FR2997536A1

FR2997536A1 - Method for estimation of differential index of severity of e.g. pathology, expressing cutaneous deterioration, involves determining differential index of severity among index of severity linked to contrast and cutaneous deterioration

Info

Publication number: FR2997536A1
Application number: FR1260390A
Authority: FR
Inventors: Sylvain Meriadec Prigent; Xavier Descombes; Josiane Bernadette Zerubia
Original assignee: Galderma Research and Development SNC; Institut National de Recherche en Informatique et en Automatique INRIA
Current assignee: Galderma Research and Development SNC; Institut National de Recherche en Informatique et en Automatique INRIA
Priority date: 2012-10-31
Filing date: 2012-10-31
Publication date: 2014-05-02

Abstract

The method involves acquiring multispectral or hyperspectrale image, and determining a spectral band or a combination of spectral bands specific to pathology e.g. scars. A monochromic image is determined according to the spectral band or the combination of spectral bands. A change mapping is determined, and a differential index of severity is determined among an index of differential severity related to surface, a differential index of severity linked to contrast, and a differential index of severity related to homogeneity of cutaneous deterioration. An independent claim is also included for a system for estimation of a differential index of severity of a pathology expressing a cutaneous deterioration.

Description

Procédé et système d'estimation d'un indice de sévérité différentiel d'une pathologie exprimant une altération cutanée.Method and system for estimating a differential severity index of a pathology expressing skin damage.

L'invention a pour domaine technique le traitement numérique de l'image, et plus particulièrement la détection d'objets dans une image numérique. Il existe un ensemble de maladies de l'être humain dont les symptômes se manifestent au niveau de la peau. Des altérations de teinte, de texture, ou de relief peuvent alors avoir lieu. L'efficacité du traitement de la maladie est alors jugée par la réduction de la surface et de l'intensité de ces altérations cutanées. Jusqu'à maintenant, la détermination de l'évolution de la maladie était réalisée par un personnel de santé, soit par un examen visuel à un instant donné, soit par comparaison de clichés successifs des zones atteintes. L'estimation était alors largement empirique et basée sur l'appréciation du spécialiste. Il a été proposé d'utiliser des critères issus de mesures afin de déterminer l'évolution de maladies. Parmi ces critères, on peut citer l'indice de sévérité et de surface du Mélasma (acronyme MASI, pour Melasma Area Severity Index). Ce critère repose sur l'estimation de la surface, du contraste et de l'homogénéité des taches hyperpigmentées du visage du patient atteint de mélasma. Des règles de notation des symptômes existent pour la surface, le contraste et l'homogénéité mais repose toutefois toujours sur une appréciation subjective du spécialiste. Les notations de surface, de contraste et d'homogénéité sont déterminées pour le front, les deux joues et le menton du patient, puis intégrées au sein de l'indice MASI clinique. L'indice MASI clinique permet ainsi de limiter les écarts d'appréciation d'un spécialiste à un autre, classiquement réalisé sur de grandes zones. Avec le développement de l'imagerie numérique médicale, et plus particulièrement, de l'imagerie multispectrale et hyperspectrale, la quantité d'images à prendre en compte dans l'évolution d'une maladie devient trop importante pour qu'un personnel de santé puisse en faire une synthèse sur la base de l'indice MASI ou de la pratique antérieure. On rappelle que l'imagerie multispectrale repose sur l'acquisition d'une image sous plusieurs longueurs d'ondes différentes afin d'amplifier certaines parties de l'image. L'imagerie multispectrale considère quelques longueurs d'ondes, tandis que l'imagerie hyperspectrale en considère au moins plusieurs dizaines. De l'état de la technique, on connait les documents suivants.The technical field of the invention is the digital processing of the image, and more particularly the detection of objects in a digital image. There is a set of diseases of the human being whose symptoms are manifested in the skin. Alterations of hue, texture, or relief can then take place. The effectiveness of the treatment of the disease is then judged by the reduction of the surface and the intensity of these cutaneous alterations. Until now, the determination of the evolution of the disease was carried out by a health staff, either by a visual examination at a given moment, or by comparison of successive shots of the affected areas. The estimate was then largely empirical and based on the specialist's assessment. It has been proposed to use criteria derived from measurements to determine the evolution of diseases. These criteria include the severity and surface index of Melasma (acronym MASI for Melasma Area Severity Index). This criterion is based on the estimation of the surface, the contrast and the homogeneity of the hyperpigmented spots of the face of the patient with melasma. Rules of scoring of symptoms exist for the surface, the contrast and the homogeneity but always rests on a subjective appreciation of the specialist. The notations of surface, contrast and homogeneity are determined for the forehead, the two cheeks and the chin of the patient, then integrated within the clinical MASI index. The clinical MASI index thus makes it possible to limit the differences of appreciation from one specialist to another, conventionally performed over large areas. With the development of medical digital imaging, and more particularly, multispectral and hyperspectral imaging, the amount of images to be taken into account in the evolution of a disease becomes too important for a health staff to make a synthesis based on the MASI index or the previous practice. It is recalled that multispectral imaging relies on the acquisition of an image at several different wavelengths in order to amplify certain parts of the image. Multispectral imaging considers a few wavelengths, while hyperspectral imaging considers at least several tens. From the state of the art, we know the following documents.

