République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie -Mohamed Boudiaf- d’Oran Faculté des Sciences Département d’Informatique Mémoire pour l’obtention du diplôme de Magister en Informatique Option : Modélisation & Simulation Application des Systèmes Immunitaires Artificiels aux Images Médicales Présenté par : Mr Nadjib GUETTARI Devant le jury : Mr Abdelkader BENYETTOU Professeur USTO-MB Président Mr Mohamed BENYETTOU Professeur USTO-MB Rapporteur Mr Khaled BELKADI Maître de conférence USTO-MB Examinateur Mme Hadria FIZAZI IZABATENE Maître de conférence USTO-MB Examinatrice Laboratoire de Modélisation et d’Optimisation des Systèmes Industriels Année universitaire 2009/2010 T ÅÉÇ àÜ¢á v{xÜ Ñ¢Üx T ÅÉÇ twÉÜtuÄx àÜ¢á v{¢Üx Å¢Üx T ÅÉÇ yâàâÜ xÇytÇà Remerciements Tout d’abord, je remercie le bon dieu, tout puissant de m’avoir donné la volonté et le courage de mener à bien ce travail. Je tiens particulièrement à exprimer mes profonds remerciements à mon encadreur Mr le professeur BENYETTOU Mohamed, directeur du laboratoire de recherche Modélisation et Simulation, LAMOSI à l’Université des Sciences et de la Technologie d’Oran, pour sa disponibilité malgré ses occupations, son écoute, ses conseils et sa confiance m’ont été toujours précieux, pour tous les encouragements et les aides qu’il n’a cessé de me donner, encore une fois merci Monsieur. Mes plus sincères remerciements vont également à Mr BENYETTOU Abdelkader, Professeur et vice recteur de la post-graduation à l’Université des Sciences et de la Technologie d’Oran, de m’avoir toujours honorer de présider mon jury. Et je tien également a remercier le docteur FIZAZI IZABATEN Hadria et le docteur BELKADI Khaled en leur qualité d’examinateurs, qui m’ont fais l’honneur d’avoir accepté de juger mon travail. Un merci tout spécial à toutes les personnes qui m’ont aidé pendant cette période au sein de mon laboratoire LAMOSI : à Melle SERRAT Amel, Melle BENTAOUZA Chahinez et Melle BERRICHI Fatima. Mes plus chaleureux remerciements s’adressent à mes très chers parents qui n’ont jamais cessé de me soutenir et m’encourager durant toute cette longue période. Aucun mot n’est assez fort pour leur exprimer la reconnaissance sincère que je leur porte pour la richesse de leur enseignement. Du fond du cœur Merci. J’adresse mes remerciements tout particulièrement à toute ma famille GUETTARI, BOUDRAA et OUASTI. A mes fidèles amis de toujours : MUSTAPHA, MEHDI, IBRAHIM. Je tiens à remercier Le Directeur Générale de la SARL « Planète Auto », ainsi qu’à tous mes collèges, que je prends le temps de les remercier tous et toutes individuellement. Enfin mes remerciements, je les adresse à une personne très chère à moi, qui a eu la lourde tâche durant cette période, de m’avoir aider, écouter et surtout supporter, je la remercie pour sa présence permanente, elle n’a jamais cessé de m’encourager et de me pousser, sans elle cette thèse n’aura jamais vu le jour. Ma très chère femme NASSIMA. A tous ceux qui m’aiment et m’estiment … Encore à tous un grand merci. Résumé D e nos jours les algorithmes et les applications ont su développer et révolutionner l’imagerie médicale et le diagnostic de celle-ci. Dans notre travail nous avons utilisé une des techniques ,les plus récentes, du traitement automatique et de la reconnaissance des formes, cette méthode s’appelle les SIA (systèmes Immunitaires Artificiels).Ces algorithmes exploitent typiquement les caractéristiques des systèmes immunitaires biologiques, pour ce qui est de l’apprentissage et de la mémorisation comme moyens de résolution des problèmes de classification , nous les avons utilisé pour la classification des tumeur cérébrale d’ images IRM. Nous avons pus avoir neuf classes des tumeurs de quatre grades différents, et des résultats satisfaisants. Pour ne pas manipuler plusieurs paramètres et perdre beaucoup de temps dans l’apprentissage et dans le but d’améliorer les SIA, nous avons utilisé une méthode d’optimisation: les algorithmes génétiques, avec deux méthodes différentes. En comparant notre travail avec un classificateurs comme les SVMs (supports vecteurs machines), les SIA ont montré une meilleur performance. Mot clés : Le système immunitaire artificiel, sélection clonale, traitement d’image médicale, tumeur cérébrale, l’algorithme génétique. Abstract N owadays, algorithms and applications have developed and revolutionizing medical imaging and their diagnosis. In our work we used one of the most recent techniques in automatic processing and pattern recognition, this method is called AIS (Artificial Immune Systems). These algorithms typically exploit the features of biological immune systems, for who is learning and memorization as a means of solving problems of classification, we have used for classification of brain tumors of MRI images. We could have nine classes of tumors of four different grades, and satisfactory results. To not manipulate several parameters and lose much time in learning and to improve the AIS, we used a method of optimization: genetic algorithms with two different methods. In comparing our work with classifiers such as SVMs (Support Vector Machine) AIS were up a better performance. Key word: The artificial immune system, clonal selection, medical image processing, cerebral tumour, genetic algorithm. Sommaire Introduction générale …………………………………………………………………..........1 Chapitre 1 : Imagerie Médicale………………………………………..………………...3 1. Introduction .............................................................................................................................................. 4 2. Modalités d’acquisition d’images médicales ......................................................................................... 5 2.1. Radiographie Conventionnelle Ou Standard............................................................................... 5 2.2. Tomodensitométrie ou Scanner X: Scanographie ....................................................................... 5 2.3. Scintigraphie Et Gammagraphie .................................................................................................... 7 2.4. Echographie ...................................................................................................................................... 8 2.5. IRM (Imagerie par Résonance Magnétique)............................................................................... 10 3. Systèmes d'aide a l'interprétation des images médicales ................................................................... 12 4. Cadre général de l'interprétation d'images médicales ........................................................................ 13 4.1. L’acquisition .................................................................................................................................... 14 4.2. Numérisation................................................................................................................................... 14 4.3 Prétraitement .................................................................................................................................... 15 4.4 Segmentation .................................................................................................................................... 16 4.5 Reconstruction 3D .......................................................................................................................... 17 4.6 Reconnaissance et Classification ................................................................................................... 18 5. De nouveaux outils pour le diagnostic................................................................................................ 19 6. La maladie du cancer ............................................................................................................................. 