CA2824911A1 - Determination par analyse en composantes independantes de l'efficacite d'un traitement - Google Patents
Determination par analyse en composantes independantes de l'efficacite d'un traitement Download PDFInfo
- Publication number
- CA2824911A1 CA2824911A1 CA 2824911 CA2824911A CA2824911A1 CA 2824911 A1 CA2824911 A1 CA 2824911A1 CA 2824911 CA2824911 CA 2824911 CA 2824911 A CA2824911 A CA 2824911A CA 2824911 A1 CA2824911 A1 CA 2824911A1
- Authority
- CA
- Canada
- Prior art keywords
- severity
- considered
- patient
- received
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Abandoned
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Procédé de détermination d'une valeur de quantification de la déviation de la valeur moyenne d'une distribution de l'écart de sévérité entre un instant initial et un instant postérieur à l'instant initial, la sévérité dépendant du contraste entre des zones recevant un traitement et des zones recevant un véhicule, comprenant des étapes au cours desquelles: on acquiert,pour au moins un patient, à un instant initial et à au moins un instant postérieur à l'instant initial,au moins une image hyper-spectrale comprenant au moins une zone parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule, on détermine une décomposition en composantes indépendantes des images hyper-spectrales, on détermine,pour chaque image, parmi les composantes indépendantes,une composante représentative maximisant l'écart entre zone saine et zone pathologique, on détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes représentatives, on détermine une valeur de l'écart de sévérité en fonction des composantes représentatives corrigées des images hyper-spectrales acquises, pour chaque patient et pour chaque instant de mesure, et on détermine une valeur de quantification de la déviation de la valeur moyenne entre une distribution de l'écart de sévérité à l'instant initial et une distribution de l'écart de sévérité à un instant postérieur à l'instant initial en fonction de la valeur de l'écart de sévérité pour chaque patient à l'instant initial et à l'instant postérieur.
Description
DETERMINATION PAR ANALYSE EN COMPOSANTES INDEPENDANTES
DE L'EFFICACITE D'UN TRAITEMENT
L'invention a pour domaine technique les systèmes de classement statistique, et plus particulièrement les systèmes de classement statistique d'images hyper-spectrales.
Lors de phases d'essais cliniques, l'évolution des maladies de peau est quantifiée par des dermatologues sur toute une période de traitement. Dans une première phase, le degré d'atteinte par la maladie est mesuré sur chaque patient d'un groupe. La mesure est réalisée cliniquement par un dermatologue. Dans une seconde phase, un traitement statistique des mesures permet de quantifier l'efficacité du traitement.
En pratique, on utilise un protocole opératoire reposant sur l'étude au cours du temps des symptômes liés à une maladie cutanée exprimés dans un groupe de Ne patients. Chaque patient reçoit un traitement sur une première zone de peau atteinte et un véhicule sur une seconde zone de peau atteinte. La première zone de peau et la deuxième zone de peau sont choisies de façon à présenter une superficie et une atteinte par la maladie similaires. Dans le cas d'une maladie touchant la face, une joue reçoit le traitement tandis que l'autre joue reçoit le véhicule, sous condition que les deux joues présentent la même atteinte par une maladie cutanée.
Un dermatologue estime ainsi le degré d'atteinte d'un patient par la maladie, zone par zone, patient par patient. De ce fait, la quantification de l'efficacité du traitement peut être empirique et soumise à une certaine part de subjectivité.
Afin d'améliorer l'observation et la quantification du degré
d'atteinte par une maladie tout en augmentant la reproductibilité de ces étapes, on peut utiliser l'imagerie hyper-spectrale. On rappelle que l'imagerie hyper-spectrale consiste à acquérir plusieurs images sous des longueurs d'onde différentes.
DE L'EFFICACITE D'UN TRAITEMENT
L'invention a pour domaine technique les systèmes de classement statistique, et plus particulièrement les systèmes de classement statistique d'images hyper-spectrales.
Lors de phases d'essais cliniques, l'évolution des maladies de peau est quantifiée par des dermatologues sur toute une période de traitement. Dans une première phase, le degré d'atteinte par la maladie est mesuré sur chaque patient d'un groupe. La mesure est réalisée cliniquement par un dermatologue. Dans une seconde phase, un traitement statistique des mesures permet de quantifier l'efficacité du traitement.
En pratique, on utilise un protocole opératoire reposant sur l'étude au cours du temps des symptômes liés à une maladie cutanée exprimés dans un groupe de Ne patients. Chaque patient reçoit un traitement sur une première zone de peau atteinte et un véhicule sur une seconde zone de peau atteinte. La première zone de peau et la deuxième zone de peau sont choisies de façon à présenter une superficie et une atteinte par la maladie similaires. Dans le cas d'une maladie touchant la face, une joue reçoit le traitement tandis que l'autre joue reçoit le véhicule, sous condition que les deux joues présentent la même atteinte par une maladie cutanée.
Un dermatologue estime ainsi le degré d'atteinte d'un patient par la maladie, zone par zone, patient par patient. De ce fait, la quantification de l'efficacité du traitement peut être empirique et soumise à une certaine part de subjectivité.
Afin d'améliorer l'observation et la quantification du degré
d'atteinte par une maladie tout en augmentant la reproductibilité de ces étapes, on peut utiliser l'imagerie hyper-spectrale. On rappelle que l'imagerie hyper-spectrale consiste à acquérir plusieurs images sous des longueurs d'onde différentes.
2 En effet, les matériaux et éléments chimiques réagissent plus ou moins différemment lors de l'exposition à un rayonnement d'une longueur d'onde donnée. En balayant la gamme des rayonnements, il est possible de différencier des matériaux intervenant dans la composition d'un objet de part leur différence d'interaction. Ce principe peut être généralisé à un paysage, ou à une partie d'un objet.
L'ensemble des images issues de la photographie d'une même scène à des longueurs d'onde différentes est appelé image hyper-spectrale ou cube hyper-spectral.
Une image hyper-spectrale est donc constituée d'un ensemble d'images dont chaque pixel est caractéristique de l'intensité de l'interaction de la scène observée à une longueur d'onde particulière.
En connaissant les profils d'interaction des matériaux avec différents rayonnements, il est possible de déterminer les matériaux présents. Le terme matériau doit être compris dans un sens large, visant aussi bien les matières solides, liquides et gazeuses, et aussi bien les éléments chimiques purs que les assemblages complexes en molécules ou macromolécules.
L'acquisition d'images hyper-spectrales peut être réalisée selon plusieurs méthodes.
La méthode d'acquisition d'images hyper-spectrales dite de scan spectral consiste à utiliser un capteur de type CCD, pour réaliser des images spatiales, et à appliquer des filtres différents devant le capteur afin de sélectionner une longueur d'onde pour chaque image.
Différentes technologies de filtres permettent de répondre aux besoins de tels imageurs. On peut, par exemple, citer les filtres à cristaux liquides qui isolent une longueur d'onde par stimulation électrique des cristaux, ou les filtres acousto-optique qui sélectionnent une longueur d'onde en déformant un prisme grâce à une différence de potentiel électrique (effet de piézo-électricité). Ces deux filtres présentent l'avantage de ne pas avoir de parties mobiles qui sont souvent source de fragilité en optique.
La méthode d'acquisition d'images hyper-spectrales dite de scan spatial vise à acquérir ou imager simultanément toutes les
L'ensemble des images issues de la photographie d'une même scène à des longueurs d'onde différentes est appelé image hyper-spectrale ou cube hyper-spectral.
Une image hyper-spectrale est donc constituée d'un ensemble d'images dont chaque pixel est caractéristique de l'intensité de l'interaction de la scène observée à une longueur d'onde particulière.
En connaissant les profils d'interaction des matériaux avec différents rayonnements, il est possible de déterminer les matériaux présents. Le terme matériau doit être compris dans un sens large, visant aussi bien les matières solides, liquides et gazeuses, et aussi bien les éléments chimiques purs que les assemblages complexes en molécules ou macromolécules.
L'acquisition d'images hyper-spectrales peut être réalisée selon plusieurs méthodes.
La méthode d'acquisition d'images hyper-spectrales dite de scan spectral consiste à utiliser un capteur de type CCD, pour réaliser des images spatiales, et à appliquer des filtres différents devant le capteur afin de sélectionner une longueur d'onde pour chaque image.