La demande de brevet français FR 1150458 divulgue un procédé et un système de détermination de l'efficacité d'un traitement. Les principales étapes du procédé comprennent l'acquisition d'images hyperspectrales de la zone malade et d'une zone saine recevant chacune traitement ou véhicule, à partir desquelles on détermine un indice d'efficacité du traitement à l'instant t par une combinaison de t- test et de statistique de Student. Il est à noter que ce procédé ne prend pas en compte la surface couverte par les symptômes de la maladie. Le document LAFARGE et al. (Traitement du signal, 2007 Vol. 24 Numéro 1) divulgue un procédé de détection de feux de forêt à partir d'images numériques, notamment à partir d'images satellitaires dans la bande de l'infrarouge thermique. Les étapes principales du procédé comprennent un test de normalité, une sélection de mode parmi les modes de l'image multimodale, la régularisation de la distribution de l'image unimodale, la spécification d'histogramme gaussien, et la conclusion de l'appartenance d'un cluster à l'image ou à un feu de forêt, puis la représentation des zones détectées comme feux de forêt. Ce procédé ne permet pas de rendre compte des changements entre deux clichés successifs. Ainsi, il existe un besoin pour un procédé d'estimation d'un indice tenant compte de l'intensité, de la surface et de l'homogénéité des altérations cutanées liées à une pathologie, le procédé étant apte à fournir au moins une cartographie liée à une image acquise et montrant les changements par rapport à une ou plusieurs images de référence d'une manière interprétable par un personnel de santé.French patent application FR 1150458 discloses a method and a system for determining the effectiveness of a treatment. The main steps of the method include acquiring hyperspectral images of the diseased area and a healthy area receiving each treatment or vehicle, from which a treatment efficiency index at time t is determined by a combination of t-test and Student statistic. It should be noted that this method does not take into account the area covered by the symptoms of the disease. The document LAFARGE et al. (Signal Processing, 2007 Vol 24 Issue 1) discloses a method of detecting forest fires from digital images, especially from satellite images in the thermal infrared band. The main steps of the method include a normality test, a mode selection among the modes of the multimode image, the regularization of the unimodal image distribution, the Gaussian histogram specification, and the conclusion of the membership of the 'a cluster in the image or a forest fire, then the representation of the zones detected as wildfires. This method does not make it possible to account for the changes between two successive shots. Thus, there is a need for a method for estimating an index that takes into account the intensity, the surface and the homogeneity of the skin changes related to a pathology, the method being capable of providing at least one linked cartography. to an image acquired and showing the changes to one or more reference images in a manner interpretable by a health personnel.

Un objet de l'invention est un procédé d'estimation d'un indice de sévérité différentiel d'une pathologie exprimant une altération cutanée. Le procédé comprend des étapes au cours desquelles on acquiert des images multispectrales ou hyperspectrales, on détermine une bande spectrale ou une combinaison de bandes spectrales spécifiques à la pathologie, on détermine une image monochrome en fonction de la bande spectrale ou de la combinaison de bandes spectrales spécifiques à la pathologie et on réalise une classification des pixels des images monochromes obtenues. Le procédé comprend les étapes suivantes : on recale au moins une image à un temps initial et au moins une image à un instant postérieur au temps initial et correspondant à l'image au temps initial, on détermine une image normalisée en fonction d'une image monochrome recalée, on réalise une classification des images normalisées au temps initial afin d'isoler une zone d'intérêt, on détermine une cartographie de changement en fonction d'une image normalisée au temps initial, d'une image normalisée à un instant postérieur et de la zone d'intérêt, et on détermine au moins un indice de sévérité différentiel parmi un indice de sévérité différentiel lié à la surface, un indice de sévérité différentiel lié au contraste et un indice de sévérité différentiel lié à l'homogénéité de l'altération cutanée.An object of the invention is a method for estimating a differential severity index of a pathology expressing cutaneous alteration. The method comprises steps in which multispectral or hyperspectral images are acquired, a spectral band or a combination of spectral bands specific to the pathology is determined, a monochrome image is determined according to the spectral band or the combination of spectral bands. specific to the pathology and classification is made of the pixels of the monochrome images obtained. The method comprises the following steps: recalibrating at least one image at an initial time and at least one image at a time subsequent to the initial time and corresponding to the image at the initial time, determining a normalized image according to an image monochrome recalée, a classification of the normalized images at the initial time is carried out in order to isolate a zone of interest, a mapping of change is determined according to a normalized image at the initial time, of a normalized image at a later moment and of the area of interest, and at least one differential severity index is determined among a surface-related differential severity index, a contrast-related differential severity index, and a differential severity index related to the homogeneity of the area of interest. skin damage.

On peut déterminer une cartographie de changement en réalisant la différence entre une image monochrome normalisée au temps initial et une image monochrome normalisée à l'instant postérieur, puis on détermine une cartographie de dérivée moyenne de changement de l'image monochrome en réalisant les étapes suivantes : on normalise la cartographie de changement en appliquant un heuristique permettant de tenir compte des moyennes cumulatives de cartographie de changement déterminées à différents instants, on choisit une famille de seuils, pour chaque seuil, on détermine des régions de la cartographie de changement normalisée qui ont une probabilité de ne pas être liées à la pathologie supérieure au seuil, et, pour chaque seuil, on cartographie les probabilités obtenues en fonction des régions correspondantes, et on concatène les cartographies obtenues pour chaque seuil pour obtenir la cartographie de dérivée moyenne de changement. Le recalage des images peut être manuel ou automatique. On peut déterminer l'indice de sévérité différentiel lié au contraste en déterminant la différence de la mesure moyenne d'intensité au temps initial et à l'instant postérieur dans la zone d'intérêt, pour des images monochromes issues de la combinaison de bandes spectrales relatives à la pathologie. On peut déterminer l'indice de sévérité différentiel lié à la surface en calculant la surface changée entre le temps initial et l'instant postérieur. On peut déterminer l'indice de sévérité différentiel lié à l'homogénéité en intégrant la courbe de répartition surfacique correspondant à la cartographie de dérivée moyenne de changement, la courbe de répartition surfacique étant déterminée comme la fonction qui pour chaque statistique de la cartographie calcule la surface engendrée par les pixels de statistique inférieure à la statistique normalisée par la taille des changements détectés dans la cartographie de dérivée moyenne de changement.A change map can be determined by realizing the difference between a normalized monochrome image at the initial time and a normalized monochrome image at the posterior moment, and then an average derivative map of change of the monochrome image is determined by performing the following steps : Change mapping is normalized by applying a heuristic to account for the cumulative change mapping averages determined at different times, a family of thresholds is chosen, for each threshold, regions of standardized change mapping are identified. a probability of not being related to the pathology above the threshold, and for each threshold, the probabilities obtained are mapped as a function of the corresponding regions, and the mappings obtained for each threshold are concatenated to obtain the average derivative map of change. The registration of images can be manual or automatic. The contrast-related differential severity index can be determined by determining the difference between the average intensity measurement at the initial time and at the later time in the area of interest for monochrome images from the spectral band combination. relating to pathology. The differential severity index related to the surface can be determined by calculating the area changed between the initial time and the posterior moment. The homogeneity-related differential severity index can be determined by integrating the surface distribution curve corresponding to the average derivative-of-change map, the area distribution curve being determined as the function which for each mapping statistic calculates the area generated by statistic pixels smaller than the normalized statistic by the size of the changes detected in the average derivative mapping of change.