19 6.1. Qu'est-Ce Que Le Cancer ? .......................................................................................................... 19 6.1.1. Division Cellulaire Normale .................................................................................................. 20 6.1.2. Division Cellulaire Anarchique ............................................................................................. 21 6.2. Les Tumeurs Du Cerveau ............................................................................................................. 21 6.2.1. Tumeur cérébrale primaire et tumeur cérébrale métastatique ou secondaire, la différence ? ......................................................................................................................................... 22 6.2.2. Tumeurs Cérébrales Bénignes Et Tumeurs Cérébrales Malignes .................................... 22 7. Conclusion .............................................................................................................................................. 26 Chapitre 2 : Les systèmes immunitaires Naturels ……......…......…......…................27 1. Introduction ............................................................................................................................................ 28 2. Structure et fonctionnement ............................................................................................................... 29 2.1. Cellules ............................................................................................................................................. 29 2.1.1. Les granulocytes ...................................................................................................................... 29 2.1.2. Monocytes /macrophages ..................................................................................................... 30 2.1.3. Lymphocytes ........................................................................................................................... 31 2.2. Substances solubles ........................................................................................................................ 37 2.3. Organes ............................................................................................................................................38 3. Réponse Immunitaire ............................................................................................................................ 39 3.1. La réponse immunitaire non spécifique ...................................................................................... 40 3.1.1. Première ligne : la peau et les muqueuses............................................................................ 40 3.1.2 Deuxième ligne de défense ..................................................................................................... 41 3.2 Immunité acquise ou spécifique .................................................................................................... 41 4. Les vaccins et la mémoire immunitaire.............................................................................................. 43 5. Maladies auto-immunes......................................................................................................................... 44 6. Système immunitaire et cancer ............................................................................................................. 44 7. La sélection négative .............................................................................................................................. 44 8. Sélection clonale ..................................................................................................................................... 45 9. Les réseaux immunitaires ...................................................................................................................... 47 10. Conclusion ............................................................................................................................................ 49 Chapitre 3 : Les systèmes immunitaires Artificiels ……………………………...50 1. Introduction ............................................................................................................................................ 51 2. Historique ................................................................................................................................................ 51 3. Principes de bases sur la représentation des données ....................................................................... 52 3.1. Les types de représentation ........................................................................................................... 52 3.1.1. Le codage binaire ................................................................................................................... 52 3.1.2. Le codage réel ou à caractères multiples ............................................................................ 53 3.13. Codage sous forme d'arbre ..................................................................................................... 53 4. Le clonage ............................................................................................................................................... 54 5. La mutation ............................................................................................................................................. 54 6. Hypermutation .......................................................................................................................................54 7. Reconnaissance de motifs ..................................................................................................................... 54 8. Les algorithmes du système immunitaire artificiel ............................................................................ 54 8.1. Sélection négative ........................................................................................................................... 55 8.2. Sélection clonale ............................................................................................................................. 56 8.3. Les Réseaux Immunitaires Artificiels .......................................................................................... 58 9. Quelques domaines d’utilisation de systèmes immunitaires artificiels ........................................... 59 10. Conclusion ............................................................................................................................................ 61 Chapitre 4 : Les domaines d'application des SIA ………………………………...62 1. Introduction ............................................................................................................................................ 63 2. Enquête sur des domaines d'application............................................................................................. 63 3. Les catégories du domaine d'application du SIA............................................................................... 64 4. Quelques exemples de systèmes immunitaires artificiels dans les catégories citées ..................... 65 4.1 Un système de diagnostic médical Assistée par ordinateur ....................................................... 66 4.1.1. Présentation ............................................................................................................................. 66 4.1.2. L’algorithme du système immunitaire artificiel appliqué ................................................ 66 4.1.3. SIA algorithme de classification ........................................................................................... 67 4.2. Application médicale de reconnaissance par le système artificielle immunitaire……...