WO2023006918A1 - Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dispositif et produit programme d'ordinateur correspondants - Google Patents

Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dispositif et produit programme d'ordinateur correspondants Download PDF

Info

Publication number
WO2023006918A1
WO2023006918A1 PCT/EP2022/071274 EP2022071274W WO2023006918A1 WO 2023006918 A1 WO2023006918 A1 WO 2023006918A1 EP 2022071274 W EP2022071274 W EP 2022071274W WO 2023006918 A1 WO2023006918 A1 WO 2023006918A1
Authority
WO
WIPO (PCT)
Prior art keywords
endoscopic image
elementary zone
endoscopic
image
descriptor
Prior art date
Application number
PCT/EP2022/071274
Other languages
English (en)
Inventor
Thomas BAZIN
Yannick BENEZETH
Alexandre KREBS
Dominique LAMARQUE
Franck MARZANI
Original Assignee
Université de Bourgogne
Assistance Publique – Hôpitaux De Paris (Aphp)
Université Paris-Saclay
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Université de Bourgogne, Assistance Publique – Hôpitaux De Paris (Aphp), Université Paris-Saclay filed Critical Université de Bourgogne
Publication of WO2023006918A1 publication Critical patent/WO2023006918A1/fr

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30092—Stomach; Gastric

Definitions

  • the present technique relates to the field of medical imaging.
  • the present technique relates more particularly to the exploitation of medical imagery resulting from the exploration by endoscopy of hollow organs or cavities of the human being.
  • the reduced field of view of the epithelial walls acquired by an endoscope during an examination does not allow an extended representation of these regions of interest. Furthermore, because of this reduced field of view, it is difficult for the operator to locate the endoscope with respect to known anatomical landmarks, which further complicates the exploration of the surface of the internal wall of the organ. studied. This lack of localization has several consequences. For example, the operator cannot easily return to a previously explored region of interest.
  • the endoscopic images acquired remain difficult to exploit, whether during or after the examination.
  • the epithelial walls of a hollow organ such as the stomach are very weakly textured, which makes it difficult to identify certain lesions that are often not very visible and/or very localized, including with light providing contrast enhancement .
  • many studies have documented significant variability in lesion recognition between operators, or even for the same operator at different times. There is therefore a need for techniques which improve the quality of the recognition and localization of areas of interest, such as lesions for example, on the images obtained by an endoscope.
  • the present technique makes it possible to partly solve the problems posed by the prior art.
  • the present technique in fact relates to a method for analyzing an endoscopic image of the internal wall of a hollow organ, this method comprising at least one iteration of the following steps: a step of selecting an elementary zone within of said endoscopic image; a step of determining a histological class associated with said selected elementary zone, by means of a decision tree and as a function of at least one predictive variable.
  • said endoscopic image is obtained by a narrow band imaging technique without magnification.
  • said at least one predictive variable belongs to the group comprising: a background color; frame regularity; a weft thickness; a frame interior texture; vascular density.
  • said method comprises a step of classifying said elementary zone into a category among a category of so-called exploitable zones and a category of so-called non-exploitable zones, according to at least one descriptor, and in that said step of determining a histological class is implemented only when said elementary zone belongs to said category of exploitable zones.
  • said classification step is implemented by a binary classifier of support vector machine type trained to differentiate a zone exploitable element of a non-exploitable elementary zone on the basis of said at least one descriptor.
  • said at least one descriptor belongs to the group comprising: a size descriptor; a light exposure descriptor; a concealment descriptor.
  • said at least one descriptor comes from a deep neural network pre-trained on an image database, after deletion of a completely connected layer of said network.
  • said method comprises a step of locating said elementary zone within: at least one other endoscopic image acquired during an endoscopic examination having led to the acquisition of said analyzed endoscopic image; and/or an extended endoscopic image, constructed by assembling a plurality of endoscopic images acquired during the endoscopic examination that led to the acquisition of said analyzed endoscopic image.
  • the proposed technique also relates to a device for analyzing an endoscopic image of the internal wall of a hollow organ, this device comprising: means for selecting an elementary zone within said image endoscopic; means for determining a histological class associated with said selected elementary zone, by means of a decision tree and as a function of at least one predictive variable.
  • the proposed technique also relates to a computer program product downloadable from a communication network and/or stored on a computer-readable medium and/or executable by a microprocessor, said computer program product comprising program code instructions for the execution of an analysis method according to one of the particular embodiments previously described, when it is executed on a computer.
  • a computer program product downloadable from a communication network and/or stored on a computer-readable medium and/or executable by a microprocessor, said computer program product comprising program code instructions for the execution of an analysis method according to one of the particular embodiments previously described, when it is executed on a computer.
  • FIG 1 illustrates the main steps of a method for analyzing an endoscopic image of the internal wall of a hollow organ, in a particular embodiment of the proposed technique
  • FIG 2 presents an example of an endoscopic image on which the analysis method according to the proposed technique can be implemented, in a particular embodiment
  • FIG 3 shows an example of a decision tree for determining a histological class associated with an elementary zone of an endoscopic image, in a particular embodiment
  • FIG 4 illustrates an example of the use of a sliding window for the selection of elementary zones within an endoscopic image, in a particular embodiment
  • FIG 5 describes a simplified architecture of a device for analyzing an endoscopic image of the internal wall of a hollow organ, in a particular embodiment of the proposed technique.
  • the present invention relates to a method for analyzing an endoscopic image of the internal wall of a hollow organ or of a cavity of the human or animal body, such as the stomach or the bladder for example.
  • the image analyzed is for example an image obtained from among a plurality of images acquired during an endoscopic examination.
  • Such an image is referred to as a unit image in the context of this technique.
  • the analyzed image can also be an extended image (also called “mosaic” in the context of this technique) constructed by selecting and assembling a plurality of unit images acquired during an endoscopic examination.
  • the image analyzed is obtained by a narrow band imaging technique, with the use of light of specific wavelengths, for example blue and green, in order to enhance certain details of the surface of the tissues .
  • the imaging technique may or may not incorporate magnification.
  • no magnification or low magnification allows a larger area of mucosa to be covered, thereby avoiding the need to scan the mucosa very precisely.
  • One of the objectives targeted by the present technique is to improve the quality of the recognition and localization of areas of interest on the epithelial walls, so as for example to allow the early detection of lesions on these walls.
  • a portion of the endoscopic image is selected.
  • This portion or sub-image called an elementary zone in the context of the present disclosure, is typically square or rectangular in shape.
  • the dimensions of the elementary zone are chosen so that the zone is small enough to encompass only one type of possibly visible lesions, but at the same time large enough to encompass a visual context large enough to allow recognition of the any lesions detected.