On peut représenter graphiquement l'indice de sévérité différentiel lié au contraste sous la forme d'un graphique à une dimension représentant un contraste graphique égal à l'indice de sévérité différentiel lié au contraste divisé par la racine carrée de la somme de un et du carré de l'indice de sévérité différentiel lié au contraste. On peut représenter graphiquement l'indice de sévérité différentiel lié à la surface sous la forme de graphique à une dimension représentant la valeur de l'indice de sévérité différentiel lié à la surface variant entre zéro et un. 2 9975 36 5 On peut représenter graphiquement l'indice de sévérité différentiel lié à l'homogénéité sous la forme d'un graphique à une dimension représentant un gradient entre zéro et un variant selon la fonction de la courbe de répartition surfacique associée à l'indice de 5 sévérité différentiel lié à l'homogénéité. On peut déterminer une image normalisée en fonction d'une image monochrome en réalisant au moins un lissage de l'image monochrome et une modification de l'histogramme de l'image monochrome de sorte à obtenir un histogramme gaussien. 10 Un autre objet de l'invention est un système d'estimation d'un indice de sévérité différentiel d'une pathologie exprimant une altération cutanée comprenant des moyens d'acquisition d'images multispectrales ou hyperspectrales, des moyens de détermination d'une bande spectrale ou d'une combinaison de bandes spectrales spécifiques 15 à la pathologie, des moyens de détermination d'une image monochrome en fonction de la bande spectrale ou de la combinaison de bandes spectrales spécifiques à la pathologie et des moyens de détermination d'une classification des pixels des images monochromes obtenues. Le système comprend également un calculateur adapté pour 20 recaler au moins une image à un temps initial et au moins une image à un instant postérieur au temps initial et correspondant à l'image au temps initial, déterminer une image normalisée en fonction d'une image monochrome recalée, réaliser une classification des images normalisées au temps initial afin d'isoler une zone d'intérêt, 25 déterminer une cartographie de changement en fonction d'une image normalisée au temps initial, d'une image normalisée à un instant Postérieur et de la zone d'intérêt, et déterminer au moins un indice de sévérité différentiel parmi un indice de sévérité différentiel lié à la surface, un indice de sévérité différentiel lié au contraste et un indice 30 de sévérité différentiel lié à l'homogénéité de l'altération cutanée. D'autres buts, caractéristiques et avantages apparaîtront à la lecture de la description suivante donnée uniquement en tant qu'exemple non limitatif.The contrast-related differential severity index can be represented graphically as a one-dimensional graph representing a graphical contrast equal to the contrast-related difference severity index divided by the square root of the sum of one and the square of the differential severity index related to the contrast. The surface-related differential severity index can be represented graphically as a one-dimensional graph representing the value of the surface-related differential severity index varying between zero and one. The homogeneity-related differential severity index can be represented graphically as a one-dimensional graph representing a gradient between zero and a variant depending on the function of the surface distribution curve associated with the differential severity index related to homogeneity. A normalized image can be determined according to a monochrome image by performing at least one smoothing of the monochrome image and a modification of the histogram of the monochrome image so as to obtain a Gaussian histogram. Another object of the invention is a system for estimating a differential severity index of a pathology expressing cutaneous alteration comprising means for acquiring multispectral or hyperspectral images, means for determining a band. spectral or pathological-specific spectral band combination, means for determining a monochrome image as a function of the spectral band or the combination of spectral bands specific to pathology and means for determining a classification pixels of monochrome images obtained. The system also includes a computer adapted to readjust at least one image to an initial time and at least one image at a time subsequent to the initial time and corresponding to the initial time image, to determine a normalized image according to an image. monochrome, calibrate the normalized images at the initial time to isolate an area of interest, determine a change map based on a normalized image at the initial time, a normalized image at a later time, and the area of interest, and determining at least one differential severity index from a surface-related differential severity index, a contrast-related differential severity index and a differential severity index related to the homogeneity of the alteration. skin. Other objects, features and advantages will appear on reading the following description given solely as a non-limiting example.

Le critère MASI défini dans l'état de l'art ne permet pas de combiner l'information spatiale et l'information spectrale comprises dans des images hyperspectral. Plutôt que de chercher à optimiser ou à adapter le critère MASI pour le rendre compatible avec les images hyperspectrales, on définit ici un nouveau critère, l'indice de sévérité différentiel, qui permet de rendre compte de l'évolution entre des images acquises à un temps de référence et à un instant ultérieur et montrant des altérations cutanées liées à une pathologie. Par pathologie, on entend à titre non limitatif les désordres de la pigmentation, le mélasma, le vitiligo, la rosacée, les cicatrices, les cicatrices d'acné et les cancers de la peau. Les différentes étapes menant à la définition de l'indice de sévérité différentiel sont décrites ci-après. Il existe plusieurs méthodes permettant d'obtenir une image hyperspectrale. Toutefois, quelle que soit la méthode d'acquisition, on obtient un ensemble d'images réalisées chacune à une longueur d'onde donnée. Chaque image est à deux dimensions, les images étant empilées selon une troisième direction en fonction de la variation de la longueur d'onde leur correspondant. De par la structure tridimensionnelle obtenue, on appelle l'ensemble cube hyperspectral, ou image hyperspectrale. Un cube hyperspectral contient une quantité importante de données ne permettant pas d'en réaliser directement l'analyse. De plus, les altérations cutanées recherchées sont généralement caractérisables par une variation d'intensité dans certaines longueurs d'onde uniquement. Il convient donc de réduire la taille du cube hyperspectral en combinant plusieurs images réalisées chacune à une longueur d'onde. La combinaison peut par exemple être une combinaison linéaire, dans laquelle, pour chaque pixel, on réalise la somme pondérée des intensités à chaque longueur d'onde. Les coefficients de pondération sont déterminés de sorte à maximiser le contraste entre les altérations cutanées et la peau saine. Ils peuvent être déterminés empiriquement ou statistiquement, notamment en réalisant une analyse en composantes indépendantes (acronyme ACI) ou en combinant une maximisation de contraste avec une optimisation par fonction objectif. La combinaison de bandes spectrales permet d'obtenir une image monochrome. On réalise autant de traitements, que l'on dispose de cubes hyperspectraux, notamment ceux du cube hyperspectral initial acquis à l'instant initial to, et des cubes hyperspectraux acquis à des instants subséquents. Au sein d'une image monochrome, seules certaines zones présentent un intérêt pour la détermination de l'indice de sévérité différentiel. Afin de déterminer ces zones d'intérêt, on a recours à une classification, notamment une classification par séparation à vaste marge. En d'autres termes, on recherche les pixels de l'image monochrome du temps initial to répondant favorablement ou défavorablement à une relation de classement à deux états. Il est ainsi possible de déterminer les parties de l'image monochrome présentant un intérêt, par exemple la présence d'altérations cutanées couvrant au moins une fraction de la zone d'intérêt, ou dont l'intensité intégrée sur la surface de la zone d'intérêt dépasse un seuil prédéterminé.The MASI criterion defined in the state of the art does not make it possible to combine the spatial information and the spectral information included in hyperspectral images. Rather than seeking to optimize or adapt the MASI criterion to make it compatible with hyperspectral images, we define here a new criterion, the index of differential severity, which makes it possible to account for the evolution between images acquired at a given time. reference time and at a later time and showing cutaneous changes related to a pathology. By pathology is meant without limitation the disorders of pigmentation, melasma, vitiligo, rosacea, scars, acne scars and skin cancers. The different steps leading to the definition of the differential severity index are described below. There are several methods to obtain a hyperspectral image. However, whatever the acquisition method, we obtain a set of images each made at a given wavelength. Each image is two-dimensional, the images being stacked in a third direction according to the variation of the corresponding wavelength. By the three-dimensional structure obtained, we call the hyperspectral cube assembly, or hyperspectral image. A hyperspectral cube contains a large amount of data that can not be analyzed directly. In addition, the desired cutaneous alterations are generally characterized by a variation of intensity in certain wavelengths only. It is therefore necessary to reduce the size of the hyperspectral cube by combining several images each made at a wavelength. The combination may for example be a linear combination, in which, for each pixel, the weighted sum of the intensities at each wavelength is made. The weighting coefficients are determined so as to maximize the contrast between the cutaneous alterations and the healthy skin. They can be determined empirically or statistically, such as by performing an independent component analysis (ACI) or by combining contrast maximization with objective function optimization. The combination of spectral bands makes it possible to obtain a monochrome image. We carry out as many treatments as we have hyperspectral cubes, especially those of the initial hyperspectral cube acquired at the initial moment to, and hyperspectral cubes acquired at subsequent instants. Within a monochrome image, only certain areas are of interest for the determination of the differential severity index. To determine these areas of interest, a classification is used, including a wide-margin separation classification. In other words, we search the pixels of the monochrome image of the initial time to respond favorably or unfavorably to a two-state classification relationship. It is thus possible to determine the parts of the monochrome image of interest, for example the presence of cutaneous alterations covering at least a fraction of the area of interest, or of which the integrated intensity on the surface of the zone d interest exceeds a predetermined threshold.