Différentes technologies de filtres permettent de répondre aux besoins de tels imageurs. On peut, par exemple, citer les filtres à cristaux liquides qui isolent une longueur d'onde par stimulation électrique des cristaux, ou les filtres acousto-optique qui sélectionnent une longueur d'onde en déformant un prisme grâce à une différence de potentiel électrique (effet de piézo-électricité). Ces deux filtres présentent l'avantage de ne pas avoir de parties mobiles qui sont souvent source de fragilité en optique.
La méthode d'acquisition d'images hyper-spectrales dite de scan spatial vise à acquérir ou imager simultanément toutes les
3 longueurs d'ondes du spectre sur un capteur de type CCD. Pour réaliser la décomposition du spectre, un prisme est placé devant le capteur. Ensuite, pour constituer le cube hyper-spectral complet, on réalise un balayage spatial ligne par ligne.
La méthode d'acquisition d'images hyper-spectrales dite de scan temporel consiste à réaliser une mesure d'interférence, puis de reconstituer le spectre en faisant une transformée de Fourrier rapide (acronyme anglais : FFT) sur la mesure d'interférence. L'interférence est réalisée grâce à un système de type Michelson, qui fait interférer un rayon avec lui-même décalé temporellement.
La dernière méthode d'acquisition d'images hyper-spectrales vise à combiner le scan spectral et le scan spatial. Ainsi, le capteur CCD est partitionné sous forme de blocs. Chaque bloc traite donc la même région de l'espace mais avec des longueurs d'ondes différentes.
Puis, un balayage spectral et spatial permet de constituer une image hyper-spectrale complète.
Appliquée aux études dermatologiques, l'imagerie hyper-spectrale permet l'acquisition d'images comprenant une information liée à la longueur d'onde. L'intensité de chaque pixel en fonction de la longueur d'onde est enregistrée. L'application de méthodes de classification à ces images permet de distinguer les zones saines et des zones atteintes. On peut citer les travaux de P. Comon, "Independent component analysis: a new concept?," Signal Processing, Elsevier, vol.
36, pp. 287-314, 1994 concernant une méthode d'analyse en composante indépendantes permettant la classification de signaux.
La classification d'images hyper-spectrales relève d'un domaine particulièrement actif. Plusieurs algorithmes existent pour traiter et classer les images hyper-spectrales obtenues sur la peau.
I.L. Weatherall et B.D. Coombs, "Skin color measurements in terms of CIELAB color space value," Journal of Investigative Dermatology, vol. 99, pp. 468-473, 1992 enseignent le traitement d'images couleurs par la décomposition CIEL*a*b.
G. N. Stamatas et al., "Non-invasive measurements of skin pigmentation in situ." Pigment cell res, vol. 17, pp. 618-626, 2004
La méthode d'acquisition d'images hyper-spectrales dite de scan temporel consiste à réaliser une mesure d'interférence, puis de reconstituer le spectre en faisant une transformée de Fourrier rapide (acronyme anglais : FFT) sur la mesure d'interférence. L'interférence est réalisée grâce à un système de type Michelson, qui fait interférer un rayon avec lui-même décalé temporellement.
La dernière méthode d'acquisition d'images hyper-spectrales vise à combiner le scan spectral et le scan spatial. Ainsi, le capteur CCD est partitionné sous forme de blocs. Chaque bloc traite donc la même région de l'espace mais avec des longueurs d'ondes différentes.
Puis, un balayage spectral et spatial permet de constituer une image hyper-spectrale complète.
Appliquée aux études dermatologiques, l'imagerie hyper-spectrale permet l'acquisition d'images comprenant une information liée à la longueur d'onde. L'intensité de chaque pixel en fonction de la longueur d'onde est enregistrée. L'application de méthodes de classification à ces images permet de distinguer les zones saines et des zones atteintes. On peut citer les travaux de P. Comon, "Independent component analysis: a new concept?," Signal Processing, Elsevier, vol.
36, pp. 287-314, 1994 concernant une méthode d'analyse en composante indépendantes permettant la classification de signaux.
La classification d'images hyper-spectrales relève d'un domaine particulièrement actif. Plusieurs algorithmes existent pour traiter et classer les images hyper-spectrales obtenues sur la peau.
I.L. Weatherall et B.D. Coombs, "Skin color measurements in terms of CIELAB color space value," Journal of Investigative Dermatology, vol. 99, pp. 468-473, 1992 enseignent le traitement d'images couleurs par la décomposition CIEL*a*b.
G. N. Stamatas et al., "Non-invasive measurements of skin pigmentation in situ." Pigment cell res, vol. 17, pp. 618-626, 2004
4 enseignent que la composante L* ou l'index ITA calculé avec les composantes L* et b* permet de décrire la pigmentation.
G. N. Stamatas et al., "In vivo measurement of skin erythema and pigmentation: new means of implementation of diffuse reflectance spectroscopy with a commercial instrument," British Journal of Dermatology, vol. 159, pp. 683-690, 2008 décrivent la séparation des contributions de la mélanine et de l'hémoglobine dans une image hyper-spectrale sur la base de l'étude empirique de leurs absorptions respectives.
S. Prigent et al., "Spectral analysis and unsupervised SVM
classification for skin hyper-pigmentation classification," IEEE
Workshop on Hyperspectral Image and Signal Processing : Evolution in Remote Sensing (Whispers), Reykjavik, Islande, Juin 2010 et S.
Prigent et al., "Multi-spectral image analysis for skin pigmentation classification," Proc. IEEE International Conference on Image Processing (ICIP), Hong-Kong, Chine, Septembre 2010 décrivent des méthodes de classification de zones saines et de zones malades à partir d'images hyper-spectrales.
En procédant à l'acquisition d'autres images hyper-spectrales à
différents instants, il est possible d'ajouter une information temporelle. Il devient alors possible d'observer l'évolution d'une maladie dermatologique au cours du temps. Enfin, en procédant à
l'analyse statistique des résultats d'un panel d'individus, il est possible de déterminer l'efficacité d'un traitement sur la maladie observée et ceci plus particulièrement, dans les désordres pigmentaires, l'acné, la rosacée, ou le psoriasis. Cette détermination peut être étendue aux images hyper-spectrales de phanères, notamment de phanères atteints de mycoses comme par exemple l'onychomycose.
Par phanères, on entend les ongles et les cheveux. Parmi les phanères, on s'intéresse plus particulièrement aux ongles.
Un effet notable n'est reconnu à l'heure actuelle qu'à l'issue d'une étude statistique sur un large panel de patients. Afin de traiter les données issues des différentes images à différents instants pour les différents patients, il est nécessaire de disposer d'un système de traitement des images performant.
Un but de l'invention est de générer des images présentant un contraste maximum entre des images d'une zone atteinte par une
G. N. Stamatas et al., "In vivo measurement of skin erythema and pigmentation: new means of implementation of diffuse reflectance spectroscopy with a commercial instrument," British Journal of Dermatology, vol. 159, pp. 683-690, 2008 décrivent la séparation des contributions de la mélanine et de l'hémoglobine dans une image hyper-spectrale sur la base de l'étude empirique de leurs absorptions respectives.
S. Prigent et al., "Spectral analysis and unsupervised SVM
classification for skin hyper-pigmentation classification," IEEE
Workshop on Hyperspectral Image and Signal Processing : Evolution in Remote Sensing (Whispers), Reykjavik, Islande, Juin 2010 et S.
Prigent et al., "Multi-spectral image analysis for skin pigmentation classification," Proc. IEEE International Conference on Image Processing (ICIP), Hong-Kong, Chine, Septembre 2010 décrivent des méthodes de classification de zones saines et de zones malades à partir d'images hyper-spectrales.
En procédant à l'acquisition d'autres images hyper-spectrales à
différents instants, il est possible d'ajouter une information temporelle. Il devient alors possible d'observer l'évolution d'une maladie dermatologique au cours du temps. Enfin, en procédant à
l'analyse statistique des résultats d'un panel d'individus, il est possible de déterminer l'efficacité d'un traitement sur la maladie observée et ceci plus particulièrement, dans les désordres pigmentaires, l'acné, la rosacée, ou le psoriasis. Cette détermination peut être étendue aux images hyper-spectrales de phanères, notamment de phanères atteints de mycoses comme par exemple l'onychomycose.
Par phanères, on entend les ongles et les cheveux. Parmi les phanères, on s'intéresse plus particulièrement aux ongles.
Un effet notable n'est reconnu à l'heure actuelle qu'à l'issue d'une étude statistique sur un large panel de patients. Afin de traiter les données issues des différentes images à différents instants pour les différents patients, il est nécessaire de disposer d'un système de traitement des images performant.