  • the dimensions of the elementary zone can vary according to various parameters, such as for example the characteristics of the endoscopic image analyzed (size, resolution), the acquisition conditions (magnification factor), or even the nature of the studied organ and lesions likely to develop there.
  • FIG. 2 illustrates various examples of elementary zones (ZE-a, ZE-b, ZE-c) with a size of 112 pixels by 112 pixels likely to be selected within an IE endoscopic image of epithelial tissues of the stomach.
  • a pre-analysis of the elementary zone obtained in step 11 is carried out.
  • This pre-analysis aims more specifically to assess whether the selected elementary zone can be considered as usable for subsequent processing. principal detailed later in this document, in connection with step 13 of Figure 1, comprising the determination of a histological class associated with the elementary zone. Indeed, various factors are likely to alter or compromise, to different degrees, the results of this subsequent treatment.
  • step 12 comprises for example the classification of the pre-analyzed elementary zone into one or other of the following categories: a category of so-called exploitable zones and a category of so-called non-exploitable zones.
  • Such a classification can for example be carried out by means of a convolutional neural network previously trained for this purpose.
  • this classification can for example also be carried out by a binary classifier of the support vector machine type (“Support Vector Machine”, or SVM, in English) trained to differentiate an exploitable elementary zone from a non-exploitable elementary zone. on the basis of at least one descriptor, which may in particular comprise a size descriptor, a light exposure descriptor, and/or an occultation descriptor.
  • the descriptors used come from a deep neural network VGG (convolutional network) pre-trained on an image database (eg the ImageNet image database), in which the convolution layers and of pooling have been kept, but in which the last layer - ie the "fully connected” layer (layer “fully connected” in English) which traditionally finalizes the classification of the image provided at the input of the network - has been removed.
  • VGG deep neural network
  • the analysis method according to the proposed technique includes a preprocessing according to step 12 as described above, and the elementary zone is classified in the category of non-exploitable zones, the analysis of this elementary zone is stopped at the end of step 12.
  • this elementary zone is set aside from the main processing, because it is considered that the conditions for a reliable subsequent analysis (step 13 described below) of this zone are not met.
  • the elementary zone is the subject of an analysis aimed at assigning it a histological class.
  • step 13 can be implemented directly after step 11 of selecting the elementary zone, when the method according to the proposed technique does not include the optional pre-analysis step 12.
  • step 13 is only implemented if the elementary zone in question has been classified in the category of exploitable zones at the end of the step 12.
  • a histological class associated with the elementary zone is determined, by means of a decision tree and as a function of at least one predictive variable.
  • the predictive variables used relate to characteristics of the tissues (i.e. of the mucous membrane) represented in the elementary zone considered, and belong to the group comprising: a background color, a frame regularity, a frame thickness, texture within the weft in the form of patterns, and/or vascular density.
  • frame is meant here the support frame of the mucosa, which depends in particular on the distribution of the collagen fibers.
  • a score of 0 to 3 is assigned to the elementary zone, for at least one (or each) of the predictive variables listed above, according to the following modalities: score associated with the color of the background: 0 for pale pink; 1 for dark pink; 2 for purple; 3 for black; score associated with the regularity of the grid: 0 for parallelepiped - square; 1 for parallelepiped - rectangle; 2 for disappearance of angles; 3 for irregular; score associated with the thickness of the weft: 0 for fine; 1 for thin; 2 for medium thick; 3 for very thick; score associated with the texture inside the frame: 0 for no texture; 1 for points; 2 for fine lines; 3 for thick lines; score associated with vascular density: 0 for nil; 1 for low; 2 for average; 3 for strong.
  • FIG. 3 shows for example a decision tree capable of being used to determine a histological class associated with an elementary zone ZE obtained within an endoscopic image of a portion of the internal wall of the stomach.
  • the histological class is determined from among a plurality of histological classes relating to the absence or the presence of pre-lesions or gastric lesions and comprising: a histological class N associated with an absence of lesion; a histological class A associated with the presence of atrophy-type gastric lesions; a histological class GA associated with the presence of gastric lesions of the active gastritis type; a histological class GC associated with the presence of gastric lesions of the chronic gastritis type; a histological class Ml associated with the presence of gastric lesions such as intestinal metaplasia.
  • a predictive variable is tested at each node 31, 32, 33, 34 of the decision tree, thus making it possible to determine a histological class associated with the elementary zone ZE analyzed (leaves A, GA , N, GC, Ml of the decision tree).
  • the scores associated with the various predictive variables for the elementary zone ZE are all calculated before the traversal of the decision tree.
  • each score is calculated as the decision tree is traversed, at the level of the node where the associated predictive value is tested, which makes it possible to reduce the number of calculations to be performed, and therefore to speed up treatment.
  • the DV score associated with the vascular density of the elementary zone ZE is tested. If this DV score is strictly greater than 1, the “atrophy” histological class A is assigned to the elementary zone ZE, and the traversal of the decision tree stops. Otherwise, the traversal of the decision tree continues and the TX score associated with the texture inside the frame is tested at node 32. If this TX score is strictly greater than 0.5, the class histological “active gastritis” GA is attributed to the elementary zone ZE, and the course of the decision tree stops. Otherwise, the traversal of the decision tree continues and the RG score associated with the regularity of the frame is tested at node 33.
  • this RG score is greater than or equal to 0.5, the "normal" histological class » N - representative of an absence lesion detected - is attributed to the elementary zone ZE, and the traversal of the decision tree stops. Otherwise, the path of the decision tree continues and the CF score associated with the color of the background is tested at node 34. If this CF score is strictly greater than 1.5, the histological class “intestinal metaplasia” M1 is assigned to the elementary zone ZE, and the traversal of the decision tree stops. Otherwise, the histological class “chronic gastritis” GC is assigned to the elementary zone ZE, and the traversal of the decision tree stops.
  • decision tree presented in relation to FIG. 3 is of course given for purely illustrative and non-limiting purposes, and other decision trees possibly associated with other predictive variables and with other histological classes are likely to be be used, in particular for the analysis of endoscopic images of other hollow organs than the stomach for example (lungs, bladder, colon, etc.).
  • the present technique for traversing a decision tree, during which various predictive values are each compared to threshold values is original and stands out from known works, in the sense that these predictive values are not derived from classical abstract concepts in image processing (such as SIFT descriptors from English “Scale-invariant Features Transform”, SURF descriptors from English “Speeded-Up Robust Features”, or a co-occurrence matrix, for example ) or descriptors learned during a deep learning phase (i.e. the weights of convolution masks).
  • the method described above is iterative, and steps 11, 12 (optionally) and 13 are implemented repeatedly, on different elementary zones of the endoscopic image.
  • the entire endoscopic image is thus analyzed, the selection of a new elementary zone at each iteration being carried out on the principle of a sliding window with possible overlap, as illustrated in FIG. 4 for example.