Pour cela, on intègre des pixels d'apprentissage dans l'image monochrome du temps initial to, pixels que l'on associe à une classe. On calcule ensuite un séparateur de classe sur ces pixels, permettant ensuite de classer l'ensemble de l'image. A l'issue de l'étape de classement, on dispose d'une zone d'intérêt comprise dans l'image monochrome. La zone d'intérêt est déterminée au temps initial to et reste commune à toutes les images subséquentes de la même partie du corps du patient. Une fois que l'on dispose de l'image monochrome au temps initial, d'au moins une image monochrome à un instant postérieur et de la zone d'intérêt, on peut déterminer une cartographie de dérivée moyenne de changement. Par cartographie de dérivée moyenne de changement, on entend une image décrivant les changements importants dans la zone d'intérêt entre deux images, par exemple l'image monochrome au temps initial et une image monochrome à un instant postérieur. La cartographie de dérivée moyenne de changement permet ainsi d'évaluer quelles zones ont évoluées sous l'effet d'un traitement et comment ces zones ont évoluées. Pour l'obtenir, on doit procéder à un certain nombre de calculs préliminaires.For this, we integrate learning pixels in the monochrome image of the initial time to, pixels that are associated with a class. A class separator is then calculated on these pixels, which then makes it possible to classify the whole of the image. At the end of the ranking step, there is an area of interest included in the monochrome image. The area of interest is determined at the initial time to and remains common to all subsequent images of the same part of the patient's body. Once the monochrome image at the initial time, at least one monochrome image at a later time and the area of interest is available, an average derivative map of change can be determined. By means of change mean derivative mapping is meant an image describing the important changes in the area of interest between two images, for example the monochrome image at the initial time and a monochrome image at a later time. Average change mapping allows us to evaluate which areas have evolved as a result of treatment and how these areas have evolved. To obtain it, a number of preliminary calculations must be made.

On commence par recaler les images monochromes les unes par rapport aux autres de sorte que les éléments repérables de l'image occupent les mêmes coordonnées dans toutes les images. Pour cela, on réalise des translations et des rotations des images. On peut également corriger des champs de vue différents en réalisant une mise à l'échelle 10 des images, ou en appliquant une déformation spatiale. Alternativement, le recalage et le recadrage des images peuvent être réalisés avant la détermination des images monochromes. On détermine ensuite une cartographie de changement en réalisant la différence pixel à pixel de l'intensité de deux images 15 monochrome. La cartographie de changement Ick obtenue par soustraction des images monochromes 4,k, et ILIpeut être définie de la sorte : Ick (x) (x) Ite (x) (Eq. 1) On modélise la cartographie de changement comme un bruit 20 gaussien car on pose comme hypothèse que les changements sont en faible quantité par rapport à la taille de la cartographie. La détection de changements consiste alors à détecter les zones de la cartographie qui ne sont pas assimilables au champ gaussien. Pour déterminer si une zone de la cartographie est assimilable 25 au champ gaussien, on compare sa DT-caractéristique à celle du champ gaussien. La DT-caractéristique (acronyme anglais pour « Differential Topology ») est un outil permettant de quantifier le nombre d'ensembles connexes. On modélise le champ gaussien F homogène de moyenne nulle 30 par l'équation suivante : E(X(Au)) = 4.57)(27r)11 A 14 cr-8e225, - 2cra Avec 4S) =Mesure de Lebesgue de S (Eq. 2) 2 9975 36 9 A=Matrice de covariance des dérivées du champ cr=E(F2) Les hypothèses soutenant cette équation impliquent que l'image est lisse et dispose d'un histogramme gaussien centré réduit. Pour 5 cela, on lisse l'image par application d'un filtre de convolution, puis on spécifie l'histogramme. Apres lissage et spécification de l'histogramme, on note Ick. la cartographie normalisée obtenue. Les traitements décrits ci-après sont limités à la zone d'intérêt. Afin d'estimer la vraisemblance d'un pixel de Cc), et de son voisinage dans l'hypothèse du champ gaussien, on compare sa caractéristique au seuil u à la DT-caractéristique du champ gaussien F. Deux paramètres peuvent alors être utilisés pour calculer cette statistique, l'intensité maximale et l'étendue spatiale de la région connexe dont la caractéristique associée est supérieure à u.We begin by rearranging the monochrome images relative to each other so that the identifiable elements of the image occupy the same coordinates in all the images. For that, one carries out translations and rotations of the images. Different fields of view can also be corrected by scaling the images, or by applying spatial distortion. Alternatively, the registration and cropping of the images can be done before the determination of the monochrome images. A change map is then determined by realizing the pixel-to-pixel difference in the intensity of two monochrome images. The change map Ick obtained by subtraction of the monochrome images 4, k, and ILI can be defined in this way: Ick (x) (x) Ite (x) (Eq.1) The change map is modeled as a Gaussian noise because it is assumed that the changes are small in relation to the size of the map. The detection of changes then consists in detecting the areas of the cartography that are not comparable to the Gaussian field. To determine whether an area of the map is assimilable to the Gaussian field, its DT-characteristic is compared with that of the Gaussian field. The DT-characteristic (acronym for Differential Topology) is a tool to quantify the number of related sets. The uniform Gaussian field F homogeneous of zero mean is modeled by the following equation: E (X (Au)) = 4.57) (27r) 11 A 14 cr-8e225, - 2cra With 4S) = Lebesgue measure of S (Eq 2) 2 9975 36 9 A = covariance matrix of the derivatives of the field cr = E (F2) The hypotheses supporting this equation imply that the image is smooth and has a reduced centered Gaussian histogram. For this purpose, the image is smoothed by applying a convolution filter, and then the histogram is specified. After smoothing and specifying the histogram, Ick is noted. the standardized cartography obtained. The treatments described below are limited to the area of interest. In order to estimate the likelihood of a Cc pixel, and its neighborhood in the hypothesis of the Gaussian field, we compare its characteristic at the threshold u to the DT-characteristic of the Gaussian field F. Two parameters can then be used to calculate this statistic, the maximum intensity and the spatial extent of the related region whose associated characteristic is greater than u.