Un but de l'invention est de générer des images présentant un contraste maximum entre des images d'une zone atteinte par une
5 maladie et des images d'une zone épargnée par la maladie.
Un autre but de l'invention est de déterminer un indice numérique reflétant l'efficacité du traitement d'une maladie.
Un autre but de l'invention est un système de traitement d'images apte à déterminer un indice numérique reflétant l'efficacité
du traitement d'une maladie.
Un objet de l'invention est un procédé de détermination d'une valeur de quantification de la déviation de la valeur moyenne d'une distribution de l'écart de sévérité entre un instant initial et un instant postérieur à l'instant initial, la sévérité dépendant du contraste entre des zones recevant un traitement et des zones recevant un véhicule. Le procédé comprend des étapes au cours desquelles :
on acquiert, pour au moins un patient, à un instant initial et à
au moins un instant postérieur à l'instant initial, au moins une image hyper-spectrale comprenant au moins une zone choisie parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule, on détermine une décomposition en composantes indépendantes des images hyper-spectrales, on détermine, pour chaque image, parmi les composantes indépendantes, une composante représentative maximisant l'écart entre zone saine et zone pathologique, on mémorise, pour chaque image, la combinaison linéaire des bandes spectrales correspondant à la composante représentative, on détermine la moyenne sur toutes les images, des valeurs absolues des combinaisons linéaires des bandes spectrales correspondant chacune à la composante représentative d'une image, on détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes
Un autre but de l'invention est de déterminer un indice numérique reflétant l'efficacité du traitement d'une maladie.
Un autre but de l'invention est un système de traitement d'images apte à déterminer un indice numérique reflétant l'efficacité
du traitement d'une maladie.
Un objet de l'invention est un procédé de détermination d'une valeur de quantification de la déviation de la valeur moyenne d'une distribution de l'écart de sévérité entre un instant initial et un instant postérieur à l'instant initial, la sévérité dépendant du contraste entre des zones recevant un traitement et des zones recevant un véhicule. Le procédé comprend des étapes au cours desquelles :
on acquiert, pour au moins un patient, à un instant initial et à
au moins un instant postérieur à l'instant initial, au moins une image hyper-spectrale comprenant au moins une zone choisie parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule, on détermine une décomposition en composantes indépendantes des images hyper-spectrales, on détermine, pour chaque image, parmi les composantes indépendantes, une composante représentative maximisant l'écart entre zone saine et zone pathologique, on mémorise, pour chaque image, la combinaison linéaire des bandes spectrales correspondant à la composante représentative, on détermine la moyenne sur toutes les images, des valeurs absolues des combinaisons linéaires des bandes spectrales correspondant chacune à la composante représentative d'une image, on détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes
6 représentatives, on détermine une valeur de l'écart de sévérité en fonction des composantes représentatives corrigées des images hyper-spectrales acquises, pour chaque patient et pour chaque instant de mesure, et on détermine une valeur de quantification de la déviation de la valeur moyenne entre une distribution de l'écart de sévérité à l'instant initial et une distribution de l'écart de sévérité à un instant postérieur à l'instant initial en fonction de la valeur de l'écart de sévérité pour chaque patient à l'instant initial et à l'instant postérieur.
L'invention présente l'avantage de fournir un indice numérique unique pour caractériser l'efficacité du traitement entre deux instants de mesure de façon automatique et à partir des seules images hyper-spectrales d'un ensemble de patients, les images hyper-spectrales étant classées entre images d'une zone saine et images d'une zone pathologique.
On peut déterminer une valeur de l'écart de sévérité pour un instant de mesure, en déterminant, pour chacune des images acquises, une moyenne d'intensité égale à la valeur moyenne des pixels pour la composante représentative corrigée, en déterminant une valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement concernant le patient et l'instant de mesure considéré, en déterminant une valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, et en déterminant une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour un patient à un instant de mesure.
On peut déterminer la valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et
L'invention présente l'avantage de fournir un indice numérique unique pour caractériser l'efficacité du traitement entre deux instants de mesure de façon automatique et à partir des seules images hyper-spectrales d'un ensemble de patients, les images hyper-spectrales étant classées entre images d'une zone saine et images d'une zone pathologique.
On peut déterminer une valeur de l'écart de sévérité pour un instant de mesure, en déterminant, pour chacune des images acquises, une moyenne d'intensité égale à la valeur moyenne des pixels pour la composante représentative corrigée, en déterminant une valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement concernant le patient et l'instant de mesure considéré, en déterminant une valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, et en déterminant une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour un patient à un instant de mesure.
On peut déterminer la valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et
7 PCT/EP2012/050864 l'instant de mesure considéré, en réalisant la différence simple de la valeur moyenne d'intensité pour l'image de la zone saine ayant reçu le traitement et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence simple de la moyenne d'intensité pour l'image de la zone saine ayant reçu le véhicule et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
On peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence relative de la moyenne d'intensité pour l'image de la zone saine ayant reçu le traitement et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence relative de la moyenne d'intensité pour l'image de la zone saine ayant reçu le véhicule et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
On peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, comme étant égale à
la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le
On peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence relative de la moyenne d'intensité pour l'image de la zone saine ayant reçu le traitement et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence relative de la moyenne d'intensité pour l'image de la zone saine ayant reçu le véhicule et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
On peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, comme étant égale à
la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on peut déterminer la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le
8 patient considéré et l'instant de mesure considéré, comme étant égale à
la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
On peut déterminer une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour le patient considéré à l'instant de mesure considéré en réalisant la différence simple de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement et la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
On peut déterminer une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour le patient considéré à l'instant de mesure considéré en réalisant la différence relative de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement et la valeur de la sévérité de la maladie pour le patient considéré à
l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
Le véhicule peut être un placebo.
Le véhicule peut être un autre traitement.
Un autre objet de l'invention est un système de traitement d'image pour la détermination de la sévérité d'une maladie comprenant un dispositif d'acquisition d'images hyper-spectrales connecté à un moyen de traitement, le moyen de traitement étant connecté à un moyen de stockage de données et à un dispositif d'interaction homme machine, le moyen de traitement étant apte à appliquer le procédé
défini ci-dessus.
Un autre objet de l'invention est l'application du procédé
décrit ci-dessus à la détermination de l'efficacité d'un traitement dermatologique.
la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
On peut déterminer une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour le patient considéré à l'instant de mesure considéré en réalisant la différence simple de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement et la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
On peut déterminer une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour le patient considéré à l'instant de mesure considéré en réalisant la différence relative de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement et la valeur de la sévérité de la maladie pour le patient considéré à
l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
Le véhicule peut être un placebo.
Le véhicule peut être un autre traitement.
Un autre objet de l'invention est un système de traitement d'image pour la détermination de la sévérité d'une maladie comprenant un dispositif d'acquisition d'images hyper-spectrales connecté à un moyen de traitement, le moyen de traitement étant connecté à un moyen de stockage de données et à un dispositif d'interaction homme machine, le moyen de traitement étant apte à appliquer le procédé
défini ci-dessus.
Un autre objet de l'invention est l'application du procédé
décrit ci-dessus à la détermination de l'efficacité d'un traitement dermatologique.
9 D'autres buts, caractéristiques et avantages apparaîtront à la lecture de la description suivante donnée uniquement en tant qu'exemple non limitatif et faite en référence aux figures annexées sur lesquelles :
- la figure 1 illustre le procédé de détermination selon l'invention, et - la figure 2 illustre le système de traitement d'image associé.
Le procédé de détermination débute par l'acquisition 1 d'au moins une image hyper-spectrale comprenant une zone parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule. Ces images hyper-spectrales sont acquises à chaque instant de mesure et pour chaque patient. Dans la suite de la description, on considérera que l'on a procédé à l'acquisition de quatre images comprenant chacune une zone d'intérêt.
Toutefois, il est possible d'avoir au moins deux zones d'intérêt réparties sur une image. L'image peut alors être scindée en autant de sous-images que de zones d'intérêt présentes sur l'image initiale. Dans ce cas, on prendra soin d'obtenir des sous-images de même nombre de pixels. On prendra également soin de redimensionner les images hyper-spectrales n'ayant pas bénéficié d'un découpage en sous-images à une taille d'image présentant le même nombre de pixels que les sous-images.
L'homme du métier sera ainsi capable d'adapter le procédé
décrit ci-après au cas où au moins une image comprend plusieurs zones d'intérêt en insérant une étape de création d'une sous-image par zone d'intérêt et de redimensionnement des images ne subissant pas de découpage. Dans tous les cas, quatre images hyper-spectrales correspondant chacune à une zone d'intérêt sont fournies au procédé.