  • the entire endoscopic image IE can be covered by successive analysis of 24 elementary zones with overlap. For example: the elementary zone ZE1 is analyzed at the first iteration (shaded zone in sub-figure (a)), the elementary zone ZE2 is analyzed at the second iteration (shaded zone in sub-figure (b)), .
  • the elementary zone ZE7 is analyzed at the seventh iteration (shaded zone in sub-figure (c)), etc. (the arrows indicating an example of moving the sliding window, of fixed size, after each iteration).
  • the proposed technique therefore makes it possible to obtain, from an endoscopic image, a set of histological classes associated with elementary zones of known positions within the input endoscopic image.
  • endoscopic images can be distinguished in the context of this technique, and be the subject of the analysis process described above: a so-called unit endoscopic image, and a so-called extended endoscopic image (or mosaic) .
  • a unit endoscopic image corresponds to an image as delivered by an endoscope: such an image may have been subject to various processing operations, but its dimensions are limited by the field of view of the endoscope used for its acquisition. It is therefore an image of a very localized zone of the explored organ, obtained from among a plurality of other unit images acquired during an endoscopic examination.
  • An extended endoscopic image is for its part constructed by selecting and assembling several unitary endoscopic images acquired during an endoscopic examination, in order to represent a more extended zone of the organ studied, encompassing for example known anatomical landmarks. All the unit images acquired during the examination are not necessarily used to construct the extended image. For example, to ensure visual consistency of the mosaic, a limited number of unit images can be used (but nevertheless sufficient to obtain a representation without gaps, i.e. without incomplete areas), thus minimizing the discontinuities caused by the transitions between pixels of different unit images.
  • each integrated unit image is linked to a unit image previously integrated into the mosaic by a previously calculated geometric link of homography type (ie comprising parameters of translation, rotation in the image plane, scale factor, and/or perspective , whose values are known because they are calculated on the basis of a matching of overlapping areas of the images). So each picture composing the mosaic is geometrically linked to the reference image by a chain of homographies.
  • the present technique therefore allows the operator to obtain, within an extended endoscopic image in which known anatomical landmarks are visible, a precise location of the lesions detected. It also makes it possible to find the unit images - among the plurality of unit images acquired during the endoscopic examination - which show the lesions in question, thus offering a multitude of different points of view of these lesions.
  • the results of the determination of histological classes associated with neighboring elementary zones can be combined to deliver an overall result, associating for example a histological class (typically the most represented histological class in the results of a set of elementary zones) to all or part of a common region of the organ examined, to all or part of a single endoscopic image, or even to all or part of an extended endoscopic image (ie a mosaic) constructed by combining a plurality of unitary endoscopic images.
  • a histological class typically the most represented histological class in the results of a set of elementary zones
  • an elementary zone for which it was not possible to extract predictive values at first - for example because it was classified in the category of zones not usable at the end of a preprocessing such as previously described in relation to step 12 of figure 1 - can, optionally, be the subject of a particular remedial processing for the determination of a class histological.
  • catch-up processing is based on the exploitation of data associated with neighboring elementary zones (for example immediately adjacent or close) to the elementary zone considered, for which the method according to the proposed technique has been able to be completed beforehand ( ie until the determination of a histological class).
  • This catch-up processing is based for example on interpolation techniques for estimating predictive values associated with the elementary zone considered, from predictive values already obtained for the neighboring elementary zones.
  • Techniques for reconstructing or filling parts of tissue missing in the elementary zone considered can also be implemented, in order to to be able to directly extract predictive values from the elementary zone thus reconstructed (such techniques are known as “inpainting”).
  • a histological class can then be determined for the elementary zone considered, by means of a decision tree as already described in relation to step 13 of FIG. 1 for example ( even if the elementary zone had initially been classified in the category of non-exploitable zones).
  • the proposed technique - whether it is implemented on unitary endoscopic images and/or on an extended endoscopic image - can be either implemented in real time, that is to say during endoscopic examination, or at a later date, i.e. after the endoscopic examination.
  • the proposed technique also relates to a device for analyzing an endoscopic image of the internal wall of a hollow organ. More particularly, such a device comprises: means for selecting an elementary zone within the analyzed endoscopic image; means for determining a histological class associated with said selected elementary zone, by means of a decision tree and as a function of at least one predictive variable.
  • FIG. 5 represents, in a schematic and simplified manner, the structure of such a device, in a particular embodiment.
  • the device comprises a memory 51 consisting of a buffer memory M, a processing unit 52, equipped for example with a microprocessor mR, and controlled by the computer program Pg 53, implementing the automatic configuration control method according to the invention.
  • the code instructions of the computer program 53 are loaded into the buffer memory before being executed by the processor of the processing unit 52.
  • the processing unit 52 receives as input E for example a endoscopic picture.
  • the microprocessor of the processing unit 52 then carries out the steps of the method of analyzing an endoscopic image of the internal wall of a hollow organ, according to the instructions of the computer program 53, in order to provide, for example, as output S associations between elementary zones of the endoscopic image supplied as input E and histological classes, or a predominant histological class over a set of elementary zones of the endoscopic image supplied as input E. More particularly, the microprocessor 52 determines the value at least one predictive variable associated with the elementary zone. Such values of predictive variables can be calculated by the microprocessor 52 itself, or be received from a third-party device in response to an appropriate request, via data transmission/reception means which can materialize in the form a connection interface to one or more communication networks.
  • the determination of a histological class associated with an elementary zone by the microprocessor 52 is based on the use of a decision tree, including the confrontation of the values of predictive variables with a set of rules previously stored in a memory of the device of analysis (for example in memory 51).
  • the analysis device can be a server, a computer, a tablet, a smartphone or a dedicated medical device.
  • the device comprises at least one input suitable for receiving images from an endoscope, the processor(s) for analyzing these images, and at least one output suitable for outputting the data associated with the analyzed images, comprising at least one histological class and, for example, information making it possible to locate elementary zones of the input image in an extended endoscopic image and/or in a plurality of unit endoscopic images.
  • the proposed technique also relates to a computer program product comprising computer-executable program code recorded on a non-transitory computer-readable storage medium, the computer-executable program code, when executed, performing the process of analyzing an endoscopic image.
  • the computer program product may be recorded on a CD, hard disk, flash memory or other suitable computer-readable medium. It can also be downloaded from the Internet and installed in a device so as to allow the implementation of an analysis of an endoscopic image, in any of the embodiments previously described.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Endoscopes (AREA)