On note xo l'intensité maximale d'une région connexe R° au- dessus du seuil u. La vraisemblance de cette région sous l'hypothèse du champ gaussien est donnée par l'équation suivante : P(R:° E F)= -eu22x°2 (Eq. 3) On note So l'extension spatiale d'une région connexe Rs2 au- dessus du seuil u. La vraisemblance de cette région sous l'hypothèse du champ gaussien est donnée, en tenant compte que le champ gaussien F est standardisé et que la région au-dessus du seuil u à une distribution exponentielle, par l'équation suivante : (2e21411 Kfts'° F). eS0 = c (Eq. 4) Avec 1:(-u)= 1(2701/ 2e-x2 /2 13 Pour calculer cette probabilité, le terme IAI doit être calculé sur l'image I. On estime alors la matrice A grâce aux gradients de Ick7,. Enfin, pour déterminer l'homogénéité, on s'intéresse à la probabilité, pour une région de se situer au-dessus du seuil u avec un maximum d'intensité xo et une surface So. Sa probabilité d'appartenir au champ gaussien F est donnée par l'équation suivante : KR's° E F). min(14R:' E Kleu° (Eq. 5) La cartographie de dérivée moyenne de changement est obtenue en définissant une famille de seuils Ili. Pour chaque seuil ui, l'ensemble des composantes connexes Rs° sont extraites de la cartographie normalisée de changement IckN, Chacune de ces régions se voit attribuer une probabilité 1(11:°.'s° EF) en appliquant l'équation 5.We denote xo the maximum intensity of a connected region R ° above the threshold u. The likelihood of this region under the assumption of the Gaussian field is given by the following equation: P (R: ° EF) = -eu22x ° 2 (Eq.3) So we denote the spatial extension of a connected region Rs2 above the threshold u. The likelihood of this region under the assumption of the Gaussian field is given, taking into account that the Gaussian field F is standardized and that the region above the threshold u has an exponential distribution, by the following equation: (2e21411 Kfts' ° F). eS0 = c (Eq.4) With 1: (- u) = 1 (2701 / 2e-x2 / 2 13 To calculate this probability, the term IAI must be calculated on image I. It is then estimated that matrix A is Finally, in order to determine homogeneity, we are interested in the probability of a region being above the threshold u with a maximum intensity x 0 and a surface S o. belong to the Gaussian field F is given by the following equation: KR's ° EF). min (14R: 'E Kleu ° (Eq.5) The average derivative mapping of change is obtained by defining a family of thresholds Ili For each threshold ui, the set of connected components Rs ° are extracted from the standardized mapping of change IckN, Each of these regions is assigned a probability 1 (11: °.'s ° EF) by applying equation 5.

On concatène ensuite les cartographies obtenues pour chaque seuil afin d'obtenir une cartographie de dérivée moyenne de changement notée SMtk. Une cartographie de dérivée moyenne de changement est déterminée pour chaque cartographie de changement Seuls les changements les plus significatifs sont quantifiés car cette méthodologie fait l'hypothèse que les changements, c'est-à-dire les zones non assimilables au champ gaussien sont rares. S'il y a beaucoup de changements dans la cartographie normalisée de changement Ick., alors uniquement les changements les plus significatifs seront quantifiés. Plus l'écart de temps entre les deux images monochromes considérées est grand, plus la probabilité de masquer certains changements est importante. Pour un patient donné, on n'observe donc pas d'évolution chronologique entre deux cartographies car certains changements intermédiaires peuvent être occultés par des changements importants postérieurs. Cela est problématique car les cartographies sont alors très difficiles à interpréter. Pour résoudre ce problème, on pourrait décaler l'image au temps t1 pour normaliser tous les autres temps. L'idée consiste alors à décaler légèrement l'histogramme de l'image IN en fonction de la moyenne calculée sur l'image Pc . L'équation suivante explicite ce décalage: IckNd'CN +11Mto (le) (Eq. 6) dans laquelle pMe(I) représente la moyenne de l'image Ic° sur la zone d'intérêt Mte Cette correction éloigne les données de l'hypothèse des évènements rares et permet ainsi d'obtenir des cartographies présentant une évolution chronologique. Cependant, cette correction est très forte et a tendance à biaiser fortement les statistiques calculées sur l'image de changement Ick.car l'hypothèse du champ gaussien centré réduit n'est plus respectée. A la place, on applique une heuristique afin de compléter la normalisation des images monochromes normalisées IN afin de s'éloigner suffisamment de l'hypothèse des évènements rares pour faire apparaitre une évolution chronologique interprétable, tout en s'éloignant suffisamment peu pour que les statistiques calculées ne soient pas trop fortement biaisées.The mappings obtained for each threshold are then concatenated in order to obtain a mean derivative mapping of change denoted SMtk. Average change mapping is determined for each change mapping. Only the most significant changes are quantified because this methodology assumes that changes, ie areas that can not be assimilated to the Gaussian field, are rare. If there are many changes in the standard Ick change mapping, then only the most significant changes will be quantified. The greater the time difference between the two monochrome images considered, the greater the probability of masking certain changes. For a given patient, therefore, no chronological evolution is observed between two mappings because certain intermediate changes can be overshadowed by significant subsequent changes. This is problematic because the maps are very difficult to interpret. To solve this problem, we could shift the image at time t1 to normalize all the other times. The idea is then to slightly shift the histogram of the image IN according to the average calculated on the image Pc. The following equation explains this shift: IckNd'CN + 11Mto (le) (Eq. 6) in which pMe (I) represents the average of the image Ic ° on the area of interest Mte This correction distances the data from the hypothesis of rare events and thus makes it possible to obtain maps presenting a chronological evolution. However, this correction is very strong and tends to strongly bias the statistics calculated on the image of change Ick.car the hypothesis of reduced centered Gaussian field is no longer respected. Instead, a heuristic is applied in order to complete the normalization of IN monochrome normalized images in order to deviate sufficiently from the rare events hypothesis to reveal an interpretable chronological evolution, while moving away sufficiently little so that the statistics calculated are not too strongly biased.

Pour réaliser la normalisation des cartographies de changement, on utilise non pas la moyenne Ic° sur la zone d'intérêt, mais les moyennes cumulatives des cartographies de changement Ikcrelativement à Ic° . On applique alors l'équation suivante : l k tik (Eq. 7) etd-1c (pMto PMto (1c )) Nt t.to dans laquelle Nt représente le nombre de mesures entre la mesure à l'instant to et la mesure à l'instant tk Les cartographies de changements et les cartographies de dérivée moyenne de changement obtenues à partir des images normalisées avec heuristique IckNa présentent une évolution temporelle 25 qui les rend exploitables de façon intuitive par un personnel de santé en montrant l'évolution des changements entre deux instants de prise de vue. On dispose ainsi d'images monochromes, d'une zone d'intérêt, de cartographies de changements et de cartographies de dérivée 30 moyenne de changement SMtk. Il est alors possible de déterminer au moins un indice de sévérité différentiel parmi un indice de sévérité différentiel lié au20 contraste, un indice de sévérité différentiel lié à la surface et un indice de sévérité différentiel lié à l'homogénéité de l'altération cutanée. L'indice de sévérité différentiel lié au contraste Ctk pour l'instant tk est obtenu en réalisant la différence de la moyenne sur la zone d'intérêt -Mo de la valeur des pixels de l'image monochrome Im`k pour l'instant tket de la moyenne sur la zone d'intérêt Mto de la valeur des pixels de l'image monochrome I pour l'instant to. L'indice de sévérité différentiel lié à la surface Stk pour l'instant tk est obtenu en calculant la surface changée entre l'instant initial to et l'instant ultérieur tk. L'équation suivante permet de le calculer : E[0,1] (Eq. 8) où Bk est une cartographie binaire de changement obtenue par seuillage de I.In order to achieve the standardization of change maps, we do not use the average Ic ° on the area of interest, but the cumulative averages of the maps of change Ikcrelatively with Ic °. The following equation is then applied: lk tik (Eq.7) etd-1c (pMto PMto (1c)) Nt t.to where Nt represents the number of measurements between the measurement at time to and the measurement at l instant tk The change maps and average drift mappings obtained from IckNa heuristic normalized images have a temporal evolution that makes them intuitively usable by health personnel by showing the evolution of changes between two moments of shooting. There are thus monochrome images, an area of interest, change maps, and average change mapping maps SMtk. It is then possible to determine at least one differential severity index from a contrast-related differential severity index, a surface-related differential severity index, and a differential severity index related to the homogeneity of the skin damage. The contrast severity index linked to the contrast Ctk for the instant tk is obtained by realizing the difference of the average over the area of interest -Mo of the value of the pixels of the monochrome image Im`k for the moment tket of the average on the area of interest Mto of the value of the pixels of the monochrome image I for the moment to. The differential severity index linked to the surface Stk for the moment tk is obtained by calculating the area changed between the initial moment to and the subsequent instant tk. The following equation allows to compute it: E [0,1] (Eq., 8) where Bk is a binary map of change obtained by thresholding I.