…. 71 4.2.1. Présentation ............................................................................................................................. 72 4.2.2. L’algorithme du système immunitaire artificiel appliqué : .............................................. 72 4.2.3. Les résultats expérimentaux .................................................................................................. 73 4.3 Amélioration de la reconnaissance des formes avec la sélection clonale artificielle? ............74 4.3.1. Présentation ............................................................................................................................. 74 4.3.2. L’algorithme du système immunitaire artificiel appliqué : .............................................. 74 5. Conclusion .............................................................................................................................................. 78 Chapitre 5 : Expérimentation et résultats …………………………………………..79 1. Introduction ............................................................................................................................................ 80 2. Ressources matériels et logiciel ............................................................................................................ 81 3. Corpus utilise .......................................................................................................................................... 81 4. Le schéma de l’application .................................................................................................................... 83 5. Logiciel..................................................................................................................................................... 84 5.1. Phase I (prétraitement) .................................................................................................................. 84 5.2. Phase II ............................................................................................................................................ 84 5.2.1 Segmentation ............................................................................................................................ 84 5.2.2 Extraction des caractéristiques de l’image segmentée ........................................................ 85 5.3 .Utilisation de l’SIA ......................................................................................................................... 88 5.4. Phase III...........................................................................................................................................90 5.5 .Utilisation des algorithmes génétiques dans les SIA ................................................................. 91 5.5.1. Choix des meilleurs paramètres pour l’apprentissage par AG ......................................... 91 5.5.2. Création de la base d’anticorps à l’aide des AG ................................................................. 92 6. Etudes expérimentale ............................................................................................................................ 93 7. Etude comparative ...............................................................................................................................103 8. Conclusion ............................................................................................................................................104 Conclusion Générale …………………………………………………...………………....105 Bibliographie ………………………………………………………………………….........107 Introduction générale Introduction Générale L’un des principaux objectifs de l’Intelligence Artificielle est d’établir un lien entre la nature et la machine : la possibilité pour la machine de sentir, de reconnaître, d’identifier et d’interpréter les phénomènes du monde réel. L’absence de ce lien est un obstacle certain dans la conception de machines autonomes capables de comprendre ces phénomènes et de réagir en conséquence. Depuis une quinzaine d’années, l’utilisation routinière des images médicales s’est démocratisée. Dans beaucoup de cas, les médecins ont recours à l’imagerie pour établir ou affiner leur diagnostic, mais aussi pour suivre l’effet de leur traitement. La quantité des données disponible pour un médecin sur chaque patient devient de plus en plus grande, et l’informatique prend à son tour de plus en plus de place dans le monde médicale, notamment en ce qui concerne le traitement et l’analyse d’images. De nos jours des algorithmes et des applications ont su développer et révolutionner l’imagerie médicale qui est un domaine scientifique en plein vitalité, elle regroupe l’ensemble des techniques utilisées par la médecine pour le diagnostic mais aussi le traitement d’un grand nombre de pathologies. Elle a révolutionné la médecine en donnant un accès immédiat et fiable à des informations jusqu’alors «invisibles» au diagnostic clinique, comme par exemple aux caractéristiques anatomiques, voir même à certains aspects du métabolisme (imagerie fonctionnelle) des organes. D’une part, les recherches dans ce domaine s'exercent et progressent sur plusieurs fronts. D’autre part, elles s'attaquent à de nombreux problèmes nouveaux, parfois inattendus, dont l'émergence est souvent une conséquence de l'évolution extrêmement rapide des technologies, la miniaturisation des capteurs et les quantités croissantes de données disponibles sont aussi à l'origine de nouveaux développements scientifiques, pour mettre au point des algorithmes innovants. L’objectif ultime est de développer des systèmes qui ont la capacité d’apprendre de façon incrémentale tout en s’adaptant à leur environnement et qui sont tolérants au bruit. Application des Systèmes Immunitaires Artificiels aux images médicales 1 Introduction générale L’immunologie artificielle est un paradigme récent qui tente de capturer des caractéristiques intéressantes des systèmes immunitaires naturels, comme la mémorisation, la reconnaissance de formes, l’apprentissage, et les capacités d’adaptation. Un système immunitaire artificiel a été défini comme un système adaptatif inspiré par le système immunitaire biologique pour la résolution des problèmes. Les caractéristiques intéressantes des Systèmes Immunitaires ont encouragée leur adaptation au domaine informatique, pour la résolution de problèmes du monde réel, allants de la sécurité des réseaux jusqu’à la détection de changements, en passant par le webmining. En particulier, l’investigation des capacités de reconnaissance des Systèmes Immunitaires a conduit à des modèles informatiques pour la reconnaissance des formes (Une forme peut être une image, un diagnostic médical ou toute autre entité identifiable par un nom qui représente sa classe). Le principal objectif de cette thèse est de présenter une modélisation au problème du classification des images médicales, à l’aide des systèmes immunitaires artificiels, et d’appréhender les propriétés et les fonctionnalistes les plus intéressantes de ces algorithmes. Ce mémoire est constitué de cinq parties importantes, la première introduit les techniques les plus répandues d’acquisition des images médicales; des notions sur l'interprétation d'images médicales, et les nouveaux outils pour le diagnostic. La deuxième et la troisième partie développent comment fonctionnent les systèmes immunitaires naturels et artificiels, et des exemples d’utilisation des systèmes immunitaires artificiels sont présentés. Quelque domine d’application seront développé dans la quatrième partie, plus les algorithmes d’apprentissage immunitaire pour la reconnaissance et la classification qui seront l’objectif de la partie application. La partie expérimentation qui discute les résultats obtenus d’une part en utilisant les SIA (systèmes