Abstract

L'invention se rapporte à un procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux. Ce procédé comprend au moins une itération des étapes suivantes : - une étape de sélection (11) d'une zone élémentaire au sein de ladite image endoscopique; - une étape de détermination (13) d'une classe histologique associée à ladite zone élémentaire sélectionnée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive.

Description

DESCRIPTION
Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dispositif et produit programme d'ordinateur correspondants
Domaine technique
La présente technique se rapporte au domaine de l'imagerie médicale. La présente technique se rapporte plus particulièrement à l'exploitation de l'imagerie médicale résultant de l'exploration par endoscopie d'organes creux ou de cavités de l'être humain.
Art antérieur
Les données fournies par les images endoscopiques de la paroi d'un organe creux (e.g. estomac, vessie, etc.) demeurent encore nettement sous-exploitées pour diverses raisons.
En premier lieu, outre le manque d'un contrôle aisé de la trajectoire de l'instrument, le champ de vue réduit des parois épithéliales acquis par un endoscope lors d'un l'examen ne permet pas une représentation étendue de ces régions d'intérêt. Par ailleurs, du fait de ce champ de vue réduit, il est difficile pour l'opérateur de localiser l'endoscope par rapport à des repères anatomiques connus, ce qui complique encore l'exploration de la surface de la paroi interne de l'organe étudié. Ce défaut de localisation a plusieurs conséquences. Par exemple, l'opérateur ne peut pas revenir de façon aisée à une région d'intérêt préalablement explorée. Il est également fréquent que certaines zones de la surface de la paroi de l'organe étudié ne soient pas parcourues, ce qui conduit à des lacunes dans la représentation des régions à inspecter, avec le risque pour l'opérateur de passer à côté d'éléments importants d'un point de vue clinique, comme la présence de lésions cancéreuses par exemple, faute d'image disponible de la zone touchée.
En deuxième lieu, les images endoscopiques acquises (par exemple sous la forme de vidéo-endoscopies) restent difficiles à exploiter, que ce soit au cours ou après l'examen. Par exemple, les parois épithéliales d'un organe creux tel que l'estomac sont très faiblement texturées, ce qui rend difficile l'identification de certaines lésions souvent peu visibles et/ou très localisées, y compris avec une lumière apportant un rehaussement de contraste. De plus, de nombreuses études ont documenté une variabilité importante dans la reconnaissance des lésions entre les opérateurs, ou même pour un même opérateur à des moments différents. Il existe donc un besoin de techniques qui améliorent la qualité de la reconnaissance et de la localisation de zones d'intérêt, telles que des lésions par exemple, sur les images obtenues par un endoscope.
Résumé de l'invention
La présente technique permet de résoudre en partie les problèmes posés par l'art antérieur. La présente technique se rapporte en effet à un procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, ce procédé comprenant au moins une itération des étapes suivantes : une étape de sélection d'une zone élémentaire au sein de ladite image endoscopique ; une étape de détermination d'une classe histologique associée à ladite zone élémentaire sélectionnée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive.
Dans un mode de réalisation particulier, ladite image endoscopique est obtenue par une technique d'imagerie à bande étroite sans grossissement.
Dans un mode de réalisation particulier, ladite au moins une variable prédictive appartient au groupe comprenant : une couleur de fond ; une régularité de trame ; une épaisseur de trame ; une texture d'intérieur de trame ; une densité vasculaire.
Dans un mode de réalisation particulier ledit procédé comprend une étape de classification de ladite zone élémentaire dans une catégorie parmi une catégorie de zones dites exploitables et une catégorie de zones dites non exploitables, en fonction d'au moins un descripteur, et en ce que ladite étape de détermination d'une classe histologique est mise en oeuvre uniquement lorsque ladite zone élémentaire appartient à ladite catégorie de zones exploitables.
Selon une caractéristique particulière, ladite étape de classification est mise en oeuvre par un classifieur binaire de type machine à vecteurs de support entraîné à différencier une zone élémentaire exploitable d'une zone élémentaire non exploitable sur la base dudit au moins un descripteur.
Selon une caractéristique particulière, ledit au moins un descripteur appartient au groupe comprenant : un descripteur de taille ; un descripteur d'exposition lumineuse ; un descripteur d'occultation.
Selon une caractéristique particulière ledit au moins un descripteur est issu d'un réseau de neurones profond pré-entraîné sur une base de données d'images, après suppression d'une couche totalement connectée dudit réseau.
Dans un mode de réalisation particulier, ledit procédé comprend une étape de localisation de ladite zone élémentaire au sein : d'au moins une autre image endoscopique acquise lors d'un examen endoscopique ayant conduit à l'acquisition de ladite image endoscopique analysée ; et/ou d'une image endoscopique étendue, construite par assemblage d'une pluralité d'images endoscopiques acquises lors de l'examen endoscopique ayant conduit à l'acquisition de ladite image endoscopique analysée.
Selon un autre aspect, la technique proposée se rapporte également à un dispositif d'analyse d'une image endoscopique de la paroi interne d'un organe creux, ce dispositif comprenant : des moyens de sélection d'une zone élémentaire au sein de ladite image endoscopique ; des moyens de détermination d'une classe histologique associée à ladite zone élémentaire sélectionnée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive.
Selon un autre aspect, la technique proposée se rapporte également à un produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur, ledit produit programme d'ordinateur comprenant des instructions de code de programme pour l'exécution d'un procédé d'analyse selon l'un des modes de réalisation particuliers précédemment décrits, lorsqu'il est exécuté sur un ordinateur. Les différents modes de réalisation mentionnés ci-dessus sont combinables entre eux pour la mise en oeuvre de l'invention.
Figures
D'autres caractéristiques et avantages de l'invention apparaîtront plus clairement à la lecture de la description suivante d'un mode de réalisation préférentiel, donné à titre de simple exemple illustratif et non limitatif, et des dessins annexés, parmi lesquels :
[Fig 1] illustre les principales étapes d'un procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dans un mode de réalisation particulier de la technique proposée ;
[Fig 2] présente un exemple d'image endoscopique sur laquelle peut être mis en oeuvre le procédé d'analyse selon la technique proposée, dans un mode de réalisation particulier ;
[Fig 3] montre un exemple d'arbre de décision pour la détermination d'une classe histologique associée à une zone élémentaire d'une image endoscopique, dans un mode de réalisation particulier ;
[Fig 4] illustre un exemple d'utilisation d'une fenêtre glissante pour la sélection de zones élémentaires au sein d'une image endoscopique, dans un mode de réalisation particulier ;
[Fig 5] décrit une architecture simplifiée d'un dispositif d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dans un mode de réalisation particulier de la technique proposée.
Description détaillée de l'invention
La présente invention se rapporte à un procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux ou d'une cavité du corps humain ou animal, tel que l'estomac ou la vessie par exemple.
