Méthodes d'apprentissage machine et statistique supervisées fpour la classification multicatégories de cancers cutanés exploitant les jeux de données multidimensionnelles issus de la spectroscopie UV-Vis-NIR, de l'imagerie hyperspectrale et de la tomographie par cohérence optique

par Valentin Kupriyanov

Projet de thèse en Automatique, Traitement du signal et des images, Génie informatique

Sous la direction de Walter Blondel, Yury Kistenev et de Christian Daul.

Thèses en préparation à l'Université de Lorraine en cotutelle avec l'UNIVERSITE D ETAT DE TOMSK , dans le cadre de IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES , en partenariat avec CRAN - Centre de Recherche en Automatique de Nancy (laboratoire) depuis le 22-11-2021 .

mots clés

• Cancers cutranés
• Photodiagnostic
• Optique tissulaire
• Modelling
• Classification
• Apprentissage machine

Résumé

L'objectif du projet est de combiner trois techniques spectroscopiques complémentaires pour améliorer le diagnostic in vivo des lésions cutanées, y compris les cancers (MSCs et NMSCs) : La tomographie confocale à cohérence optique à champ linéaire, l'imagerie hyperspectrale et les spectroscopies d'auto-fluorescence (AFS) et de réflectance diffuse (DRS). Ces méthodes fournissent des informations fonctionnelles sur l'absorption, la diffusion et l'autofluorescence de la peau avec une haute résolution spectrale. Des expériences seront réalisées sur des fantômes optiques multicouches absorbants, diffusants et fluorescents, sur des modèles hybrides peau-gel ex vivo et dans des cliniques sur des patients avec des MSC et des NMSC de la peau. Diverses stratégies de classification par apprentissage automatique supervisé, y compris le noyau de la machine à vecteurs de support (SVM), les arbres de décision, les forêts aléatoires et les réseaux neuronaux seront explorés, et un algorithme spécifique pour le traitement des données multidimensionnelles de l'IA sera développé, en tenant compte de la spécificité des données collectées (diversité, dimensionnalité, etc.).

mots clés

• Classification
• Tissue optics
• Machine learning
• Photodiagnostic
• Skin cancers
• Modélisation

Titre traduit

Supervised statistical and machine learning methods for multi‐class skin cancer classification exploiting multidimensional datasets from in vivo UV‐Vis‐NIR spectroscopy, hyperspectral imaging and optical coherence tomography

Résumé

The aim of the project is to combine three complementary spectroscopic techniques to improve the in vivo diagnosis of skin lesions, including cancers (MSCs and NMSCs): Line-field Confocal Optical Coherence Tomography, Hyperspectral imaging and AutoFluorescence (AFS) and Diffuse Reflectance (DRS) spectroscopies. These methods provide functional information on absorption, scattering and autofluorescence of the skin with high spectral resolution. Experiments will be performed on multilayer absorbing, scattering and fluorescing optical phantoms, ex vivo hybrid skin-gel models and in clinics on patients with skin MSCs and NMSCs. Various supervised machine learning classification strategies, including Support Vector Machine (SVM) kernel, decision trees, Random Forests and neural networks will be explored, and a specific algorithm for processing multidimensional AI data will be developed, taking into account the specificity of the collected data (diversity, dimensionality, etc.).