Par véhicule, on entend une composition comprenant les mêmes excipients que ceux correspondant au traitement mais ne comprenant pas les principes actifs agissant sur les causes de la maladie, Le véhicule peut également être un placebo ou une solution de contrôle.
Le véhicule peut être un autre traitement c'est-à-dire une composition comprenant des principes actifs et des excipients différents de la composition du premier traitement.
Bien que le procédé décrit soit fondé sur l'application d'un 5 traitement et d'un véhicule, il est possible d'appliquer le procédé afin de comparer une zone recevant un premier traitement à une zone recevant un deuxième traitement.
Les quatre images hyper-spectrales sont traitées par un procédé
d'analyse en composantes indépendantes ( Independant Component
- la figure 1 illustre le procédé de détermination selon l'invention, et - la figure 2 illustre le système de traitement d'image associé.
Le procédé de détermination débute par l'acquisition 1 d'au moins une image hyper-spectrale comprenant une zone parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule. Ces images hyper-spectrales sont acquises à chaque instant de mesure et pour chaque patient. Dans la suite de la description, on considérera que l'on a procédé à l'acquisition de quatre images comprenant chacune une zone d'intérêt.
Toutefois, il est possible d'avoir au moins deux zones d'intérêt réparties sur une image. L'image peut alors être scindée en autant de sous-images que de zones d'intérêt présentes sur l'image initiale. Dans ce cas, on prendra soin d'obtenir des sous-images de même nombre de pixels. On prendra également soin de redimensionner les images hyper-spectrales n'ayant pas bénéficié d'un découpage en sous-images à une taille d'image présentant le même nombre de pixels que les sous-images.
L'homme du métier sera ainsi capable d'adapter le procédé
décrit ci-après au cas où au moins une image comprend plusieurs zones d'intérêt en insérant une étape de création d'une sous-image par zone d'intérêt et de redimensionnement des images ne subissant pas de découpage. Dans tous les cas, quatre images hyper-spectrales correspondant chacune à une zone d'intérêt sont fournies au procédé.
Par véhicule, on entend une composition comprenant les mêmes excipients que ceux correspondant au traitement mais ne comprenant pas les principes actifs agissant sur les causes de la maladie, Le véhicule peut également être un placebo ou une solution de contrôle.
Le véhicule peut être un autre traitement c'est-à-dire une composition comprenant des principes actifs et des excipients différents de la composition du premier traitement.
Bien que le procédé décrit soit fondé sur l'application d'un 5 traitement et d'un véhicule, il est possible d'appliquer le procédé afin de comparer une zone recevant un premier traitement à une zone recevant un deuxième traitement.
Les quatre images hyper-spectrales sont traitées par un procédé
d'analyse en composantes indépendantes ( Independant Component
10 Analysis en langue anglaise, identifié par l'acronyme ICA ).
Chaque image est transformée par le procédé ICA en une image de même taille et comprenant autant de composantes indépendantes que l'image d'origine comprenait de longueurs d'onde. Chacune des composantes indépendantes est issue d'une combinaison linéaire des longueurs d'ondes de l'image d'origine.
On détermine, pour chaque image, parmi les composantes indépendantes, une composante représentative maximisant l'écart entre zone saine et zone pathologique.
On mémorise, pour chaque image, la combinaison linéaire des bandes spectrales correspondant à la composante représentative. Par combinaison linéaire, on entend les coefficients de pondération de chaque bande spectrale. Il peut exister des variations de coefficients d'un patient à un autre. Afin d'obtenir une référence, on réalise la moyenne des valeurs absolues des coefficients de pondérations entrant dans la combinaison linéaire de la composante représentative de chaque patient. On pourrait également réaliser la moyenne des valeurs absolues en écartant préalablement les valeurs aberrantes ou extrêmes.
On obtient ainsi des coefficients moyens.
On détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes représentatives, c'est-a-dire en fonction des coefficients moyens.
L'extension spatiale de la maladie n'est pas prise en compte.
Ainsi, le procédé de détermination comprend une étape 2 de
Chaque image est transformée par le procédé ICA en une image de même taille et comprenant autant de composantes indépendantes que l'image d'origine comprenait de longueurs d'onde. Chacune des composantes indépendantes est issue d'une combinaison linéaire des longueurs d'ondes de l'image d'origine.
On détermine, pour chaque image, parmi les composantes indépendantes, une composante représentative maximisant l'écart entre zone saine et zone pathologique.
On mémorise, pour chaque image, la combinaison linéaire des bandes spectrales correspondant à la composante représentative. Par combinaison linéaire, on entend les coefficients de pondération de chaque bande spectrale. Il peut exister des variations de coefficients d'un patient à un autre. Afin d'obtenir une référence, on réalise la moyenne des valeurs absolues des coefficients de pondérations entrant dans la combinaison linéaire de la composante représentative de chaque patient. On pourrait également réaliser la moyenne des valeurs absolues en écartant préalablement les valeurs aberrantes ou extrêmes.
On obtient ainsi des coefficients moyens.
On détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes représentatives, c'est-a-dire en fonction des coefficients moyens.
L'extension spatiale de la maladie n'est pas prise en compte.
Ainsi, le procédé de détermination comprend une étape 2 de
11 détermination d'une valeur moyenne des pixels de la composante représentative corrigée M, pour chaque image.
A l'issue de cette étape, on obtient donc quatre valeurs moyennes ( mnv, mpv, mnA, et iimpA) correspondant chacune à une des images reçues lors de l'étape précédente. Ces valeurs sont déterminées à chaque instant de mesure et pour chaque patient.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone malade recevant le traitement est notée iimpA.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone saine recevant le traitement est notée mhA.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone malade recevant le véhicule est notée mpv.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone saine recevant le véhicule est notée mhv.
Une moyenne d'intensité notée m peut être déterminée par l'équation suivante :
!am= (Moy(I))mI(m;1\4)¨
1É (Eq. 1) irt-1 Np Avec (Moy(I))m= l'intensité moyenne relative à la composante représentative corrigée M
Nb : le nombre total de bandes Np : le nombre total de pixels par bande de l'image I(m,M) : l'intensité du pixel m de la composante représentative corrigée M.
Le procédé de détermination détermine ensuite une valeur unique pour quantifier la maladie d'un patient à partir des quatre moyennes d'intensité déterminées à l'étape précédente. La valeur unique obtenue est la sévérité D. . Pour obtenir la sévérité Dte , on réalise une première normalisation appliquée entre la zone malade et la zone saine, au cours d'une étape 3 du procédé suivie d'une deuxième normalisation au cours d'une autre étape 4 du procédé.
La première normalisation peut être réalisée par une simple différence.
dte ¨ [lut ¨11mp (Eq. 2)
A l'issue de cette étape, on obtient donc quatre valeurs moyennes ( mnv, mpv, mnA, et iimpA) correspondant chacune à une des images reçues lors de l'étape précédente. Ces valeurs sont déterminées à chaque instant de mesure et pour chaque patient.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone malade recevant le traitement est notée iimpA.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone saine recevant le traitement est notée mhA.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone malade recevant le véhicule est notée mpv.
La moyenne d'intensité sur une composante représentative corrigée M d'une zone saine recevant le véhicule est notée mhv.
Une moyenne d'intensité notée m peut être déterminée par l'équation suivante :
!am= (Moy(I))mI(m;1\4)¨
1É (Eq. 1) irt-1 Np Avec (Moy(I))m= l'intensité moyenne relative à la composante représentative corrigée M
Nb : le nombre total de bandes Np : le nombre total de pixels par bande de l'image I(m,M) : l'intensité du pixel m de la composante représentative corrigée M.
Le procédé de détermination détermine ensuite une valeur unique pour quantifier la maladie d'un patient à partir des quatre moyennes d'intensité déterminées à l'étape précédente. La valeur unique obtenue est la sévérité D. . Pour obtenir la sévérité Dte , on réalise une première normalisation appliquée entre la zone malade et la zone saine, au cours d'une étape 3 du procédé suivie d'une deuxième normalisation au cours d'une autre étape 4 du procédé.
La première normalisation peut être réalisée par une simple différence.
dte ¨ [lut ¨11mp (Eq. 2)
12 Alternativement, la première normalisation peut être réalisée par une différence relative.
e 1-1 mh [IMp d, (Eq. 3) 1tMh avec dte : la sévérité de la maladie pour le patient e à l'instant t de mesure IMh : la moyenne d'intensité pour une zone saine, Mp : la moyenne d'intensité pour une zone malade.