Selon la technique proposée, l'image analysée est par exemple une image obtenue parmi une pluralité d'images acquises lors d'un examen endoscopique. Une telle image est appelée image unitaire dans le cadre de la présente technique. De manière alternative ou complémentaire, l'image analysée peut également être une image étendue (également appelée « mosaïque » dans le cadre de la présente technique) construite par sélection et assemblage d'une pluralité d'images unitaires acquises lors d'un l'examen endoscopique. Selon une caractéristique particulière, l'image analysée est obtenue par une technique d'imagerie à bande étroite, avec utilisation d'une lumière de longueurs d'onde spécifiques, par exemple bleues et vertes, afin de rehausser certains détails de la surface des tissus. La technique d'imagerie peut intégrer ou non un grossissement. Plus particulièrement, l'absence de grossissement ou un faible grossissement permet de couvrir une zone de muqueuse plus étendue, évitant ainsi la nécessité de balayer la muqueuse très précisément. Un des objectifs visés par la présente technique est d'améliorer la qualité de la reconnaissance et de la localisation de zones d'intérêt sur des parois épithéliales, de manière par exemple à permettre la détection précoce de lésions sur ces parois.
Dans toute la description, les éléments de même nature sont identifiés par une même référence numérique dans les figures.
Le principe général de l'invention est décrit plus en détail en relation avec la figure 1, dans un mode de réalisation.
Dans une étape 11, une portion de l'image endoscopique est sélectionnée. Cette portion ou sous-image, appelée zone élémentaire dans le cadre de la présente divulgation, est typiquement de forme carrée ou rectangulaire. Les dimensions de la zone élémentaire sont choisies de manière à ce que la zone soit suffisamment petite pour n'englober qu'un seul type de lésions éventuellement visibles, mais en même temps suffisamment grande pour englober un contexte visuel assez étendu pour permettre une reconnaissance des éventuelles lésions détectées. Aussi, les dimensions de la zone élémentaire peuvent varier en fonction de différents paramètres, comme par exemple les caractéristiques de l'image endoscopique analysée (taille, résolution), les conditions d'acquisition (facteur de grossissement), ou encore la nature de l'organe étudié et des lésions susceptibles de s'y développer. Par exemple, la figure 2 illustre divers exemples de zones élémentaires (ZE-a, ZE-b, ZE-c) de taille de 112 pixels par 112 pixels susceptibles d'être sélectionnées au sein d'une image endoscopique IE de tissus épithéliaux de l'estomac.
Dans une étape 12, optionnelle, une pré-analyse de la zone élémentaire obtenue à l'étape 11 est effectuée. Cette pré-analyse vise plus particulièrement à évaluer si la zone élémentaire sélectionnée peut être considérée comme exploitable pour le traitement ultérieur principal détaillé plus tard dans le présent document, en relation avec l'étape 13 de la figure 1, comprenant la détermination d'une classe histologique associée à la zone élémentaire. En effet, divers facteurs sont susceptibles d'altérer ou de compromettre, à différents degrés, les résultats de ce traitement ultérieur. Parmi ces facteurs, on peut par exemple citer le cas où les tissus (e.g. la muqueuse) visibles sur l'image correspondant à la zone élémentaire sont trop lointains, surexposés ou sous-exposés (exemple de la zone élémentaire ZE-b de la figure 2, sous-exposée), ou même partiellement ou totalement occultés par des débris, des bulles ou des outils chirurgicaux (exemple de la zone élémentaire ZE-c de la figure 2, où une partie de la muqueuse est masquée par un outil chirurgical). Dans un mode de réalisation particulier, l'étape 12 comprend par exemple la classification de la zone élémentaire pré-analysée dans l'une ou l'autre des catégories suivantes : une catégorie de zones dites exploitables et une catégorie de zones dites non exploitables. Une telle classification peut par exemple être effectuée au moyen d'un réseau de neurones convolutif préalablement entraîné à cette fin. De manière alternative, cette classification peut par exemple également être réalisée par un classifieur binaire de type machine à vecteurs de support (« Support Vector Machine », ou SVM, en anglais) entraîné à différencier une zone élémentaire exploitable d'une zone élémentaire non exploitable sur la base d'au moins un descripteur, pouvant notamment comprendre un descripteur de taille, un descripteur d'exposition lumineuse, et/ou un descripteur d'occultation. Selon une caractéristique particulière, les descripteurs utilisés sont issus d'un réseau de neurones profond VGG (réseau convolutif) pré-entraîné sur une base de données d'images (e.g. la base d'images ImageNet), dans lequel les couches de convolution et de pooling ont été conservées, mais dans lequel la dernière couche - i.e. la couche « totalement connectée » (couche « fully connected » en anglais) qui finalise traditionnellement la classification de l'image fournie en entrée du réseau - a été supprimée.
Lorsque le procédé d'analyse selon la technique proposée comprend un prétraitement selon l'étape 12 tel que précédemment décrit, et que la zone élémentaire est classée dans la catégorie des zones non exploitables, l'analyse de cette zone élémentaire est stoppée en fin d'étape 12. En d'autres termes, cette zone élémentaire est écartée du traitement principal, car il est estimé que les conditions pour une analyse ultérieure (étape 13 décrite ci-après) fiable de cette zone ne sont pas réunies. Dans une étape 13, la zone élémentaire fait l'objet d'une analyse visant à lui attribuer une classe histologique. Une telle étape 13 peut être mise en oeuvre directement après l'étape 11 de sélection de la zone élémentaire, lorsque le procédé selon la technique proposée ne comprend pas l'étape optionnelle de pré-analyse 12. Dans le cas où le procédé selon la technique proposée comprend l'étape optionnelle de pré-analyse 12 de la zone élémentaire sélectionnée, l'étape 13 n'est mise en oeuvre que si la zone élémentaire en question a été classée dans la catégorie des zones exploitables à l'issue de l'étape 12.
Plus particulièrement, dans l'étape 13, une classe histologique associée à la zone élémentaire est déterminée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive. Selon une caractéristique particulière, les variables prédictives utilisées se rapportent à des caractéristiques des tissus (i.e. de la muqueuse) représentés dans la zone élémentaire considérée, et appartiennent au groupe comprenant : une couleur de fond, une régularité de trame, une épaisseur de trame, une texture à l'intérieur de la trame sous la forme de motifs, et/ou une densité vasculaire. Par « trame », on entend ici la trame de support de la muqueuse, qui dépend notamment de la distribution des fibres de collagène. Par exemple, un score de 0 à 3 est attribué à la zone élémentaire, pour au moins une (ou chacune) des variables prédictives listées précédemment, selon les modalités suivantes : score associé à la couleur du fond : 0 pour rose pâle ; 1 pour rose foncé ; 2 pour violet ; 3 pour noir ; score associé à la régularité de la trame : 0 pour parallélépipède - carré ; 1 pour parallélépipède - rectangle ; 2 pour disparition des angles ; 3 pour irrégulière ; score associé à l'épaisseur de la trame : 0 pour fine ; 1 pour peu épaisse ; 2 pour moyennement épaisse ; 3 pour très épaisse ; score associé à la texture à l'intérieur de la trame : 0 pour aucune texture ; 1 pour points ; 2 pour traits fins ; 3 pour traits épais ; score associé à la densité vasculaire : 0 pour nulle ; 1 pour faible ; 2 pour moyenne ; 3 pour forte.