L'indice de sévérité différentiel lié à l'homogénéité Htek pour l'instant tk est calculé en intégrant chaque cartographie de dérivée moyenne de changement SMtk. En effet, la cartographie de dérivée moyenne de changement SMtk représente l'homogénéité locale pour chaque structure de l'image. Elle n'est donc pleinement exploitable que par inspection visuelle. Pour intégrer cette cartographie en une valeur globale, on s'intéresse à la proportion de pixels détectés comme significativement changés pour chaque valeur de probabilité obtenue par l'équation 5. Ainsi, pour une cartographie de dérivée moyenne de changement SMtk, on définit une fonction de répartition surfacique des changements fs(p), qui pour chaque statistique p [0,1] de la cartographie de dérivée moyenne de changement SMtk, calcule la surface engendrée par les pixels de la cartographie de dérivée moyenne de changement SMtk de probabilité inférieure à p, normalisée par la taille des changements détectés dans cartographie de dérivée moyenne de changement SMtk. L'équation suivante définit la fonction fs(p). car4x : SMtk (x) É 1:4 fs(P)= (Eq. 9) card{SM,, La fonction f(p) est une fonction croissante [0,1] vers [0,1]. Comme f(p) n'est pas aisée à interpréter, on définit la fonction de répartition surfacique de changement f( s) qui est une fonction réciproque de fs(p). Pour obtenir un échantillonnage régulier suivant s, on réalise une interpolation linéaire. La fonction f(s) est une fonction croissante de [0,1] vers [0,1]. On calcule ensuite l'indice de sévérité différentiel lié à l'homogénéité en appliquant l'équation suivante : = 2 lift': (s)- sids (Eq. 10) Cette quantité Htek E [0,1]représente le volume entre la fonction f(s) et la fonction identité Id(s)=s. Plus HZ est grand, plus les changements sont homogènes. Pour calculer I-Irk sur des données discrètes, on utilise l'intégrale de Riemann. Les indices de sévérité différentiels déterminés ci-dessus demeurent des valeurs abstraites qui ne sont pas aisément interprétables par un personnel de santé. Afin de faciliter la compréhension de l'indice de sévérité différentiel lié au contraste Ctk, on détermine un contraste graphique CG par application de la fonction de distorsion suivante C0= (Eq. 11) 11,,FF La valeur CG est représentée par un graphique linéaire variant entre un maximum positif et un minimum négatif. L'évolution des valeurs négatives vers les valeurs positives concrétise une réduction des altérations cutanées.The differential severity index related to the homogeneity Htek for the moment tk is calculated by integrating each average derivative mapping of change SMtk. Indeed, the average change derivative mapping SMtk represents the local homogeneity for each structure of the image. It is therefore fully exploitable only by visual inspection. To integrate this mapping into a global value, we are interested in the proportion of pixels detected as significantly changed for each probability value obtained by equation 5. Thus, for an average derivative mapping of change SMtk, a function is defined of the flux distribution of the changes fs (p), which for each statistic p [0,1] of the average change-derivative map SMtk, calculates the area generated by the pixels of the mean change-of-change map SMtk of probability less than p, normalized by the size of the changes detected in SMtk change mean derivative mapping. The following equation defines the function fs (p). car4x: SMtk (x) E 1: 4 fs (P) = (Eq 9) card {SM ,, The function f (p) is a function increasing from [0,1] to [0,1]. Since f (p) is not easy to interpret, we define the surface area distribution function f (s) which is a reciprocal function of fs (p). To obtain a regular sampling according to s, one carries out a linear interpolation. The function f (s) is a function increasing from [0,1] to [0,1]. The differential severity index related to homogeneity is then calculated by applying the following equation: = 2 lift ': (s) - sids (Eq.10) This quantity Htek E [0,1] represents the volume between the function f (s) and the identity function Id (s) = s. The bigger the HZ, the more homogeneous the changes. To calculate I-Irk on discrete data, we use the Riemann integral. The differential severity indices determined above remain abstract values that are not easily interpretable by health personnel. In order to facilitate the understanding of the contrast-related differential severity index Ctk, a graphical contrast CG is determined by applying the following distortion function C0 = (Eq.11) 11,, FF The value CG is represented by a graph linear between a positive maximum and a negative minimum. The evolution of the negative values towards the positive values concretizes a reduction of the cutaneous modifications.

De même, on facilite la compréhension de l'indice de sévérité différentiel lié à la surface Stk, en représentant la valeur Stk comme un graphique linéaire variant entre 0 et 1 sous la forme d'une ligne dont la longueur correspond à la valeur Stk. Plus la ligne est grande, plus l'extension des altérations cutanées a évoluée.Similarly, it is easier to understand the differential severity index related to the surface Stk, representing the value Stk as a linear graph varying between 0 and 1 in the form of a line whose length corresponds to the value Stk. The larger the line, the more the extension of skin changes has evolved.

La compréhension de l'indice de sévérité différentiel lié à l'homogénéité 1-letk est également améliorée, en représentant la valeur H t, comme un graphique linéaire de longueur constante dont le 2 9975 36 14 remplissage comprend un dégradé de couleurs. L'extension remplie par chaque couleur correspond à une plage de valeurs de la fonction ftP(s). Le remplissage du graphique linéaire est ainsi corrélé au gradient de la fonction ftPk (s) .The understanding of the differential severity index related to the 1-letk homogeneity is also improved, representing the value H t, as a linear graph of constant length whose filling comprises a color gradient. The extension filled by each color corresponds to a range of values of the function ftP (s). The filling of the linear graph is thus correlated with the gradient of the function ftPk (s).

5 La figure unique illustre les principales étapes du procédé d'estimation de l'indice de sévérité différentiel selon l'invention. Le procédé d'estimation d'un indice de sévérité différentiel débute par une première étape 1 au cours de laquelle on acquiert des images multispectrales ou hyperspectrales, à un temps initial et à au 10 moins un instant postérieur. Au cours d'une« deuxième étape 2, on détermine une bande spectrale ou une combinaison de bandes spectrales spécifiques à la pathologie, puis on détermine, pour chaque image multispectrale ou hyperspectrale acquise, une image monochrome 1%, en fonction de la 15 bande spectrale ou de la combinaison de bandes spectrales spécifiques à la pathologie. Au cours d'une troisième étape 3, on réalise une classification des pixels des images monochromes obtenues, notamment une classification par séparation à vaste marge.The single figure illustrates the main steps of the method for estimating the differential severity index according to the invention. The method of estimating a differential severity index begins with a first step 1 in which multispectral or hyperspectral images are acquired at an initial time and at at least a later time. During a second step 2, a spectral band or a combination of spectral bands specific to the pathology is determined, then a monochrome 1% image is determined for each acquired multispectral or hyperspectral image, depending on the band. spectrum or the combination of spectral bands specific to the pathology. During a third step 3, a classification is made of the pixels of the monochrome images obtained, in particular a separation classification with a large margin.