Selon une autre alternative, la première normalisation peut correspondre à la mesure moyenne pour la zone malade =!..tmp (Eq. 4) Les mesures IMhet 1..imp étant homogènes, l'équation de normalisation 2 est préférée. Ces valeurs sont déterminées à chaque instant de mesure et pour chaque patient.
A l'issue de cette étape, on obtient une sévérité de zones ayant reçues le traitement clA si les valeurs lamh et iamp sont remplacées par les valeurs laivinA et i.impA relatives aux moyennes d'intensité pour des zones traitées. De même, on obtient une sévérité de zones ayant reçues le véhicule dte'v si les valeurs lamh et iamp sont remplacées par les valeurs lamhV et iampv relatives aux moyennes d'intensité pour des zones ayant reçues le véhicule.
Le procédé de détermination applique l'équation 2 en remplaçant les valeurs lamh et !ami, par les valeurs laivinA et i.impA afin d'obtenir la sévérité dte'A.
dte'A Ote)A (144h Mp A = 1-1AMh 1-1A4p (Eq. 5) Par analogie, on obtient la sévérité dte'v en remplaçant les valeurs lamh et iamp de l'équation 5 par les valeurs lamhV et iampv.
Alternativement, le procédé de détermination applique l'équation 3 en remplaçant les valeurs lamh et !ami, par les valeurs mhA
et iamp afin d'obtenir la sévérité de A .
(A A
1-1 mn ¨ 1-1 mp 1- ¨
dte'A = Ote )A = ____________________ 1 mn Mp A (Eq. 6) 1t 1-1 mn
e 1-1 mh [IMp d, (Eq. 3) 1tMh avec dte : la sévérité de la maladie pour le patient e à l'instant t de mesure IMh : la moyenne d'intensité pour une zone saine, Mp : la moyenne d'intensité pour une zone malade.
Selon une autre alternative, la première normalisation peut correspondre à la mesure moyenne pour la zone malade =!..tmp (Eq. 4) Les mesures IMhet 1..imp étant homogènes, l'équation de normalisation 2 est préférée. Ces valeurs sont déterminées à chaque instant de mesure et pour chaque patient.
A l'issue de cette étape, on obtient une sévérité de zones ayant reçues le traitement clA si les valeurs lamh et iamp sont remplacées par les valeurs laivinA et i.impA relatives aux moyennes d'intensité pour des zones traitées. De même, on obtient une sévérité de zones ayant reçues le véhicule dte'v si les valeurs lamh et iamp sont remplacées par les valeurs lamhV et iampv relatives aux moyennes d'intensité pour des zones ayant reçues le véhicule.
Le procédé de détermination applique l'équation 2 en remplaçant les valeurs lamh et !ami, par les valeurs laivinA et i.impA afin d'obtenir la sévérité dte'A.
dte'A Ote)A (144h Mp A = 1-1AMh 1-1A4p (Eq. 5) Par analogie, on obtient la sévérité dte'v en remplaçant les valeurs lamh et iamp de l'équation 5 par les valeurs lamhV et iampv.
Alternativement, le procédé de détermination applique l'équation 3 en remplaçant les valeurs lamh et !ami, par les valeurs mhA
et iamp afin d'obtenir la sévérité de A .
(A A
1-1 mn ¨ 1-1 mp 1- ¨
dte'A = Ote )A = ____________________ 1 mn Mp A (Eq. 6) 1t 1-1 mn
13 Par analogie, on obtient la sévérité dte'v en remplaçant les valeurs iamhA et i.impA de l'équation 6 par les valeurs II mh-V et iampv.
Alternativement, le procédé de détermination applique l'équation 4 en remplaçant les valeurs II m h et !ami, par les valeurs mhA
et i.impA afin d'obtenir la sévérité dte'A.
dte'A (dte)A ¨1.tAmp (Eq. 7) Par analogie, on obtient la sévérité dte'v en remplaçant la valeur i.impA de l'équation 7 par la valeur iampv. Avec 1.tmv, : la moyenne d'intensité pour une zone saine ayant reçu le véhicule, 1.tmvp : la moyenne d'intensité pour une zone malade ayant reçu le véhicule, A
[Imh : la moyenne d'intensité pour une zone saine ayant reçu le traitement, 15= LIA la moyenne d'intensité pour une zone malade ayant reçu mp =
le traitement.
Pour les raisons évoquées en regard des équations Eq. 2, Eq. 3 et Eq. 4 la normalisation préférée ici est celle relative à l'équation Eq.
5.
Pour obtenir la sévérité Dte à partir des deux sévérités dte'A et dte'v, une deuxième normalisation est appliquée entre la zone recevant le traitement et la zone recevant le véhicule.
La deuxième normalisation permet de déterminer la sévérité Dte du patient e à l'instant de mesure t issue de la comparaison du traitement et du véhicule. A partir des sévérités dte'A de zones ayant reçues le traitement et des sévérités dte'v de zones ayant reçues le véhicule, on peut déterminer une sévérité Dte pour le patient e à
l'instant de mesure t.
D te d te,A d te,V (Eq. 8) Alternativement, on peut déterminer une sévérité Dte pour le patient e à l'instant de mesure t d'après l'équation suivante :
d te,A d teS
Dte ________________________________________________________ (Eq. 9) d te,V
Alternativement, le procédé de détermination applique l'équation 4 en remplaçant les valeurs II m h et !ami, par les valeurs mhA
et i.impA afin d'obtenir la sévérité dte'A.
dte'A (dte)A ¨1.tAmp (Eq. 7) Par analogie, on obtient la sévérité dte'v en remplaçant la valeur i.impA de l'équation 7 par la valeur iampv. Avec 1.tmv, : la moyenne d'intensité pour une zone saine ayant reçu le véhicule, 1.tmvp : la moyenne d'intensité pour une zone malade ayant reçu le véhicule, A
[Imh : la moyenne d'intensité pour une zone saine ayant reçu le traitement, 15= LIA la moyenne d'intensité pour une zone malade ayant reçu mp =
le traitement.
Pour les raisons évoquées en regard des équations Eq. 2, Eq. 3 et Eq. 4 la normalisation préférée ici est celle relative à l'équation Eq.
5.
Pour obtenir la sévérité Dte à partir des deux sévérités dte'A et dte'v, une deuxième normalisation est appliquée entre la zone recevant le traitement et la zone recevant le véhicule.
La deuxième normalisation permet de déterminer la sévérité Dte du patient e à l'instant de mesure t issue de la comparaison du traitement et du véhicule. A partir des sévérités dte'A de zones ayant reçues le traitement et des sévérités dte'v de zones ayant reçues le véhicule, on peut déterminer une sévérité Dte pour le patient e à
l'instant de mesure t.
D te d te,A d te,V (Eq. 8) Alternativement, on peut déterminer une sévérité Dte pour le patient e à l'instant de mesure t d'après l'équation suivante :
d te,A d teS
Dte ________________________________________________________ (Eq. 9) d te,V
14 avec dte'A : la sévérité de la maladie pour le patient e à l'instant t de mesure, calculée pour les images relatives aux zones ayant reçues le traitement, dte'v : la sévérité de la maladie pour le patient e à l'instant t de mesure, calculée pour les images relatives aux zones ayant reçues le véhicule.
Le procédé de détermination applique l'équation 8 afin de déterminer la sévérité Dte pour le patient e à l'instant de mesure t.
Alternativement, l'équation 9 est appliquée pour déterminer la sévérité
Dte pour le patient e à l'instant de mesure t.
Pour les raisons évoquées en regard des équations Eq. 2, Eq. 3, et Eq. 4 la normalisation préférée ici est celle relative à l'équation Eq.
8. Ces valeurs sont déterminées à chaque instant de mesure et pour chaque patient.
A ce stade, la répartition des sévérités Dte entre les différents patients n'est pas encore prise en compte. Afin d'en tenir compte, une analyse statistique est nécessaire. Pour cela, les inventeurs ont appliqué de façon ingénieuse une méthode de t-test aux données caractérisant l'écart entre la zone malade traitée et la zone malade recevant le véhicule. En d'autres termes, le t-test est appliqué à
l'indice de sévérité D.
Le t-test est notamment décrit dans l'ouvrage de A. M. Mood, F. A. Graybill, et D. C. Boes, Introduction to the theory of statistics , McGraw-Hill, 1974. Cet ouvrage divulgue une méthode de caractérisation de la déviation de la valeur moyenne entre deux distributions. La méthode est appelée test de Student ( Student test en langue anglaise), ou t-test.