Ces scores peuvent notamment être calculés via des techniques de traitement de l'image (filtrage, segmentation, etc.), appliquées à la zone élémentaire, dans l'objectifs précis de définir ces scores. La figure 3 montre par exemple un arbre de décision susceptible d'être utilisé pour déterminer une classe histologique associée à une zone élémentaire ZE obtenue au sein d'une image endoscopique d'une portion de la paroi interne de l'estomac. Plus particulièrement, dans cet exemple, la classe histologique est déterminée parmi une pluralité de classes histologiques se rapportant à l'absence ou à la présence de pré-lésions ou de lésions gastriques et comprenant : une classe histologique N associée à une absence de lésion ; une classe histologique A associée à la présence de lésions gastriques de type atrophie ; une classe histologique GA associée à la présence de lésions gastriques de type gastrite active ; une classe histologique GC associée à la présence de lésions gastriques de type gastrite chronique ; une classe histologique Ml associée à la présence de lésions gastriques de type métaplasie intestinale.
Dans l'exemple de la figure 3, une variable prédictive est testée à chaque nœud 31, 32, 33, 34 de l'arbre de décision, permettant ainsi de déterminer une classe histologique associée à la zone élémentaire ZE analysée (feuilles A, GA, N, GC, Ml de l'arbre de décision). Selon une caractéristique particulière, les scores associés aux différentes variables prédictives pour la zone élémentaire ZE sont tous calculés avant le parcours de l'arbre de décision. De manière alternative, chaque score est calculé au fur et à mesure du parcours de l'arbre de décision, au niveau du nœud où la valeur prédictive associée est testée, ce qui permet de réduire le nombre de calculs à effectuer, et donc d'accélérer les traitements.
Au nœud 31, le score DV associé à la densité vasculaire de la zone élémentaire ZE est testé. Si ce score DV est strictement supérieur à 1, la classe histologique « atrophie » A est attribuée à la zone élémentaire ZE, et le parcours de l'arbre de décision s'arrête. Dans le cas contraire, le parcours de l'arbre de décision se poursuit et le score TX associé à la texture à l'intérieur de la trame est testé au nœud 32. Si ce score TX est strictement supérieur à 0,5, la classe histologique « gastrite active » GA est attribuée à la zone élémentaire ZE, et le parcours de l'arbre de décision s'arrête. Dans le cas contraire, le parcours de l'arbre de décision se poursuit et le score RG associé à la régularité de la trame est testé au nœud 33. Si ce score RG est supérieur ou égal à 0,5, la classe histologique « normale » N - représentative d'une absence de lésion détectée - est attribuée à la zone élémentaire ZE, et le parcours de l'arbre de décision s'arrête. Dans le cas contraire, le parcours de l'arbre de décision se poursuit et le score CF associé à la couleur du fond est testé au nœud 34. Si ce score CF est strictement supérieur à 1,5, la classe histologique « métaplasie intestinale » Ml est attribuée à la zone élémentaire ZE, et le parcours de l'arbre de décision s'arrête. Dans le cas contraire, la classe histologique « gastrite chronique » GC est attribuée à la zone élémentaire ZE, et le parcours de l'arbre de décision s'arrête.
L'arbre de décision présenté en relation avec la figure 3 est bien sûr donné à titre purement illustratif et non limitatif, et d'autres arbres de décisions éventuellement associés à d'autres variables prédictives et à d'autre classes histologiques sont susceptibles d'être utilisés, notamment pour l'analyse d'images endoscopiques d'autres organes creux que l'estomac par exemple (poumons, vessie, colon, etc.). En tout état de cause, la présente technique de parcours d'un arbre de décision, durant lequel diverses valeurs prédictives sont comparées chacune à des valeurs seuils, est originale et se démarque de travaux connus, en ce sens que ces valeurs prédictives ne sont pas issues de concepts abstraits classiques en traitement des images (tels que des descripteurs SIFT de l'anglais « Scale-lnvariant Features Transform », des descripteurs SURF de l'anglais « Speeded-Up Robust Features », ou une matrice de cooccurrence, par exemple) ni de descripteurs appris lors d'une phase d'apprentissage profond (i.e. les poids de masques de convolution).
Dans un mode de réalisation particulier, le procédé précédemment décrit est itératif, et les étapes 11, 12 (éventuellement) et 13 sont mises en œuvre de manière répétée, sur différentes zones élémentaires de l'image endoscopique. Selon une caractéristique particulière, toute l'image endoscopique est ainsi analysée, la sélection d'une nouvelle zone élémentaire à chaque itération étant réalisée sur le principe d'une fenêtre glissante avec recouvrement éventuel, comme illustré sur la figure 4 par exemple. Dans cet exemple volontairement simplifié et purement illustratif, toute l'image endoscopique IE peut être couverte par analyse successives de 24 zones élémentaires avec recouvrement. Par exemple : la zone élémentaire ZE1 est analysée à la première itération (zone grisée sur la sous-figure (a)), la zone élémentaire ZE2 est analysée à la deuxième itération (zone grisée sur la sous-figure (b)), ..., la zone élémentaire ZE7 est analysée à la septième itération (zone grisée sur la sous-figure (c)), etc. (les flèches indiquant un exemple de déplacement de la fenêtre glissante, de taille fixe, après chaque itération). La technique proposée permet donc d'obtenir, à partir d'une image endoscopique, un ensemble de classes histologiques associées à des zones élémentaires de positions connues au sein de l'image endoscopique d'entrée.
Comme mentionné précédemment, deux types d'images endoscopiques peuvent être distingués dans le cadre de la présente technique, et faire l'objet du procédé d'analyse précédemment décrit : une image endoscopique dite unitaire, et une image endoscopique dite étendue (ou mosaïque).
Une image endoscopique unitaire correspond à une image telle que délivrée par un endoscope : une telle image a pu faire l'objet de divers traitements, mais ses dimensions sont limitées par le champ de vue de l'endoscope utilisé pour son acquisition. Il s'agit donc d'une image d'une zone très localisée de l'organe exploré, obtenue parmi une pluralité d'autres images unitaires acquises lors d'un examen endoscopique.
Une image endoscopique étendue est pour sa part construite par sélection et assemblage de plusieurs images endoscopiques unitaires acquises lors d'un l'examen endoscopique, afin de représenter une zone plus étendue de l'organe étudié, englobant par exemple des repères anatomiques connus. Toutes les images unitaires acquises durant l'examen ne sont pas nécessairement utilisées pour construire l'image étendue. Par exemple, pour assurer une cohérence visuelle de la mosaïque, un nombre limité d'images unitaires peut être utilisé (mais néanmoins suffisant pour obtenir une représentation sans lacune, c'est-à-dire sans zone incomplète), minimisant ainsi les discontinuités causées par les transitions entre pixels de différentes images unitaires.
La méthode de construction d'une telle mosaïque ne faisant pas l'objet du présent document, elle n'est pas détaillée plus en avant ici. Il convient toutefois de noter que cette construction de la mosaïque peut être effectuée de manière progressive et itérative, à partir d'une image unitaire de référence et par intégration progressive d'images unitaires supplémentaires à la mosaïque. Chaque image unitaire intégrée est liée à une image unitaire précédemment intégrée à la mosaïque par un lien géométrique précédemment calculé de type homographie (i.e. comprenant des paramètres de translation, de rotation dans le plan image, de facteur d'échelle, et/ou de perspective, dont les valeurs sont connues car calculées sur la base d'une mise en correspondance de zones de recouvrement des images). Ainsi, chaque image composant la mosaïque est liée géométriquement à l'image de référence par une chaîne d'homographies.
Il résulte de ce qui précède qu'une image endoscopique unitaire ou qu'une portion connue de cette image, telle qu'une zone élémentaire selon la technique proposée par exemple, peut être localisée avec précision dans la mosaïque, par un produit d'homographies. L'inverse est également vrai, et il est également possible d'identifier toutes les images unitaires représentant tout ou partie d'une zone donnée de la mosaïque.