immunitaire artificiel) et d’autre part en utilisant les algorithmes génétiques pour le choix des meilleurs paramètres pour l’apprentissage et la création de la population de cellules B, est proposée en partie cinq. Ainsi la comparaison de nos résultats avec celles obtenues par les SVM (supports vecteurs machines). Nous clorons ce mémoire, par une conclusion qui synthétise le travail réalisé. Application des Systèmes Immunitaires Artificiels aux images médicales 2 Imagerie Médicale Imagerie Médicale I Imagerie Médicale 1. Introduction Des millions d'images médicales sont produites chaque année dans le monde pour établir un diagnostic ou contrôler une action thérapeutique. Ces images proviennent principalement du tomodensitomètre à rayons X ou scanner, de l'imagerie par résonance magnétique ou IRM, de l'imagerie ultrasonore ou échographie, ou bien de l'imagerie de médecine nucléaire ou scintigraphie. Les images médicales fournissent des informations sur la forme et le fonctionnement des organes du corps humain. Malheureusement, ces informations sont extrêmement difficiles à exploiter de manière quantitative et objective. En effet, bien que les images soient originellement numériques, leur examen est typiquement réalisé en observant sur un support analogique (un film), une succession de coupes bidimensionnelles (2-D). Le résultat est généralement purement qualitatif et subjectif. La création de logiciels dédiés à l'analyse d'images médicales doit permettre d'optimiser leur exploitation, pour le plus grand bénéfice du patient et du médecin. Nous présentons dans ce chapitre les potentialités offertes par le traitement informatique des images médicales, puis les techniques appliquées en traitement d’images. Application des Systèmes Immunitaires Artificiels aux images médicales 4 Imagerie Médicale 2. Modalités d’acquisition d’images médicales Nous allons maintenant voir les méthodes les plus répandues d’acquisition des images médicales : 2.1. Radiographie Conventionnelle Ou Standard Consiste à projeter sur un film radio sensible du rayon X en interposant la partie du corps que l’on veut étudier. Les rayons X ne sont pas absorbés de la même façon par les différents tissus, et si certains sont radio opaques (ils absorbent tous les rayons X, comme les os par exemple), d’autres sont transparents (ils laissent passer quasiment tous les rayons X jusqu’au film, comme la peau par exemple) [1]. L’image obtenue correspond donc à une ombre chinoise d’un objet. Si les os et les tissus mous se différencient très bien, le contraste n’est pas formidable entre les différents tissus mous, pour lesquels les coefficients d’absorption des rayons X sont relativement proches. Cette modalité est généralement utilisée dans le cadre des pathologies du squelette, du thorax et du tube digestif [2]. La dernière évolution de la radiographie standard est la numérisation permettant de diminuer encore les doses de rayons X utilisés, d'obtenir des images de qualité parfaite pouvant être étudiées par traitement informatique, d'où l’avantage de transmission des données et des images à distance (via Internet par exemple), suppression à terme des films radiologiques dans un avenir plus ou moins proche. [3] FIG1.1: Radiographie pulmonaire FIG1.2: Estomac opacifié pulmonaire 2.2. Tomodensitométrie ou Scanner X: Scanographie La Tomodensitométrie (TDM) ou Scanner est un tube à rayon X qui tourne autour du patient. Le film est remplacé par des capteurs numériques et l'image est reconstruite par Application des Systèmes Immunitaires Artificiels aux images médicales 5 Imagerie Médicale ordinateur. Des coupes séries sont obtenues réalisant pratiquement des coupes anatomiques du corps humain. Depuis 1975, plusieurs générations de techniques de scanner se sont succédées. Le scanner de dernière génération est dit à rotation continue. Cette rotation continue du statif permet l'obtention de très nombreuses coupes dans des délais raccourcis. La quantité de données lentes numériques obtenue, associée à des ordinateurs puissants permet des reconstructions multi planaires et même tridimensionnelles. De plus, lorsqu'on utilise un produit de contraste iodé, les coupes sont réalisées selon un mode hélicoïdal permettant une réduction des doses de contraste et une opacification pratiquement visible sur toutes les coupes. C'est en 1975, que la firme Anglaise EMI en collaboration avec le Docteur HOUNSFIELD, propose le premier scanner à rayon X. Très rapidement cette nouvelle méthode radiologique s'impose en neuroradiologie. Elle remplace petit à petit des examens coûteux et dangereux (encéphalographie, etc. ...). L'apparition de L'IRM n'a pas fait diminuer l'intérêt diagnostique du scanner notamment avec le scanner de dernière génération. Le scanner est une aide précieuse dans les indications neurologiques suivantes : syndromes tumoral localisé à la convexité, traumatologie aiguë, lésions vasculaires, maxillofaciales. Par ailleurs, pour le corps entier, le scanner est utilisé dans les cas de : pathologie non tumoral du squelette, pathologie pulmonaire, pathologie pancréatique, les pathologies abdominales (Reins, tumeur ou abcès ou kyste de foie), surveillances post-opératoires, les mesures orthopédiques (genoux, bassins), pathologie surrénalite, Les pelvimétries (avant les accouchements), les nouvelles techniques d'endoscopie virtuelle et enfin pour la dosimétrie en radiothérapie. [4] FIG1.3: Coupe axiale de la tête Pulmonaire. FIG1.4 : Coupe passant par le foie, la vésicule biliaire, le pancréas, le rein gauche et la rate. Application des Systèmes Immunitaires Artificiels aux images médicales 6 Imagerie Médicale FIG1.5: Scanner à rayon X. 2.3. Scintigraphie Et Gammagraphie Dans l’image scintigraphie, la source à l’origine de l’image est contenue dans le patient après y avoir été introduite. C’est de la nature de l’isotope et de sa bio distribution que dépendra l’image. Si la fixation de l’isotope est osseuse on aura une image scintigraphie osseuse, si la fixation est hépatique on aura une scintigraphie hépatique. La fixation peut ne pas être homogène et on parlera alors d’hyper ou d’hypofixation. Généralement une hypofixation traduit une dé vascularisation et une hyperfixation un processus tumoral ou inflammatoire. L’intérêt de la scintigraphie dans ce contexte est surtout sa grande sensibilité. Certains marqueurs isotopiques sont maintenant capables de se fixer non pas sur un organe mais sur une lésion. Ces scintigraphies sont alors très spécifiques d’une affection. [5][2] FIG1.6: Image scintigraphie. FIG1.7 : TEP : Tomographie par Emission de Positions Application des Systèmes Immunitaires Artificiels aux images médicales 7 Imagerie Médicale 2.4. Echographie L'échographie, technique d'imagerie médicale encore récente est apparue il y a une vingtaine d'années et tient une place importante au côté de la radiographie conventionnelle, du scanner et de l'IRM, dans le cadre du diagnostic, utilise des ondes ultrasonores. Ces derniers ont une fréquence élevée de 3 à 10MHZ en échographie médicale. Elles se propagent bien dans les liquides ou dans les semi solides (notamment les parenchymes). Le principe est le même que pour un sonar de sous marin : un ultrason est émis et on mesure le temps qui met l’écho à revenir à la source ; ceci permet de calculer la distance à l’obstacle lorsqu’on connaît la vitesse de déplacement des ondes sonores dans le milieu observé (L’eau, les tissus organiques). Sur le plan pratique, on promène une sonde sur la région à examiner après avoir appliqué sur la peau un gel qui permet de supprimer la présence d'air entre la sonde et la peau (l'air empêche la transmission des ultrasons). L'examen dure 15 à 30 mm. La sonde que l'on applique sur la peau est faite de plusieurs émetteurs disposés côte à côte. Quand l'un d'entre eux émet un