(t)¨(t0) É't (t)= (Eq. 12) 324 (5240) ,\Ne Ne Avec Z" (t) la quantification de la déviation de la valeur moyenne entre deux distributions, ¨X(t) la valeur moyenne de X, a(t) l'écart type de X, Ne le nombre de patients dans le groupe, t l'instant de mesure et to l'instant de la mesure de référence. L'hypothèse nulle est que la valeur moyenne de la distribution n'évolue pas entre le temps to et le temps t. L'hypothèse nulle est rejetée si la quantification 5 de la déviation Z" (t) entre le temps to et le temps t a une probabilité
(obtenue suivant la loi de Student) inferieure à la valeur p=0,05.
Par ailleurs, plus basse est la valeur de la quantification de la déviation, plus grande est l'écart entre les valeurs moyennes des deux distributions entre l'instant t et l'instant to.
10 Ce test est donc appliqué aux sévérités Dte obtenues à l'issue de l'optimisation de l'écart entre zone saine et zone malade, X (t) étant alors la valeur moyenne sur l'ensemble des patients considérés des sévérités D te à l'instant t, et at(t) étant alors l'écart type de la distribution des sévérités Dte à l'instant t.
Le procédé de détermination applique l'équation 8 afin de déterminer la sévérité Dte pour le patient e à l'instant de mesure t.
Alternativement, l'équation 9 est appliquée pour déterminer la sévérité
Dte pour le patient e à l'instant de mesure t.
Pour les raisons évoquées en regard des équations Eq. 2, Eq. 3, et Eq. 4 la normalisation préférée ici est celle relative à l'équation Eq.
8. Ces valeurs sont déterminées à chaque instant de mesure et pour chaque patient.
A ce stade, la répartition des sévérités Dte entre les différents patients n'est pas encore prise en compte. Afin d'en tenir compte, une analyse statistique est nécessaire. Pour cela, les inventeurs ont appliqué de façon ingénieuse une méthode de t-test aux données caractérisant l'écart entre la zone malade traitée et la zone malade recevant le véhicule. En d'autres termes, le t-test est appliqué à
l'indice de sévérité D.
Le t-test est notamment décrit dans l'ouvrage de A. M. Mood, F. A. Graybill, et D. C. Boes, Introduction to the theory of statistics , McGraw-Hill, 1974. Cet ouvrage divulgue une méthode de caractérisation de la déviation de la valeur moyenne entre deux distributions. La méthode est appelée test de Student ( Student test en langue anglaise), ou t-test.
(t)¨(t0) É't (t)= (Eq. 12) 324 (5240) ,\Ne Ne Avec Z" (t) la quantification de la déviation de la valeur moyenne entre deux distributions, ¨X(t) la valeur moyenne de X, a(t) l'écart type de X, Ne le nombre de patients dans le groupe, t l'instant de mesure et to l'instant de la mesure de référence. L'hypothèse nulle est que la valeur moyenne de la distribution n'évolue pas entre le temps to et le temps t. L'hypothèse nulle est rejetée si la quantification 5 de la déviation Z" (t) entre le temps to et le temps t a une probabilité
(obtenue suivant la loi de Student) inferieure à la valeur p=0,05.
Par ailleurs, plus basse est la valeur de la quantification de la déviation, plus grande est l'écart entre les valeurs moyennes des deux distributions entre l'instant t et l'instant to.
10 Ce test est donc appliqué aux sévérités Dte obtenues à l'issue de l'optimisation de l'écart entre zone saine et zone malade, X (t) étant alors la valeur moyenne sur l'ensemble des patients considérés des sévérités D te à l'instant t, et at(t) étant alors l'écart type de la distribution des sévérités Dte à l'instant t.
15 La valeur moyenne des sévérités Dte peut être calculée de plusieurs façons connues de l'homme du métier, comme par exemple une moyenne simple, une moyenne relative, une moyenne statistique.
De plus, il est possible de retirer les valeurs extrêmes, ou les valeurs aberrantes. Dans ces deux derniers cas, l'écart type de la distribution des sévérités Dte est calculé en écartant les mêmes valeurs retirées de l'ensemble des valeurs considérées pour réaliser la moyenne.
Alternativement, on considère un t-test apparié défini de la façon décrite ci-après. Une fois la valeur optimiséeX.^ déterminée, la valeur de la sévérité Dte correspondant à la valeur optimiséeX.^ est à
nouveau déterminée pour chaque instant de mesure et pour chaque patient, et utilisée pour les étapes ultérieures du procédé.
A ce stade, la répartition des sévérités Dte entre les différents patients n'est pas encore prise en compte. Afin d'en tenir compte, une analyse statistique est nécessaire. Pour cela, les inventeurs ont appliqué de façon ingénieuse une méthode de t-test apparié aux données caractérisant l'écart entre la zone malade traitée et la zone malade recevant le véhicule. En d'autres termes, le t-test apparié est appliqué à l'indice de sévérité D.
De plus, il est possible de retirer les valeurs extrêmes, ou les valeurs aberrantes. Dans ces deux derniers cas, l'écart type de la distribution des sévérités Dte est calculé en écartant les mêmes valeurs retirées de l'ensemble des valeurs considérées pour réaliser la moyenne.
Alternativement, on considère un t-test apparié défini de la façon décrite ci-après. Une fois la valeur optimiséeX.^ déterminée, la valeur de la sévérité Dte correspondant à la valeur optimiséeX.^ est à
nouveau déterminée pour chaque instant de mesure et pour chaque patient, et utilisée pour les étapes ultérieures du procédé.
A ce stade, la répartition des sévérités Dte entre les différents patients n'est pas encore prise en compte. Afin d'en tenir compte, une analyse statistique est nécessaire. Pour cela, les inventeurs ont appliqué de façon ingénieuse une méthode de t-test apparié aux données caractérisant l'écart entre la zone malade traitée et la zone malade recevant le véhicule. En d'autres termes, le t-test apparié est appliqué à l'indice de sévérité D.
16 La méthode est appelée test de Student apparié ( Paired Student test en langue anglaise), ou t-test apparié.
(t) zt,t, (t) _ (Eq. 13) =N/1\
Avec Ztlt) la quantification de la déviation de la valeur moyenne entre la distribution X et une distribution normale standardisée N(0,1), X(t) la valeur moyenne de X, a(t) l'écart type de X, Ne le nombre de patients dans le groupe, t l'instant de mesure et to l'instant de la mesure de référence. L'hypothèse nulle est que la valeur moyenne de la distribution n'évolue pas entre le temps to et le temps t.
L'hypothèse nulle est rejetée si la quantification de la déviation Z" (t) entre le temps to et le temps t a une probabilité (obtenue suivant la loi de Student) inferieure à la valeur p=0,05.
Par ailleurs, plus basse est la valeur de la quantification de la déviation, plus grande est l'écart entre X et N(0,1).
Ce test est donc appliqué aux sévérités Dte obtenues à l'issue de l'optimisation de l'écart entre zone saine et zone malade, X(t) étant alors la valeur moyenne sur l'ensemble des patients considérés de la différence Dte ¨D entrel'instant t et l'instant to, et a(t) étant alors l'écart type de la distribution de la différence Dte ¨Dteoentre l'instant t et l'instant to.
La valeur de la différence Dte ¨D entrel'instant t et l'instant to peut être calculée de plusieurs façons connues de l'homme du métier, comme par exemple une moyenne simple, une moyenne relative, une moyenne statistique. De plus, il est possible de retirer les valeurs extrêmes, ou les valeurs aberrantes. Dans ces deux derniers cas, l'écart type de la distribution des sévérités Dte ¨Dte, est calculé en écartant les mêmes valeurs retirées de l'ensemble des valeurs considérées pour réaliser la moyenne.
Le procédé de détermination comprend ainsi une étape 5 de détermination d'une valeur Z" (t) de la quantification de la déviation de la valeur moyenne de la distribution des sévérité Dte entre le temps
(t) zt,t, (t) _ (Eq. 13) =N/1\
Avec Ztlt) la quantification de la déviation de la valeur moyenne entre la distribution X et une distribution normale standardisée N(0,1), X(t) la valeur moyenne de X, a(t) l'écart type de X, Ne le nombre de patients dans le groupe, t l'instant de mesure et to l'instant de la mesure de référence. L'hypothèse nulle est que la valeur moyenne de la distribution n'évolue pas entre le temps to et le temps t.
L'hypothèse nulle est rejetée si la quantification de la déviation Z" (t) entre le temps to et le temps t a une probabilité (obtenue suivant la loi de Student) inferieure à la valeur p=0,05.