Ainsi, lorsqu'une classe histologique présentant un intérêt particulier (par exemple, parce qu'elle est représentative d'un certain type de lésions) a été déterminée pour une zone élémentaire donnée, il est possible : pour une zone élémentaire sélectionnée dans une image endoscopique unitaire, de localiser cette zone élémentaire dans l'image endoscopique étendue (i.e. la mosaïque), et de retrouver d'autres images unitaires comprenant au moins partiellement ladite zone élémentaire ; pour une zone élémentaire sélectionnée dans une image endoscopique étendue (i.e. la mosaïque), de retrouver toutes les images endoscopiques unitaires comprenant au moins partiellement ladite zone élémentaire.
La présente technique permet donc à l'opérateur d'obtenir, au sein d'une image endoscopique étendue dans laquelle des repères anatomiques connus sont visibles, une localisation précise des lésions détectées. Elle permet également de retrouver les images unitaires - parmi la pluralité d'images unitaires acquises durant l'examen endoscopique - qui montrent les lésions en question, offrant ainsi une multitude de points de vue différents de ces lésions.
Selon une caractéristique particulière, les résultats de la détermination de classes histologiques associées à des zones élémentaires voisines (au sens spatial du terme) peuvent être combinés pour délivrer un résultat global, associant par exemple une classe histologique (typiquement la classe histologique la plus représentée dans les résultats d'un ensemble de zones élémentaires) à tout ou partie d'une région commune de l'organe examiné, à tout ou partie d'une image endoscopique unitaire, ou encore à tout ou partie d'une image endoscopiques étendue (i.e. une mosaïque) construite par combinaison d'une pluralité d'images endoscopiques unitaires. Par ailleurs, selon une autre caractéristique particulière de la présente technique, une zone élémentaire pour laquelle il n'a pas été possible d'extraire de valeurs prédictives dans un premier temps - par exemple parce qu'elle a été classée dans la catégorie des zones non exploitables à l'issue d'un prétraitement tel que précédemment décrit en relation avec l'étape 12 de la figure 1 - peut, de manière optionnelle, faire l'objet d'un traitement particulier de rattrapage pour la détermination d'une classe histologique. Un tel traitement de rattrapage repose sur l'exploitation de données associées à des zones élémentaires voisines (par exemple immédiatement adjacentes ou proches) de la zone élémentaire considérée, pour lesquelles le procédé selon la technique proposée a pu être mené à son terme au préalable (i.e. jusqu'à la détermination d'une classe histologique). Ce traitement de rattrapage se base par exemple sur des techniques d'interpolation pour estimer des valeurs prédictives associées à la zone élémentaire considérée, à partir de valeurs prédictives déjà obtenues pour les zones élémentaires voisines. Des techniques de reconstruction ou de remplissage de parties de tissus manquantes dans la zone élémentaire considérée (car masquées par un outil chirurgical, des débris, ou des bulles, au moment de l'acquisition, par exemple) peuvent également être mises en oeuvre, afin de pouvoir extraire directement des valeurs prédictives de la zone élémentaire ainsi reconstruite (de telles techniques sont connues sous le nom d'« inpainting » en anglais). Sur la base des valeurs prédictives ainsi extraites ou estimées, une classe histologique peut alors être déterminée pour la zone élémentaire considérée, au moyen d'un arbre de décision tel que déjà décrit en relation avec l'étape 13 de la figure 1 par exemple (et ce même si la zone élémentaire avait été dans un premier temps classée dans la catégorie des zones non exploitables).
Il convient également de noter que la technique proposée - qu'elle soit mis en oeuvre sur des images endoscopiques unitaires et/ou sur une image endoscopique étendue - peut être indifféremment implémentée en temps réel, c'est-à-dire au cours même de l'examen endoscopique, ou dans un temps différé, c'est-à-dire après l'examen endoscopique.
Selon un autre aspect, la technique proposée se rapporte également à un dispositif d'analyse d'une image endoscopique de la paroi interne d'un organe creux. Plus particulièrement, un tel dispositif comprend : des moyens de sélection d'une zone élémentaire au sein de l'image endoscopique analysée ; des moyens de détermination d'une classe histologique associée à ladite zone élémentaire sélectionnée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive.
La figure 5 représente, de manière schématique et simplifiée, la structure d'un tel dispositif, dans un mode de réalisation particulier.
Par exemple, le dispositif selon la technique proposée comprend une mémoire 51 constituée d'une mémoire tampon M, une unité de traitement 52, équipée par exemple d'un microprocesseur mR, et pilotée par le programme d'ordinateur Pg 53, mettant en oeuvre le procédé de contrôle de configuration automatique selon l'invention.
À l'initialisation, les instructions de code du programme d'ordinateur 53 sont chargées dans la mémoire tampon avant d'être exécutées par le processeur de l'unité de traitement 52. L'unité de traitement 52 reçoit en entrée E par exemple une image endoscopique.
Le microprocesseur de l'unité de traitement 52 réalise alors les étapes du procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, selon les instructions du programme d'ordinateur 53, pour fournir par exemple en sortie S des associations entre des zones élémentaires de l'image endoscopique fournie en entrée E et des classes histologiques, ou une classe histologique prédominante sur un ensemble de zones élémentaires de l'image endoscopique fournie en entrée E. Plus particulièrement, le microprocesseur 52 détermine la valeur d'au moins une variable prédictives associée à la zone élémentaire. De tels valeurs de variables prédictives peuvent être calculés par le microprocesseur 52 lui-même, ou être reçus en provenance d'un dispositif tiers en réponse à une requête idoine, via des moyens de transmission/réception de données qui peuvent se matérialiser sous la forme d'une interface de connexion à un ou plusieurs réseaux de communication. La détermination d'une classe histologique associée à une zone élémentaire par le microprocesseur 52 repose sur l'utilisation d'un arbre de décision, incluant la confrontation des valeurs de variables prédictives à un ensemble de règles préalablement stockées dans une mémoire du dispositif d'analyse (par exemple dans la mémoire 51).
Plus spécifiquement, le dispositif d'analyse selon la technique proposée peut être un serveur, un ordinateur, une tablette, un smartphone ou un dispositif médical dédié. Le dispositif comprend au moins une entrée adaptée pour recevoir des images provenant d'un endoscope, le(s) processeur(s) pour analyser ces images, et au moins une sortie adaptée pour sortir les données associées aux images analysées, comprenant au moins une classe histologique et, par exemple, des informations permettant de localiser des zones élémentaires de l'image d'entrée dans une image endoscopique étendue et/ou dans une pluralité d'images endoscopiques unitaires. Selon un autre aspect, la technique proposée se rapporte également à un produit de programme informatique comprenant un code de programme exécutable par ordinateur enregistré sur un support de stockage non transitoire lisible par ordinateur, le code de programme exécutable par ordinateur, quand il est exécuté, effectuant le procédé d'analyse d'une image endoscopique. Le produit de programme informatique peut être enregistré sur un CD, un disque dur, une mémoire flash ou tout autre support lisible par un ordinateur approprié. Il peut être également téléchargé depuis Internet et installé dans un dispositif de manière à permettre la mise en oeuvre d'une analyse d'une image endoscopique, dans l'un quelconque des modes de réalisation précédemment décrits.

