20% [1].

Le dépistage précoce du mélanome est considéré comme étant la clé principale pour améliorer leurs pronostics. Mais cette opération reste difficile à réaliser car nécessitant une mise en place d'une politique de dépistage fréquent au sein de la population générale, impossible à réaliser actuellement compte tenu de la démographie médicale.

Les travaux de recherche menés précédemment dans l’équipe I&M ont montré que les classifieurs automatiques, basés sur des approches par apprentissage classique ou par réseaux de neurones convolutifs, sont aussi performantes que les dermatologues pour le diagnostic du mélanome [2], [4], [5], [6], [7]. Cette conclusion est confortée par un travail [3] utilisant une approche par apprentissage profond (Deep learning) qui est équivalente à 58 dermatologues pour le diagnostic des mélanomes. De plus ces approches pourraient s’appliquer à un nouveau système unique en France le système VECTRA 3D installé au Centre de Dépistage Automatisé du Mélanome.Marseille à l’hôpital de la Conception qui permet l’acquisition de l’ensemble des lésions cutanées pigmentées d’un individu permettant de mieux comparer les lésions les unes aux autres chez un même patient et de contextualiser les approches fondées sur l’intelligence artificielle et d’augmenter leur performance en termes de dépistage du mélanome.

L'objectif de ce stage sera de développer des algorithmes à partir de lésions cutanées pigmentées classées par patients issues de cartographie corporelle du système VECTRA 3D pour la détection automatisée du mélanome.

En première partie de stage des algorithmes de classification binaires distinguant les lésions malignes (mélanomes), des lésions bénignes (naevus) analysant la similarité des lésions cutanées pigmentées chez un même individu ayant le même patron et celle qui se distingue pouvant être mélanome pourront être développés. Pour ce faire, différentes approches pourront être appliquées (approches d’apprentissage profond, de clustering et approches d’apprentissage classique).

En deuxième partie de stage, un autre objectif sera d’améliorer la qualité de notre base de données en travaillant autour d’algorithmes fondés sur l’IA generative [8]. En effet, les lésions pigmentées issues de cartographie corporelle totale et donc d’images macroscopiques en 2-dimensions contiennent moins de détails que les images dermoscopiques ; un des objectifs de ce stage sera de développer des algorithmes d’intelligence artificielle générative permettant à partir d’exemples d’images dermoscopiques de générer des images artificielles pseudo dermoscopiques de l’ensemble des lésions cutanées d’un individu. Nous faisons l’hypothèse que ces images générées artificiellement auront une meilleure résolution et permettront de développer des algorithmes de classification robustes pour la détection du mélanome avec de meilleures performances.

En fin de stage, la notion d'interprétabilité des résultats, qui reste un problème ouvert dans la communauté scientifique, sera abordée afin de donner plus de sens aux prédictions de l'algorithme lors des classifications.

Références Bibliographiques :

[1] Robert C, Cavalcanti A, Kolb F, Sarfati B, Moya-Plana A, Tomasic G, Mateus C. Prise en charge du mélanome. Rev Prat 2014 ;64(1):75-80).

[2] C Gaudy-Marqueste, Y Wazaefi, Y Bruneu, R Triller, L Thomas, G Pellacani, J Malvehy, MF Avril, S Monestier, MA Richard, B Fertil, JJ Grob. Ugly Duckling Sign as a Major Factor of Efficiency in Melanoma Detection. JAMA Dermatol. 2017 Apr 1;153(4):279-284

[3] Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, Kalloo A, Hassen ABH, Thomas L, Enk A, Uhlmann L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists, Ann Oncol. 29(8):1836-1842 (2018)

[4] A.C Foahom Gouabou, J-L Damoiseaux, J.Monnier, R.Iguernaissi, A.Moudafi, D.Merad, Ensemble Method of Convolutional Neural Networks with directed acyclic graph using dermoscopic images: melanoma detection application, Sensors, June 2021

[5] A.C Foahom Gouabou, J.Collenne, J.Monnier, R.Iguernaissi, J-LDamoiseaux, A Moudafi and D. Merad. Computer Aided Diagnosis of Melanoma Using Deep Neural Networks and Game Theory: Application on Dermoscopic Images of Skin Lesions, International Journal of Molecular Sciences, Nov 2022

[6] J.Collenne, J.Monnier, R.Iguernaissi, M.Nawaf, M-A Richard, J-J Grob, C. Gaudy-Marqueste, S. Dubuisson, D.Merad. Fusion between an Algorithm based on the characterization of melanocytic lesions asymmetry with an ensemble of convolutional neural networks for melanoma detection. Journal Investigative of Dermatology, 2024, (IF 6.5)

[7] J.Monnier, A-C.Gouabou Foahom, M.Serdi, J.Collenne, R.Iguernaissi, M-A.Richard, C.Gaudy-Marqueste, J-L.Damoiseaux, J-J.Grob*, D.Merad*. Automated melanoma detection. An algorithm inspired from human intelligence characterizing disordered pattern of melanocytic lesions improving a convolutional neural network. Journal of the American Academy of Dermatology, 2024

[8] M. Saeed, A. Naseer, H. Masood, S. U. Rehman and V. Gruhn, "The Power of Generative AI to Augment for Enhanced Skin Cancer Classification: A Deep Learning Approach," in IEEE Access, vol. 11, pp. 130330-130344, 2023

- Formation de Master 2 recherche ou école d’ingénieur en informatique ;

- Maîtrise de l’apprentissage automatique et compétences avancées en vision par ordinateur ; 

- Excellentes compétences en programmation (Python) ;                                                                                               

- Passion et rigueur, intérêt pour la recherche.