Par ailleurs, plus basse est la valeur de la quantification de la déviation, plus grande est l'écart entre X et N(0,1).
Ce test est donc appliqué aux sévérités Dte obtenues à l'issue de l'optimisation de l'écart entre zone saine et zone malade, X(t) étant alors la valeur moyenne sur l'ensemble des patients considérés de la différence Dte ¨D entrel'instant t et l'instant to, et a(t) étant alors l'écart type de la distribution de la différence Dte ¨Dteoentre l'instant t et l'instant to.
La valeur de la différence Dte ¨D entrel'instant t et l'instant to peut être calculée de plusieurs façons connues de l'homme du métier, comme par exemple une moyenne simple, une moyenne relative, une moyenne statistique. De plus, il est possible de retirer les valeurs extrêmes, ou les valeurs aberrantes. Dans ces deux derniers cas, l'écart type de la distribution des sévérités Dte ¨Dte, est calculé en écartant les mêmes valeurs retirées de l'ensemble des valeurs considérées pour réaliser la moyenne.
Le procédé de détermination comprend ainsi une étape 5 de détermination d'une valeur Z" (t) de la quantification de la déviation de la valeur moyenne de la distribution des sévérité Dte entre le temps
17 to et le temps t. Cette valeur de quantification sera d'une part comparée à l'hypothèse nulle pour déterminer la présence d'un effet, puis comparée à des valeurs Z" (t) d'autres traitements pour en comparer les effets, ou comparée à des Z" (t) à d'autres instants afin de déterminer l'évolution dans le temps.
Si l'écart entre une valeur de la statistique de Student associée à zt,to(t) et la valeur 0,05 de l'hypothèse nulle est important, cela signifie que la zone traitée évolue de plus en plus distinctement de la zone non traitée. Le traitement est alors considéré comme efficace. La statistique de Student est obtenue par lecture de la table de la loi de Student. Pour une valeur de Z en abscisse, correspond une probabilité
en ordonnée.
La valeur Z permet de caractériser l'efficacité du traitement sur la durée totale de traitement. La valeur Z permet également de comparer l'efficacité d'un traitement à l'efficacité d'un autre traitement de même durée.
Le système de traitement d'images hyper-spectrales 10 comprend un dispositif d'acquisition d'images hyper-spectrales 11 connecté à un moyen de traitement 12, lui-même connecté à un moyen de stockage de données 13 et à un dispositif d'interaction homme machine 14.
Le dispositif d'acquisition est apte à réaliser des images hyper-spectrales de zones (15,16) d'un patient 17. Les zones dont l'image est acquise sont une zone saine 15 et une zone malade 16. Les images sont également prises sur des fractions de ces zones ayant reçues un traitement ou un véhicule. L'acquisition est répétée pour plusieurs sujets et à des instants de mesure différents. Les données obtenues sont transmises au moyen de traitement 12 qui les traite en temps réel ou les redirige vers le moyen de stockage de données 13 pour un traitement différé.
Le moyen de traitement 12 applique les étapes du procédé de détermination d'une valeur de quantification de la déviation de la valeur moyenne d'une distribution de l'écart de sévérité entre un instant initial et un instant postérieur à l'instant initial, la sévérité
Si l'écart entre une valeur de la statistique de Student associée à zt,to(t) et la valeur 0,05 de l'hypothèse nulle est important, cela signifie que la zone traitée évolue de plus en plus distinctement de la zone non traitée. Le traitement est alors considéré comme efficace. La statistique de Student est obtenue par lecture de la table de la loi de Student. Pour une valeur de Z en abscisse, correspond une probabilité
en ordonnée.
La valeur Z permet de caractériser l'efficacité du traitement sur la durée totale de traitement. La valeur Z permet également de comparer l'efficacité d'un traitement à l'efficacité d'un autre traitement de même durée.
Le système de traitement d'images hyper-spectrales 10 comprend un dispositif d'acquisition d'images hyper-spectrales 11 connecté à un moyen de traitement 12, lui-même connecté à un moyen de stockage de données 13 et à un dispositif d'interaction homme machine 14.
Le dispositif d'acquisition est apte à réaliser des images hyper-spectrales de zones (15,16) d'un patient 17. Les zones dont l'image est acquise sont une zone saine 15 et une zone malade 16. Les images sont également prises sur des fractions de ces zones ayant reçues un traitement ou un véhicule. L'acquisition est répétée pour plusieurs sujets et à des instants de mesure différents. Les données obtenues sont transmises au moyen de traitement 12 qui les traite en temps réel ou les redirige vers le moyen de stockage de données 13 pour un traitement différé.
Le moyen de traitement 12 applique les étapes du procédé de détermination d'une valeur de quantification de la déviation de la valeur moyenne d'une distribution de l'écart de sévérité entre un instant initial et un instant postérieur à l'instant initial, la sévérité
18 dépendant du contraste entre des zones recevant un traitement et des zones recevant un véhicule.
Les résultats du traitement sont affichées par l'intermédiaire du dispositif d'interaction homme machine 14. Le résultat peut être affiché sur un écran, transmis à un autre système pour être l'objet d'un autre traitement, ou transmis par un moyen de communication électronique distant à ou plusieurs utilisateurs.
Les résultats du traitement sont affichées par l'intermédiaire du dispositif d'interaction homme machine 14. Le résultat peut être affiché sur un écran, transmis à un autre système pour être l'objet d'un autre traitement, ou transmis par un moyen de communication électronique distant à ou plusieurs utilisateurs.
Claims (12)
1. Procédé de détermination d'une valeur de quantification de la déviation de la valeur moyenne d'une distribution de l'écart de sévérité entre un instant initial et un instant postérieur à l'instant initial, la sévérité dépendant du contraste entre des zones recevant un traitement et des zones recevant un véhicule, comprenant des étapes au cours desquelles :
on acquiert, pour au moins un patient, à un instant initial et à
au moins un instant postérieur à l'instant initial, au moins une image hyper-spectrale comprenant au moins une zone parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule, on détermine une décomposition en composantes indépendantes des images hyper-spectrales, on détermine, pour chaque image, parmi les composantes indépendantes, une composante représentative maximisant l'écart entre zone saine et zone pathologique, on mémorise, pour chaque image, la combinaison linéaire des bandes spectrales correspondant à la composante représentative, on détermine la moyenne sur toutes les images, des valeurs absolues des combinaisons linéaires des bandes spectrales correspondant chacune à la composante représentative d'une image, on détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes représentatives, on détermine une valeur de l'écart de sévérité en fonction des composantes représentatives corrigées des images hyper-spectrales acquises, pour chaque patient et pour chaque instant de mesure, et on détermine une valeur de quantification de la déviation de la valeur moyenne entre une distribution de l'écart de sévérité à l'instant initial et une distribution de l'écart de sévérité à un instant postérieur à l'instant initial en fonction de la valeur de l'écart de sévérité pour chaque patient à l'instant initial et à l'instant postérieur.
on acquiert, pour au moins un patient, à un instant initial et à
au moins un instant postérieur à l'instant initial, au moins une image hyper-spectrale comprenant au moins une zone parmi une zone malade recevant le traitement, une zone saine recevant le traitement, une zone malade recevant le véhicule et une zone saine recevant le véhicule, on détermine une décomposition en composantes indépendantes des images hyper-spectrales, on détermine, pour chaque image, parmi les composantes indépendantes, une composante représentative maximisant l'écart entre zone saine et zone pathologique, on mémorise, pour chaque image, la combinaison linéaire des bandes spectrales correspondant à la composante représentative, on détermine la moyenne sur toutes les images, des valeurs absolues des combinaisons linéaires des bandes spectrales correspondant chacune à la composante représentative d'une image, on détermine, pour chaque image, une composante représentative corrigée en fonction de la moyenne des composantes représentatives, on détermine une valeur de l'écart de sévérité en fonction des composantes représentatives corrigées des images hyper-spectrales acquises, pour chaque patient et pour chaque instant de mesure, et on détermine une valeur de quantification de la déviation de la valeur moyenne entre une distribution de l'écart de sévérité à l'instant initial et une distribution de l'écart de sévérité à un instant postérieur à l'instant initial en fonction de la valeur de l'écart de sévérité pour chaque patient à l'instant initial et à l'instant postérieur.