Claims

REVENDICATIONS
1. Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, ledit procédé comprenant une étape d'obtention de ladite image endoscopique par une technique d'imagerie à bande étroite sans grossissement, et au moins une itération des étapes suivantes : une étape de sélection (11) d'une zone élémentaire au sein de ladite image endoscopique ; une étape de détermination (13) d'une classe histologique associée à ladite zone élémentaire sélectionnée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive.
2. Procédé selon la revendication 1 caractérisé en ce que ladite au moins une variable prédictive appartient au groupe comprenant : une couleur de fond ; une régularité de trame ; une épaisseur de trame ; une texture d'intérieur de trame ; une densité vasculaire.
3. Procédé selon la revendication 1, caractérisé en ce qu'il comprend une étape de classification (12) de ladite zone élémentaire dans une catégorie parmi une catégorie de zones dites exploitables et une catégorie de zones dites non exploitables, en fonction d'au moins un descripteur, et en ce que ladite étape de détermination (13) d'une classe histologique est mise en oeuvre uniquement lorsque ladite zone élémentaire appartient à ladite catégorie de zones exploitables.
4. Procédé selon la revendication 3, caractérisé en ce que ladite étape de classification (12) est mise en oeuvre par un classifieur binaire de type machine à vecteurs de support entraîné à différencier une zone élémentaire exploitable d'une zone élémentaire non exploitable sur la base dudit au moins un descripteur.
5. Procédé selon la revendication 4 caractérisé en ce que ledit au moins un descripteur appartient au groupe comprenant : un descripteur de taille ; un descripteur d'exposition lumineuse ; un descripteur d'occultation.
6. Procédé selon la revendication 4, caractérisé en ce que ledit au moins un descripteur est issu d'un réseau de neurones profond pré-entraîné sur une base de données d'images, après suppression d'une couche totalement connectée dudit réseau.
7. Procédé selon la revendication 1 caractérisé en ce qu'il comprend une étape de localisation de ladite zone élémentaire au sein : d'au moins une autre image endoscopique acquise lors d'un examen endoscopique ayant conduit à l'acquisition de ladite image endoscopique analysée ; et/ou d'une image endoscopique étendue, construite par assemblage d'une pluralité d'images endoscopiques acquises lors de l'examen endoscopique ayant conduit à l'acquisition de ladite image endoscopique analysée.
8. Dispositif d'analyse d'une image endoscopique de la paroi interne d'un organe creux, caractérisé en ce qu'il comprend : des moyens d'obtention de ladite image endoscopique par une technique d'imagerie à bande étroite sans grossissement ; des moyens de sélection d'une zone élémentaire au sein de ladite image endoscopique ; des moyens de détermination d'une classe histologique associée à ladite zone élémentaire sélectionnée, au moyen d'un arbre de décision et en fonction d'au moins une variable prédictive.
9. Produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur, caractérisé en ce qu'il comprend des instructions de code de programme pour l'exécution d'un procédé d'analyse selon l'une quelconque des revendications 1 à 7, lorsqu'il est exécuté sur un ordinateur.
PCT/EP2022/071274 2021-07-30 2022-07-28 Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dispositif et produit programme d'ordinateur correspondants WO2023006918A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2108319 2021-07-30
FR2108319A FR3125913A1 (fr) 2021-07-30 2021-07-30 Procédé d’analyse d’une image endoscopique de la paroi interne d’un organe creux, dispositif et produit programme d’ordinateur correspondants

Publications (1)

Publication Number Publication Date
WO2023006918A1 true WO2023006918A1 (fr) 2023-02-02

Family

ID=80446354

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/071274 WO2023006918A1 (fr) 2021-07-30 2022-07-28 Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dispositif et produit programme d'ordinateur correspondants

Country Status (3)

Country Link
EP (1) EP4377878A1 (fr)
FR (1) FR3125913A1 (fr)
WO (1) WO2023006918A1 (fr)

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BINIAZ ABBAS ET AL: "Automatic reduction of wireless capsule endoscopy reviewing time based on factorization analysis", BIOMEDICAL SIGNAL PROCESSING AND CONTROL, ELSEVIER, AMSTERDAM, NL, vol. 59, 26 February 2020 (2020-02-26), XP086144917, ISSN: 1746-8094, [retrieved on 20200226], DOI: 10.1016/J.BSPC.2020.101897 *
KREBS ET AL: "Imagerie couleur et multispectrale pour la détection de lésions pré-cancéreuses dans l'estomac", 11 December 2019 (2019-12-11), pages 1 - 111, XP009536103, Retrieved from the Internet <URL:https://hal.archives-ouvertes.fr/tel-02506009/> [retrieved on 20200312] *
LI YU ET AL: "Image quality classification algorithm based on InceptionV3 and SVM", MATEC WEB OF CONFERENCES, vol. 277, 1 January 2019 (2019-01-01), pages 02036, XP055925226, DOI: 10.1051/matecconf/201927702036 *

Also Published As

Publication number Publication date
EP4377878A1 (fr) 2024-06-05
FR3125913A1 (fr) 2023-02-03

Similar Documents

Publication Publication Date Title
EP1932118B1 (fr) Procede et appareil de caracterisation des imperfections de la peau et procede d&#39;appreciation de l&#39;effet anti-vieillissement d&#39;un produit cosmetique
CA2778682A1 (fr) Procede et dispositif d&#39;analyse d&#39;images hyper-spectrales
FR3073312A1 (fr) Procede d&#39;estimation de pose d&#39;une camera dans le referentiel d&#39;une scene tridimensionnelle, dispositif, systeme de realite augmentee et programme d&#39;ordinateur associe
EP0587232A1 (fr) Dispositif de codage d&#39;images fixes
EP3539455A1 (fr) Procédé pour déterminer automatiquement la qualité de visualisation des images en vidéocapsule endoscopique
FR2832832A1 (fr) Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d&#39;imagerie medicale par tomodensimetrie correspondant
WO2010136584A1 (fr) Procede de quantification de l&#39;evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs
FR3088755A1 (fr) Procede de defloutage d’une image
WO2020169802A1 (fr) Procede de correction d&#39;un contour
CA3095089A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique
WO2020002810A1 (fr) Détection de nerfs dans une série d&#39;images échographiques par la détermination de régions d&#39;intérêts définies par la détection d&#39;artères
WO2023006918A1 (fr) Procédé d&#39;analyse d&#39;une image endoscopique de la paroi interne d&#39;un organe creux, dispositif et produit programme d&#39;ordinateur correspondants
Wijesinghe et al. Bio-photonic detection method for morphological analysis of anthracnose disease and physiological disorders of Diospyros kaki
EP1129432B1 (fr) Procede de comparaison d&#39;images enregistrees formees de pixels representant des equipotentielles d&#39;au moins une puce de circuit integre
WO2020178526A1 (fr) Dispositif et procédé d&#39;évaluation qualitative des greffons hépatiques
BE1028729B1 (fr) Méthode d&#39;analyse d&#39;images pour une meilleure prise de décision clinique
FR3132145A1 (fr) Procédé de détection automatisée d’un élément biologique dans un échantillon de tissu
Tanveer et al. Cancer image quantification with and without, expensive whole slide imaging scanners
EP3625766B1 (fr) Méthode de détection et de quantification du flou dans une image numérique
WO2006042864A1 (fr) Traitement d&#39;image identifiant des fibroses dans un tissu organique
FR3082982A1 (fr) Procede de determination de l&#39;infiltration de cellules biologiques dans un objet biologique d&#39;interet
FR3142275A1 (fr) Procédé de segmentation automatique d’un organe sur une image médicale en trois dimensions
FR3122077A1 (fr) Système et procédé d’analyse morphométrique de la vascularisation d’un organe
FR3113155A1 (fr) Procédé d’identification d’un implant dentaire visible sur une image d’entrée au moyen d’au moins un réseau de neurones à convolution.
FR2939224A1 (fr) Procede et systeme de traitement d&#39;une image a haute resolution.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22758208

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE