Apprentissage, classification d’images, traitements d’images et Intelligence Artificielle pour l’aide au diagnostic du mélanome à partir de la 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. Si le diagnostic d'un mélanome est effectué précocement à un stade localisé son pronostic est amélioré [1]. Le dépistage précoce du mélanome est considéré comme étant la clé principale pour améliorer leurs pronostics. Afin de rendre plus accessible le dépistage, Il existe de nouveaux outils tel que le système VECTRA 3D qui permettrait d’automatiser le dépistage car il automatise l’acquisition de toutes les lésions d’un patient. 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].  De plus ces approches pourraient s’appliquer à ce 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 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.

La première partie du stage concerne la construction d’une base de données de lésions cutanées pigmentées à l’aide d’un système VECTRA 3D. Il a pour objectif l’uniformisation et le nettoyage de la base par la détection des doublant (même lésion dans plusieurs caméras avec différent points de vue). Cette détection de doulants se fera par l’association des lésions, détectées dans les différentes caméras, dans l’espace 3D en fonction de leurs localisations.

La deuxième partie du stage sera de développer, à partir de la base de données construite lors de la premiere partie, des algorithmes de classification à partir de lésions cutanées pigmentées classées par patients issues de cartographie corporelle du système VECTRA 3D pour la détection automatisée du mélanome. Pour ce faire, différentes approches pourront être appliquées (approches d’apprentissage profond, de clustering et approches d’apprentissage classique).

La troisième partie du stage sera de travailler autour d’algorithmes fondés sur l’IA générative [8]. Un des objectifs de ce stage sera de développer des algorithmes d’IA générative permettant à partir d’exemples d’images dermoscopiques de générer des images artificielles pseudo dermoscopiques de haute qualité et de bonne resolution de l’ensemble des lésions cutanées d’un individu pour améliorer la qualité des données issues du système VECTRA 3D.

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, et al. Prise en charge du mélanome. Rev Prat 2014 ;64(1):75-80).

[2] C Gaudy-Marqueste, et al. Ugly Duckling Sign as a Major Factor of Efficiency in Melanoma Detection. JAMA Dermatol. 2017 Apr

[3] Haenssle HA, et al Man against machine: diagnostic performance of a deep learning CNN for dermoscopic melanoma recognition in comparison to 58 dermatologists, Ann Oncol. 29(8):1836-1842 (2018)

[4] A.C Foahom Gouabou, et al. Ensemble Method of Convolutional Neural Networks with directed acyclic graph using dermoscopic images: melanoma detection application, Sensors, June 2021

[5] A.C Foahom Gouabou, et al. 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, et al. Fusion between an Algorithm based on the characterization of melanocytic lesions asymmetry with an ensemble of convolutional neural networks for melanoma detection.JID, 2024, (IF 6.5)

[7] J.Monnier, et al.  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, et al. "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.