ultrason, celui-ci pénètre donc les tissus jusqu'à ce qu'il soit arrêté par une structure, et réfléchi. Il est alors renvoyé en direction de la sonde comme un faisceau lumineux par un miroir. Plus la structure est éloignée, plus il mettra de temps à revenir. L'ordinateur contenu dans la machine converti ce temps en distance par rapport à la sonde. Il indique alors par un point sur une ligne où se trouve la structure en question, à la distance calculée en y associant un niveau de gris. Les autres émetteurs contigus sur la sonde génèrent plusieurs lignes parallèles les unes aux autres. Elles couvrent ainsi tout l'écran. La machine construit à partir de ces traits un dessin formé de milliers de points qui représente une coupe de l'endroit où l'on a placé la sonde. Les liquides simples, dans lesquels il n’y a pas de particules en suspension, se contentent de laisser traverser les sons. Ils ne se signalent donc pas par des échos. Ils seront noirs sur l'écran. Les liquides avec particules, les nobles, le sang, le mucus, contiennent de petits échos. Ils apparaîtront donc dans les tons de gris, plus ou moins homogènes. Les structures solides, l'os par exemple, captent et renvoient beaucoup les échos. Ils n'en laissent passer que très peu. On verra donc une forme blanche avec une ombre derrière. Une Application des Systèmes Immunitaires Artificiels aux images médicales 8 Imagerie Médicale exception cependant, la voûte crânienne, très fine et perpendiculaire aux échos, elle en laisse passer. Le gaz et l’air, c'est comme l'os, très blanc, pour cette raison, le médecin enduit le ventre de gel évitant ainsi que des bulles d’air ne s’interposent entre la sonde et votre peau, parce qu’alors on ne pourrait plus rien voir. L'échographie a déjà bénéficié de nombreux progrès depuis sa découverte; par exemple, couplée aux techniques Doppler (utilisant aussi des ultrasons) afin de permettre la visualisation des parties en mouvement, d'étudier par exemple les flux sanguins dans les artères et les veines, dans les organes ou dans les tumeurs, sous forme spectral et/ou sous forme chromatique (les flux sont colorés différemment à l'écran, selon leur intensité et leur direction). On émet un son, celui ci devient plus aigu au fur et à mesure qu’il s’approche (en raccourcissant artificiellement la longueur d’onde du signal sonore), et de plus en plus grave au fur et à mesure qu’il s’éloigne (en allongeant artificiellement la longueur d’onde du signal sonore) : ce phénomène est connu sous le nom d’effet Doppler [6]. L’échographie fournit des images très utiles du foie, de la rate, des reins, de la thyroïde, de la prostate et des organes génitaux. Le tube digestif, les poumons ou l’os ne peuvent pas être imagés correctement (à cause des propriétés de propagation et de réflexion des ondes ultrasonores dans ces milieux). En effet, l’échographie est une technique idéale pour suivre l’évolution de l’embryon et du foutus dans le ventre de sa mère. Elle permet souvent un diagnostic rapide de maladie qui nécessitait auparavant des méthodes d'investigations plus lourdes ou moins précises (calcul vésiculaire, tumeur hépatique, rénale, malformations fœtale). On entrevoit ainsi les multiples avantages qu'offre cette technique : simplicité et rapidité d'exécution, innocuité totale du fait de son caractère non invasif : pas d'injection ni de ponction mais aussi et surtout en l'absence de rayonnement ionisant, il est possible de reproduire ces examens aussi souvent que nécessaire sans aucun risque. [5][7] Application des Systèmes Immunitaires Artificiels aux images médicales 9 Imagerie Médicale FIG1.9: Imageur échographique FIG1.8: Echographie de la vésicule. 2.5. IRM (Imagerie par Résonance Magnétique) Si l’échographie s’est surtout développée parce qu’elle est pratique et peu coûteuse, l’imagerie par résonance magnétique a connu un essor prodigieux ces dernières années grâce à la qualité et la diversité des images qu’elle offre au praticien. Cette technique est fondée sur le principe de la résonance des atomes d’hydrogène sous l’action de certaines ondes radiofréquences. Le phénomène de résonance magnétique nucléaire (RMN) a été observé par Purcell Bloch en 1946 (Prix Nobel de physique en 1952) et appliqué à l’anatomie humaine il y a une vingtaine d’années. Elle fut tout d’abord utilisée pour des applications en chimie permettant de fournir des renseignements inégalables sur la structure des molécules, des liaisons chimiques, ou encore le taux de réaction des substances examinées. Ces renseignements associés à un processus de reconstruction spatiale, ont permis d’aboutir en 1977 aux premières images du thorax humain ; malgré les prévisions pessimistes de la plus grande partie de communauté de la chimie physique. La constitution de l’image IRM repose sur l’interaction d’un champ magnétique et d’une radiofréquence sur l’orientation des atomes d’hydrogènes (protons). L'appareil est constitué d'un tunnel formé d'un aimant très puissant (0,1 à 1,5 Tesla) entourant le lit d'examen sur lequel s'allonge le patient, Des antennes spécifiques y sont connectées, certaines émettent une onde radiofréquence qui excite ou stimule les noyaux Application des Systèmes Immunitaires Artificiels aux images médicales 10 Imagerie Médicale d'hydrogène contenus dans l'eau composant nos cellules (près de 80% du poids corporel est constitué d'eau). Après arrêt de la stimulation (qui dure à peine quelques millisecondes) les atomes d'hydrogène restituent cette énergie qui se dissipe dans différents plans de l'espace sous l'action du champ magnétique de l'aimant. L'énergie est alors captée par d'autres antennes dites antennes réceptrices puis analysée par un puissant ordinateur qui construit alors une véritable carte énergétique de la partie du corps étudiée. Suivant la composante en eau des tissus analysés, leurs vascularisations et leurs pathologies éventuelles, les images seront différentes et l'ordinateur réalise des images en noir et blanc d'une très grande sensibilité et très précieuses pour le diagnostic, notamment en matière de pathologie tumorale ou infectieuse. Il est ainsi possible de réaliser des coupes dans tous les plans de l'espace et pratiquement de n'importe quelle partie du corps humain comme si l'on effectuait une étude à ciel ouvert sans bien entendu toucher le malade. L'onde radiofréquence est d'une totale innocuité, parfaitement indolore et le patient ne ressent absolument rien. L'inconvénient majeur réside dans le fait que le patient doit respecter une stricte immobilité pendant toute la durée de l'examen (environ une quinzaine de minutes) et que par ailleurs le fait d'être enfermé dans un tunnel est parfois difficile à supporter pour certaines personnes en particulier les claustrophobes. L’IRM est devenu un outil privilégié dans le domaine de l’étude du cerveau (pour lequel l’émergence des technique d’IRM fonctionnelle offre la possibilité de cartographier l’activité du cerveau), du rachis (recherche d'une hernie discale, pathologie traumatique ...), de pathologies ostéo-articulaires (exploration de la plupart des articulations : épaules, coudes, poignets, hanches, genoux, chevilles), pathologies génito-urinaires (tumeur des voies urinaires, des reins, des ovaires, de l'utérus, de la prostate, du sein ..), pathologies digestives (exploration du foie, du pancréas, des voies biliaires...), des artères (étude des vaisseaux du cou, des membres, de l'abdomen, du thorax), pathologies thoraciques (le médiastin). On peut parler aussi de l’IRM de diffusion qui utilise le mouvement fluide dans les tissus. Application des Systèmes Immunitaires Artificiels aux images médicales 11 Imagerie Médicale Cette technique permet de connaître rapidement les zones ischémies (mal irriguées par le sang) à la suite d’un accident vasculaire cérébral, d’étudier l’organisation