20 Au cours d'une quatrième étape 4, on recale au moins une image à un temps initial et au moins une image à un instant postérieur au temps initial et correspondant à l'image au temps initial. Au cours d'une cinquième étape 5, on détermine une image normalisée en fonction d'une image monochrome recalée. La 25 normalisation est obtenue par lissage de chaque image monochrome par application d'un filtre de convolution, puis par spécification d'un histogramme gaussien centré réduit. Enfin, la normalisation comprend l'application de l'heuristique définie à l'équation 7. Au cours d'une sixième étape 6, on réalise une classification 30 des images normalisées au temps initial afin d'isoler une zone d'intérêt Mt.. Au cours d'une septième étape 7, on détermine une cartographie de changement Ick. en réalisant la différence entre une image monochrome normalisée au temps initial et une image monochrome normalisée à l'instant postérieur tel que défini par l'équation 1. Au cours d'une huitième étape 8, on détermine une cartographie de dérivée moyenne de changement pour chaque image monochrome. On choisit pour cela une famille de seuils, et pour chaque seuil, on détermine des régions de la cartographie de changement normalisée qui ont une probabilité de ne pas être liées à la pathologie supérieure au seuil par application de l'équation 5. Ensuite, pour chaque seuil, on cartographie les probabilités obtenues en fonction des régions correspondantes. Enfin, on concatène les cartographies obtenues pour chaque seuil pour obtenir la cartographie de dérivée moyenne de changement. Au cours d'une neuvième étape 9, on détermine au moins un indice de sévérité différentiel parmi un indice de sévérité différentiel lié à la surface, un indice de sévérité différentiel lié au contraste et un indice de sévérité différentiel lié à l'homogénéité de l'altération cutanée, et on représente graphiquement les indices de sévérité différentiels déterminés. Le procédé d'estimation permet de déterminer des indices de sévérité différentiels objectifs à partir d'images multispectrales ou hyperspectrales. Il permet également de détecter des changements dans les images acquises par traitement statistique de l'image. Ces indices de sévérité différentiels sont associés à des cartographies permettant de visualiser les changements entre plusieurs instants de mesure. En conférant une chronologie à ces cartographies et indices, le procédé d'estimation permet également de faciliter l'interprétation de l'évolution de la maladie réalisée par un personnel de santé.During a fourth step 4, at least one image is recalibrated at an initial time and at least one image at a time subsequent to the initial time and corresponding to the image at the initial time. During a fifth step 5, a normalized image is determined according to a rectified monochrome image. Normalization is achieved by smoothing each monochrome image by applying a convolution filter and then specifying a reduced centered Gaussian histogram. Finally, the standardization includes the application of the heuristic defined in equation 7. In a sixth step 6, normalized images are classified at the initial time to isolate an area of interest Mt. During a seventh step 7, a change map Ick is determined. by realizing the difference between a monochrome image normalized to the initial time and a normalized monochrome image at the posterior moment as defined by the equation 1. During an eighth step 8, an average derivative mapping of change is determined for each monochrome image. For this purpose, a family of thresholds is chosen, and for each threshold, regions of the standardized change map that have a probability of not being related to the pathology greater than the threshold are determined by applying equation 5. Then, for each threshold, we map the probabilities obtained according to the corresponding regions. Finally, the maps obtained for each threshold are concatenated to obtain the average derivative map of change. During a ninth step 9, at least one differential severity index is determined from a surface-related differential severity index, a contrast-related differential severity index and a differential severity index related to the homogeneity of the surface. cutaneous alteration, and the determined differential severity indices are plotted. The estimation method makes it possible to determine objective differential severity indices from multispectral or hyperspectral images. It also makes it possible to detect changes in the images acquired by statistical processing of the image. These differential severity indices are associated with mappings making it possible to visualize the changes between several times of measurement. By giving a chronology to these maps and indices, the estimation process also facilitates the interpretation of the evolution of the disease by a health staff.

Claims

REVENDICATIONS1. A method of estimating a differential severity index of a pathology expressing skin damage comprising steps in which multispectral or hyperspectral images are acquired, determining a spectral band or a combination of spectral bands specific to the pathology, determines a monochrome image as a function of the spectral band or the combination of spectral bands specific to the pathology, and a classification of the pixels of the monochrome images obtained is carried out, the method being characterized by the fact that it comprises the following steps: at least one image at an initial time and at least one image at a time subsequent to the initial time and corresponding to the image at the initial time, a normalized image is determined as a function of a monochrome image that has been recalibrated, a classification of the images is carried out standardized to the initial time to isolate an area of interest, a map is determined change of a function according to a normalized image at the initial time, a normalized image at a later time and the area of interest, at least one differential severity index is determined among a surface-related differential severity index. , a differential severity index related to the contrast and a differential severity index related to the homogeneity of the cutaneous alteration.

An estimation method according to claim 1, wherein a change map is determined by realizing the difference between a normalized monochrome image at the initial time and a normalized monochrome image at the posterior moment, and then an average derivative map is determined. to change the monochrome image by performing the following steps: 2 9975 36 17 standardizing the change map by applying a heuristic allowing to take into account the cumulative means of change mapping determined at different times, a family of thresholds is chosen, 5 for each threshold, areas of standardized change mapping that have a probability of not being related to pathology above the threshold are determined, and for each threshold, the probabilities obtained are mapped as a function of the corresponding regions, and the maps obtained for each threshold are concatenated to obtain the map Average derivation of change.

3. Estimation method according to any one of the preceding claims, wherein the registration of images is manual or automatic. 15

4. An estimation method according to any one of the preceding claims, wherein the contrast-related differential severity index is determined by determining the difference between the average intensity measurement at the initial time and the posterior moment in the area of interest, for monochrome images derived from the combination of spectral bands relating to the pathology.

5. Estimation method according to any one of the preceding claims, wherein the differential severity index related to the surface is determined by calculating the area changed between the initial time and the posterior moment. 25

6. An estimation method according to any one of claims 2 to 5 wherein the differential severity index related to homogeneity is determined by integrating the surface distribution curve corresponding to the average derivative of change map, the surface distribution curve being determined as the function that for each statistic of the mapping calculates the area generated by the statistic pixels smaller than the normalized statistic by the size of the changes detected in the average derivative mapping of change.

The estimation method according to any one of claims 4 to 6, wherein the contrast-related differential severity index is plotted as a one-dimensional graph representing a graphical contrast equal to the index. of contrast-related differential severity divided by the square root of the sum of one and the square of the contrast-related differential severity index.

The estimation method according to any one of claims 5 to 7, wherein the surface-related differential severity index is graphically represented in the form of a one-dimensional graph representing the value of the differential severity index. bound to the surface varying between zero and one.

The estimation method according to any of claims 6 to 8, wherein the homogeneity-related differential severity index is plotted as a one-dimensional graph representing a gradient between zero and one. varying according to the function of the surface distribution curve associated with the differential severity index related to homogeneity.

10. Estimation method according to any one of the preceding claims, in which a normalized image is determined according to a monochrome image by performing at least one smoothing of the monochrome image and a modification of the histogram of the image. monochrome image so as to obtain a Gaussian histogram.

11. System for estimating a differential severity index of a pathology expressing a cutaneous alteration comprising means for acquiring multispectral or hyperspectral images, means for determining a spectral band or a combination of bands pathology-specific spectral parameters, means for determining a monochrome image as a function of the spectral band or the combination of spectral bands specific to the pathology and means for determining a classification of the pixels of the obtained monochrome images, the system characterized by the fact that it comprises a computer adapted to readjust at least one image to an initial time and at least one image at a time subsequent to the initial time and corresponding to the image at the initial time, to determine a normalized image according to of a corrected monochrome image, perform a classification of the normalized images at the initial time in order to isolate an area of in interest, determining a change map based on a normalized image at the initial time, a normalized image at a later time and the area of interest, and determining at least one differential severity index among a differential severity index linked to the surface, a differential severity index linked to the contrast and a differential severity index related to the homogeneity of the cutaneous alteration.