2. Procédé selon la revendication 1, dans lequel on détermine une valeur de quantification de la déviation de la valeur moyenne entre une distribution de l'écart de sévérité à l'instant initial et une distribution de l'écart de sévérité à un instant postérieur à l'instant initial en appliquant un test de Student ou un test de Student apparié
aux valeurs optimisées de la valeur de l'écart de sévérité pour chaque patient à l'instant initial et à l'instant postérieur.
aux valeurs optimisées de la valeur de l'écart de sévérité pour chaque patient à l'instant initial et à l'instant postérieur.
3. Procédé selon l'une quelconque des revendications précédentes, dans lequel on détermine une valeur de l'écart de sévérité
pour un instant de mesure en déterminant, pour chacune des images acquises, une moyenne d'intensité égale à la valeur moyenne des pixels pour la composante représentative corrigée, en déterminant une valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement concernant le patient et l'instant de mesure considéré, en déterminant une valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, et en déterminant une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour un patient à un instant de mesure.
pour un instant de mesure en déterminant, pour chacune des images acquises, une moyenne d'intensité égale à la valeur moyenne des pixels pour la composante représentative corrigée, en déterminant une valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement concernant le patient et l'instant de mesure considéré, en déterminant une valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, et en déterminant une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour un patient à un instant de mesure.
4. Procédé selon l'une quelconque des revendications précédentes, dans lequel on détermine la valeur de la sévérité de la maladie pour un patient à un instant de mesure, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence simple de la moyenne d'intensité pour l'image de la zone saine ayant reçu le traitement et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on détermine la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence simple de la moyenne d'intensité pour l'image de la zone saine ayant reçu le véhicule et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
5. Procédé selon l'une quelconque des revendications 1 à 3, dans lequel on détermine la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence relative de la moyenne d'intensité pour l'image de la zone saine ayant reçu le traitement et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on détermine la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, en réalisant la différence relative de la moyenne d'intensité pour l'image de la zone saine ayant reçu le véhicule et de la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
6. Procédé selon l'une quelconque des revendications 1 à 3, dans lequel on détermine la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement, concernant le patient considéré et l'instant de mesure considéré, comme étant égale à
la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on détermine la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, comme étant égale à
la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
la moyenne d'intensité pour l'image de la zone malade ayant reçu le traitement, et on détermine la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule, concernant le patient considéré et l'instant de mesure considéré, comme étant égale à
la moyenne d'intensité pour l'image de la zone malade ayant reçu le véhicule.
7. Procédé selon l'une des quelconque des revendications 4 à 6, dans lequel on détermine une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour le patient considéré à l'instant de mesure considéré en réalisant la différence simple de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement et la valeur de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
8. Procédé selon l'une quelconque des revendications 4 à 6, dans lequel on détermine une valeur de l'écart de sévérité de la maladie entre les zones ayant reçues le traitement et les zones ayant reçues le véhicule pour le patient considéré à l'instant de mesure considéré en réalisant la différence relative de la sévérité de la maladie pour le patient considéré à l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le traitement et la valeur de la sévérité de la maladie pour le patient considéré à
l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
l'instant de mesure considéré, calculée pour les images relatives aux zones ayant reçues le véhicule.
9. Procédé selon l'une quelconque des revendications 1 à 8, dans lequel le véhicule est un placebo.
10. Procédé selon l'une quelconque des revendications 1 à 8, dans lequel le véhicule est un autre traitement.
11. Système de traitement d'image pour la détermination de la sévérité d'une maladie caractérisé par le fait qu'il comprend un dispositif d'acquisition d'images hyper-spectrales (11) connecté à un moyen de traitement (12), le moyen de traitement (12) étant connecté à
un moyen de stockage de données (13) et à un dispositif d'interaction homme machine (14), le moyen de traitement (12) étant apte à
appliquer le procédé tel que revendiqué dans les revendications 1 à 10.
un moyen de stockage de données (13) et à un dispositif d'interaction homme machine (14), le moyen de traitement (12) étant apte à
appliquer le procédé tel que revendiqué dans les revendications 1 à 10.
12. Application du procédé de détermination selon les revendications 1 à 10, à la détermination de l' efficacité d'un traitement thérapeutique.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1150459A FR2970802B1 (fr) | 2011-01-20 | 2011-01-20 | Procede de determination par analyse en composantes independantes de l'efficacite d'un traitement et systeme de traitement d'image associe |
| FR1150459 | 2011-01-20 | ||
| PCT/EP2012/050864 WO2012098227A1 (fr) | 2011-01-20 | 2012-01-20 | Determination par analyse en composantes independantes de l'efficacite d'un traitement |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CA2824911A1 true CA2824911A1 (fr) | 2012-07-26 |
Family
ID=44262469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CA 2824911 Abandoned CA2824911A1 (fr) | 2011-01-20 | 2012-01-20 | Determination par analyse en composantes independantes de l'efficacite d'un traitement |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20130345542A1 (fr) |
| EP (1) | EP2666146A1 (fr) |
| CA (1) | CA2824911A1 (fr) |
| FR (1) | FR2970802B1 (fr) |
| WO (1) | WO2012098227A1 (fr) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6992775B2 (en) * | 2002-08-29 | 2006-01-31 | Kestrel Corporation | Hyperspectral retinal imager |
| US7321791B2 (en) * | 2003-09-23 | 2008-01-22 | Cambridge Research And Instrumentation, Inc. | Spectral imaging of deep tissue |
| US8224425B2 (en) * | 2005-04-04 | 2012-07-17 | Hypermed Imaging, Inc. | Hyperspectral imaging in diabetes and peripheral vascular disease |
| US7689016B2 (en) * | 2005-05-27 | 2010-03-30 | Stoecker & Associates, A Subsidiary Of The Dermatology Center, Llc | Automatic detection of critical dermoscopy features for malignant melanoma diagnosis |
-
2011
- 2011-01-20 FR FR1150459A patent/FR2970802B1/fr not_active Expired - Fee Related
-
2012
- 2012-01-20 WO PCT/EP2012/050864 patent/WO2012098227A1/fr active Application Filing
- 2012-01-20 CA CA 2824911 patent/CA2824911A1/fr not_active Abandoned
- 2012-01-20 EP EP12700498.4A patent/EP2666146A1/fr not_active Withdrawn
- 2012-01-20 US US13/980,857 patent/US20130345542A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| FR2970802B1 (fr) | 2013-02-08 |
| EP2666146A1 (fr) | 2013-11-27 |
| FR2970802A1 (fr) | 2012-07-27 |
| WO2012098227A1 (fr) | 2012-07-26 |
| US20130345542A1 (en) | 2013-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1932118B2 (fr) | Procede et appareil de caracterisation des imperfections de la peau et procede d'appreciation de l'effet anti-vieillissement d'un produit cosmetique | |
| Wu et al. | Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review—Part I: Fundamentals | |
| FR2952216A1 (fr) | Procede et dispositif d'analyse d'images hyper-spectrales | |
| KR20210043595A (ko) | 하이브리드 분광 이미저 | |
| WO2018153762A1 (fr) | Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d'un processus donné | |
| WO2013098512A1 (fr) | Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau | |
| EP3745946A1 (fr) | Système d'imagerie hyperspectrale et son procédé d'utilisation | |
| FR2944899A1 (fr) | Procede et appareil de caracterisation des taches pigmentaires et procede d'appreciation de l'effet de traitement d'une tache pigmentaire par un produit cosmetique | |
| US10478071B2 (en) | Medical imaging | |
| FR3021127A1 (fr) | Systeme et procede d'acquisition d'images hyperspectrales | |
| CA2824937A1 (fr) | Determination de l'efficacite d'un traitement | |
| CA2778676A1 (fr) | Dispositif et procede de compensation de relief d'images hyper-spectrales | |
| US20230255544A1 (en) | Method and electronic device for determining skin information using hyper spectral reconstruction | |
| CA2824911A1 (fr) | Determination par analyse en composantes independantes de l'efficacite d'un traitement | |
| Lorencs et al. | Melanoma-nevus discrimination based on image statistics in few spectral channels | |
| EP3599988B1 (fr) | Biomarqueur de la perception des couleurs chez un sujet mammifere base sur le marquage frequentiel de la pupille | |
| Zhao et al. | Coded aperture snapshot spectral imaging fundus camera | |
| EP3427225B1 (fr) | Procédé de traitement d'images | |
| WO2024209349A1 (fr) | Correction de données d'image rétinienne pour cubes multi-et hyper-spectraux | |
| FR3098962A1 (fr) | Système de détection d’une particularité hyperspectrale | |
| Kamimura et al. | Evaluation and analysis for spectral reflectance imaging of human skin |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FZDE | Discontinued |
Effective date: 20160120 |