des fibres nerveuses dans le cerveau. [8] FIG1.10: Imageur IRM FIG1.11: IRM du cerveau FIG1.12: IRM thoracique (Cancer du poumon) 3. Systèmes d'aide a l'interprétation des images médicales Le rôle d'un système d'aide à l'interprétation d'images médicales est de fournir au médecin des informations symboliques de haut niveau sur le contenu de l'image. Dans un but d'aide au diagnostic, ces informations doivent expliciter les différentes régions d'intérêt ainsi que les aspects pathologiques des structures présentes dans l'image. Application des Systèmes Immunitaires Artificiels aux images médicales 12 Imagerie Médicale L’analyse d’une image médicale s’effectue généralement par une série de transformations qui forment la chaîne de traitement de l’image (fig14). Cette chaîne n’est pas du tout mondiale et chaque phase est contraigne par une connaissance a priori spécifique du domaine que l’on traite. L’interprétation correspond à la dernière étape de cette chaîne de traitement. Elle est à la fois influencée par les traitements qui ont été effectués précédemment (éventuellement complexes ou partiellement résolus) et par le but final (recherche de pathologies, évocation de syndromes, aide au diagnostic). Il existe deux techniques majeures pour analyser l’image : 1ère technique : les objets sont comparés à un objet parfaitement définit, le but à atteindre est la reconnaissance de la forme qui correspond à notre objet analysé. Cette technique est excessivement employée dans le domaine de reconnaissance des formes. 2ème technique : consiste en l’analyse paramétrique de l’objet, ensuite un classement se fera suivant ces paramètres. [9] 4. Cadre général de l'interprétation d'images médicales Un système d'interprétation d'images numériques peut être divisé en plusieurs étapes. Une phase de prétraitements qui suit l'acquisition et la numérisation de l'image. Elle consiste essentiellement à éliminer une quantité importante de "bruits". La phase de segmentation consiste à isoler les uns des autres les éléments présents dans l'image. Suite à cette étape, vient l’étape de l’interprétation qui vise à détecter et reconnaître les objets recherchés dans le but d’aider le médecin dans son diagnostic d’une maladie. [9] Autrement dit, en analyse d’image, on distingue les traitements de bas niveau et les traitements de haut niveau. Cette distinction est liée au contenu sémantique des entités traités et extraites de l’image. Les traitements de bas niveau opèrent plutôt sur des données de nature numérique sans pour autant faire la liaison avec la réalité qu’elles représentent. Par exemple, la segmentation est un traitement de bas niveau. Par contre, les traitements de haut niveau s’appliquent à des entités de nature symbolique associées à une représentation de la réalité extraite de l’image, ils sont relatifs à l’interprétation et la compréhension de l’image. Application des Systèmes Immunitaires Artificiels aux images médicales 13 Imagerie Médicale Segmentation La chaîne de traitement est décrite par la représentation schématique suivante : Prétraitement Numérisation Acquisition Image restaurée Image numérisée Capteur Régions isolés Image interprétée Scène Description paramétrée Extraction des paramètres FIG1.13: La chaîne de traitement et d’analyse des images 4.1. L’acquisition L'étude de cette étape passe immanquablement par le système d'acquisition qui fait référence : l’œil. En médecine, on utilise des images IRM, scanner X, échographie, scintigraphie etc. L'une des caractéristiques intéressantes de ces capteurs est la taille du plus petit élément (pixel) mais aussi l'inter corrélation de deux éléments voisins : plus cette inter corrélation est faible, meilleure est l'image. 4.2. Numérisation La numérisation est la conversion d'un objet réel en une suite de nombres permettant de représenter cet objet en informatique ou en électronique numérique. On utilise parfois le terme anglais digitalisation (digit signifiant chiffre en anglais). La numérisation est une des manières de créer des données à traiter, elle est basée sur l’analyse intégrale d’un support d’information, la suite de nombre obtenu est en général stockée dans un fichier, C'est souvent cette étape qui limite Application des Systèmes Immunitaires Artificiels aux images médicales 14 Imagerie Médicale la résolution de l’image. La numérisation consiste à générer à partir d'une image un signal analogique puis à le transformer en données numériques. La numérisation peut se décomposer en 3 opérations principales [10] : Le découpage de l'espace à étudier en pavés réguliers de la surface x, y à étudier (on parle également d'échantillonnage de l'espace de départ).Chacun d’eux est appelé pixel et est repéré par ses coordonnées x et y. Quantification : Une fois l’échantillonnage réalisé, chaque échantillon (pixel) devrait retourner un attribut qui représente le niveau de quantification, c’est le résultat de la conversion de la mesure en une valeur discrète (entière). Elle fixe le nombre de niveaux possibles pour chaque pixel de l’image (niveaux souvent interprétés comme des niveaux de gris) Le codage de l'information (en niveaux de gris ou en couleurs) reçue par le Capteur en chaque point en données numériques (finies), donc Le codage d'une image revient à coder les caractéristiques de chaque pixel selon des règles définissant à la fois la topographie et la valeur de ce pixel. Une image numérique est donc composée d'unités élémentaires (appelé pixel) qui représentent chacune une portion de l'image. Une image est définie par : le nombre de pixels qui la compose en largeur et en hauteur (qui peut varier presque à l'infini). les teintes de gris ou des couleurs que peut prendre chaque pixel. [10] 4.3 Prétraitement Elle a pour but de faciliter la segmentation en renforçant la ressemblance entre pixels appartenant à une même région, ou en accentuant la dissemblance entre pixels appartenant à des régions différents. Parmi les méthodes de prétraitement, on trouve [11] : Modification d’histogramme : consiste à améliorer l’image en lui appliquant une transformation ponctuelle d’intensité. A tout pixel d’intensité i on associe une intensité j=T (i).La transformation T est choisie croissante, de façon à conserver les contrastes Application des Systèmes Immunitaires Artificiels aux images médicales 15 Imagerie Médicale relatifs entre régions (une région claire sur un fond sombre apparaîtra plus clair que le fond dans l’image transformée). Du fait de leur caractère ponctuel, les méthodes de transformation d’histogramme n’affectent pas la forme des régions. Elles en modifient uniquement l’apparence visuelle. Réduction de bruit (le filtrage) : les régions formant l’image sont caractérisées par leur intensité moyenne. Les fluctuations autour de cette intensité moyenne peuvent provenir soit du dispositif d’acquisition soit de la scène elle même (poussières, rayures). Elles constituent des perturbations qui affectent la qualité de segmentation et sont généralement désignées sous le terme de bruit d’image. L’objectif est par conséquent de réduire l’amplitude des variations d’intensité dans chaque région, tout en conservant les transitions entre régions adjacentes. Rehaussement de contraste : le but de la précédente méthode est de réduire les fluctuations d’intensité à l’intérieur d’une même région, sans perturber, par élargissement, la zone de transition marquant la frontière entre régions. Il arrive cependant que la transition entre régions soit floue, c’est à dire, qu’elle s’étale sur plusieurs pixels. Ceci se produit dans le cas de bougés (objets ou caméra mobiles) ou de défiscalisation de la caméra. La cause peut également en être le processus physique de formation de l’image (phénomène de diffraction en radiographie X ou échographie ultrasonore). Rehausser le contraste de l’image consiste à diminuer l’étendue de la zone de transition sans affecter l’intensité moyenne des régions situées de part et d’autre, cela limite ainsi le risque de fusion intempestive de régions distinctes lors de la phase de segmentation. L’opérateur de rehaussement de contraste réduire le bruit dans zones de transition et éviter les phénomènes de dépassement [11]. 4.4 Segmentation La segmentation d’images consiste à extraire des points, des lignes ou des régions, qui sont ensuite utilisées comme des données dans une tache complémentaire. Elle demeure l’un des problèmes principaux de l’analyse d’images. Les approches proposées pour résoudre le problème de la segmentation de manière automatique sont extrêmement variées. La segmentation est une tâche rendue difficile dans les images de qualité médiocre par le trop faible contraste ne permettant pas de distinguer clairement les différentes structures et la présence de bruit perturbant les données. Application des Systèmes Immunitaires Artificiels aux images médicales 16 Imagerie Médicale D’une manière très générale on peut classer les outils de segmentation selon trois grandes catégories .L’approche région extrait à partir de l’image seule une information pertinente tandis que l’approche par modèle fait intervenir une modélisation de l’image ou de la donnée recherchée. L’approche région, fondées sur la recherche de discontinuités locales, consiste à appliquer des opérateurs travaillant sur les intensités de l’image. On peut classer dans cette catégorie le seuillage et ses différents raffinements, les opérations morphologie mathématiques et les approches par croissance de régions. Ces opérations conduisent à des transformations de l’image mais ne permettent pas l’interprétation ou la modélisation des informations contenues. À partir de la connaissance dont on dispose sur les données traitées, l’approche par contours. Cherche à détecter des zones de l’image présentant des caractéristiques d’homogénéité (extraction de région). Dans le processus de segmentation une information a priori sur les structures recherchées. Il peut s’agir d’une information sur la forme des objets, leur régularité, leur texture, l’environnement et les conditions d’acquisition de l’image etc. [12] FIG1.14: Segmentation d’image médicale 4.5 Reconstruction 3D La reconstruction 3D est souvent nécessaire pour des applications en robotique. C’est le processus qui permet de représenter l’information tridimensionnelle à partir des données bidimensionnelles. Cette information peut être déterminée en se servant des résultats des deux procédures, la mise en correspondance et la calibration. Application des Systèmes Immunitaires Artificiels aux images médicales 17 Imagerie Médicale 4.6 Reconnaissance et Classification C’est la dernière étape de la chaîne d’analyse d’image médicale, elle dépend grandement des étapes précédentes et particulièrement la phase de segmentation. Elle consiste à attribuer une certaine sémantique à l’image spécifique au domaine que l’on traite (ex. tumeur dans le domaine neurologique) en se basant à priori sur la connaissance du médecin expert. En d’autre terme, elle permet d’assigner des étiquettes descriptives et sémantiques à chaque région détectée de l’image. Cette étiquette (ex pathologie tumorale ou infectieuse) est déterminée par le calcul d’un certain nombre d’attributs de forme (surface, périmètre) ou de caractéristique colorimétriques (niveau de gris moyen, variance des niveaux de gris) bien définies, extraits de la connaissance de l’expert du domaine. En d’autre terme, cette phase permet de simuler l’activité du médecin spécialiste, en conséquence lui donne une aide très précieuse pour le diagnostique. Pour cette raison, cette phase pourrait être un système de classification basée sur des connaissances parfaitement définies et spécifiques aux pathologies que l’on traite [13]. Classification La classification est une séquence classique d’actions pour une application de reconnaissance de forme permettant [13] : Le regroupement et prétraitement des données, L’extraction des caractéristiques, La classification proprement dite. La classification est le processus qui assigne une entité inconnue à une classe, ce qui inclut tous les algorithmes de pris de décision basés sur l’assignation à une classe à partir d’un ensemble de mesures (attributs, caractéristiques). Considérant que tous les objets d’une même classe partagent des attributs similaires et donc des vecteurs de caractéristiques similaires, la conception du classificateur (le processus qui assigne le vecteur de caractéristiques à une classe) implique la partition de l’espace des paramètres selon des attributs représentatif pour chacune des classes. Application des Systèmes Immunitaires Artificiels aux images médicales 18 Imagerie Médicale 5. De nouveaux outils pour le diagnostic Le traitement automatique des images médicales peut également offrir un ensemble de nouveaux outils d'aide au diagnostic. Parmi ceux-ci, on peut citer : L’extraction de paramètre quantitatif objectif sur les formes et leurs textures. Ceci doit pouvoir être appliqué à n’importe quelle structure anatomique ou pathologique en trois dimensions. Classification d’images : Il s'agit d'apporter une aide au diagnostic au médecin, en proposant de retrouver dans une base d'images médicales des images visuellement voisines des images dont il dispose à la suite d'examens. A chaque image est associe des signatures basées sur des informations globales, après segmentation, et extraction de caractéristiques particulières des images [14]. La détection de changements entre deux images : consiste à offrir au médecin une détection automatique et une mesure quantitative de tous les changements apparus entre deux images acquises avec la même modalité sur le même patient à deux instants différents afin d’établir un diagnostic plus précis, et aussi évaluer l'efficacité d'un traitement thérapeutique. La fusion d'informations provenant de plusieurs modalités : vise à exploiter les différentes images médicales du même patient provenant de modalités d'imagerie différentes, simultanément en les superposant dans un référentiel commun [15]. La comparaison des images de même modalité de deux patients différents : permet de comparer la nature et la gravité de pathologies similaires, ou bien d'extraire des images présentant certaines similitudes dans une base de données d'images. [14] 6. La maladie du cancer 6.1. Qu'est-Ce Que Le Cancer ? La vie commence toujours à l'intérieur d'une cellule qui se divise et se multiplie avant de se spécialiser. Les cellules normales fonctionnent entre elles de manière synchrone et harmonieuse. Elles se rassemblent pour former des tissus bien différenciés qui formeront euxmêmes les organes du corps. La maladie cancéreuse apparaît lorsqu'une partie des cellules Application des Systèmes Immunitaires Artificiels aux images médicales 19 Imagerie Médicale normales commence à se transformer et à se diviser de façon anarchique pour devenir malignes ou dangereuses. Si les mécanismes de défense du corps ne sont pas capables de détruire ces cellules malades, leur nombre continue d'augmenter pour former une tumeur, tout d'abord bien délimité. Avec le temps, cependant, la tumeur va envahir les tissus voisins pour les détruire progressivement. Les cellules cancéreuses peuvent également utiliser la voie lymphatique ou sanguine pour atteindre des régions du corps très éloignées de leur point de départ, où elles formeront de nouvelles tumeurs appelées métastases. Le mot "cancer" est un terme générique qui' désigne près de 150 types de tumeurs différentes affectant les divers organes du corps, le tissu myéloïde (ou moelle osseuse) qui fabrique les cellules du sang ainsi que le système lymphatique [16]. . 6.1.1. Division Cellulaire Normale FIG1.15: Division cellulaire normale [17]. Application des Systèmes Immunitaires Artificiels aux images médicales 20 Imagerie Médicale 6.1.2. Division Cellulaire Anarchique Dérégulation cellulaire Prolifération Invasion locale Anarchique Formation développement La néo vascularisation et installation des métastases FIG1.16: Division cellulaire anarchique [17]. 6.2. Les Tumeurs Du Cerveau Les tumeurs du cerveau sont des proliférations de cellules dans le cerveau et dans la moelle épinière. On distingue à ce propos les tumeurs primaires, qui se forment dans le cerveau, des métastases d'autres tumeurs qui s'y développent. Les diverses tumeurs du cerveau sont cataloguées selon le type de cellules et de tumeurs [18]. FIG1.17: La boîte crânienne Application des Systèmes Immunitaires Artificiels aux images médicales 21 Imagerie Médicale 6.2.1. Tumeur cérébrale primaire et tumeur cérébrale métastatique ou secondaire, la différence ? Les tumeurs cérébrales primaires sont celles qui se développent dans les cellules spécialisées qui constituent le cerveau et son enveloppe. Les tumeurs cérébrales métastatiques proviennent d'un autre organe tel que les poumons, les seins, les reins ou la peau. 6.2.2. Tumeurs Cérébrales Bénignes Et Tumeurs Cérébrales Malignes Les tumeurs cérébrales bénignes sont constituées de cellules qui croissent lentement et qui, à l’analyse microscopique n’ont pas de caractère d’activité importante. Elles sont bien différenciées, envahissent peu ou pas les tissus voisins. Une tumeur cérébrale bénigne peut être soit simplement surveillée radiologiquement soit être extirpée chirurgicalement complètement ou de façon partielle. Si une tumeur bénigne n'est pas complètement enlevée, elle peut récidiver [18] . Les tumeurs cérébrales malignes, classées « cancéreuses », définissent certaines tumeurs primaires ainsi que toutes les lésions cérébrales métastatiques. Les tumeurs malignes, en général, sont peu différenciées, grossissent beaucoup, évoluent plus rapidement. La propriété la plus importante d'une tumeur maligne est sa capacité, d'une part, à envahir les tissus proches, d'autre part, à se disséminer dans les organes éloignés ; cette dissémination à distance, par la circulation sanguine ou lymphatique, est appelée métastase. La nouvelle tumeur qui en résulte, appelée également métastase, se met à évoluer pour son propre compte [18]. Ces tumeurs croissent donc rapidement et peuvent envahir et endommager les structures cérébrales importantes. Elles peuvent être traitées par la chirurgie, la radiothérapie, la chimiothérapie ou la combinaison de celles-ci. En réalité, la différence entre tumeur bénigne et tumeur maligne n'est pas toujours aussi tranchée (il existe par exemple des variétés de cancer qui ne métastasent pas). Application des Systèmes Immunitaires Artificiels aux images médicales 22 Imagerie Médicale 6.2.2.1 Les Types De Tumeurs Chez les enfants Les tumeurs cérébrales représentent un quart de l'ensemble des tumeurs de l'enfant. Il est également possible de découvrir des tumeurs chez le nourrisson. La localisation peut se faire à n'importe quel endroit de l'encéphale, contrairement à la notion longtemps admise. Les variétés de tumeur cérébrale chez l'enfant sont [19] : • Les astrocytomes (40 à 50 %) dont la localisation peut se faire au niveau du cervelet, des hémisphères cérébraux, des ventricules (cavité contenant le liquide céphalorachidien à l'intérieur du cerveau), des noyaux gris ou autres localisations. IL s’agit d’une tumeur bénigne. • Les médulloblastomes (15 à 20 %) se situent généralement dans la région du cervelet. La tumeur de ce type est maligne, elle comprend les récidives et des localisations secondaires. • Les épendymomes (8 à 10 %) se localisent essentiellement dans la région du cerveau ou au-dessous. La tumeur de ce type est maligne, elle s'accompagne de récidives et de localisations secondaires. • Les craniopharyngiomes (5 à 10 %) de localisation au niveau de la selle turcique (cavité contenant l'hypophyse). Leur pronostic est bon mais comprend des récidives et s'accompagne parfois de troubles hormonaux. • Les gliomes du tronc cérébral sont des tumeurs malignes qui se voient chez l'enfant et l'adulte jeune. Ces lésions sont très infiltrantes. Chez les Adultes Les tumeurs intracérébrales, en général malignes [20] : • Les tumeurs cérébrales primitives les plus fréquentes sont les gliomes, issus des cellules gliales entourant les neurones. Les gliomes sont répartis en plusieurs groupes selon le type de cellules gliales : - Les Gliomes mixtes contiennent plusieurs types de cellules gliales. - Les Gliomes du tronc cérébral. - Les Gliomes du nerf optique. Il existe plusieurs grades pour définir l’activité des cellules tumorales. Ils vont de I à IV. Application des Systèmes Immunitaires Artificiels aux images médicales 23 Imagerie Médicale * Astrocytomes bénins histologiquement mais très infiltrants et lentement évolutive; Tumeur du système nerveux central qui entre dans le cadre des gliomes ou tumeurs gliales, de grade I et II, en principe bénigne ou peu maligne, souvent de pronostic indéterminé. Les astrocytomes s’observent chez des sujets dont l’âge moyen est 40 ans. Ils se présentent comme des formations gris bleuâtre assez fermes, au sein de la substance blanche du cerveau, les Astrocytomes représentent le type le plus fréquent. Ils se développent à partir de cellules appelées astrocytes ; * Glioblastome malins, Tumeurs du système nerveux central entrant dans le cadre des gliomes, de grade IV, les glioblastomes sont les véritables cancers du cerveau, relativement fréquents (20 % de toutes les tumeurs intracrâniennes) et hautement malins. Survenant entre 50 et 70 ans, les glioblastomes forment des masses molles, riches en vaisseaux sanguins, de 3 à 10 cm de diamètre, de couleur vineuse, hétérogènes avec des zones compactes actives et des zones de nécrose étendues. • Paragliomes (épendymome, kystes colloides, papillomes des plexus choroides, pinéalomes) ; * Les Ependymomes se développent à partir de cellules qui tapissent les ventricules cérébraux, le plus souvent le 4ème ventricule. • Les Tumeurs neuroectodermales primitives sont plus fréquentes chez les enfants et les jeunes adultes. Elles ont pour origine des cellules peu différenciées que l’on retrouve au stade embryonnaire. Elles se nomment * Médulloblastome. * Neuroblastome. * Pinéoblastome. • Métastases cérébrales (bronches surtout mais aussi sein, rein, mélanome, rectum, estomac, thyroïde, organes génitaux). Est-il possible de prévenir les tumeurs cérébrales? Application des Systèmes Immunitaires Artificiels aux images médicales 24 Imagerie Médicale Aucun conseil de prévention ne peut être proposé afin de prévenir l'apparition de tumeur cérébrale primaire. Par ailleurs, les risques de développer une tumeur secondaire ou métastatique peuvent être diminués si la tumeur initiale (poumon, sein ou rein), est dépistée et soignée à temps 6.2.2.2 Quels sont les traitements - La Chirurgie Elle est régulièrement utilisée dans le traitement des tumeurs primaires. Elle peut être effectuée sous anesthésie générale sauf lorsqu’elle est pratiquée en condition stéréotaxique. Elle peut avoir différents objectifs [20] : • à but diagnostic : elle vise à déterminer le stade et le type de tumeur. Il s’agit d’une biopsie. - Biopsie stéréotaxique : elle se fait sous anesthésie locale - Biopsie «à ciel ouvert» : • à but thérapeutique : la chirurgie consiste à enlever toute ou partie de la tumeur. On parle alors d’exérèse totale ou partielle. - La Radiothérapie Elle est fréquemment utilisée dans le traitement des tumeurs cérébrales. Elle consiste à diriger des faisceaux de radiation directement sur la tumeur et son pourtour [21]. - La Chimiothérapie Ce traitement consiste à administrer de puissants cytotoniques selon des modalités très précises. Ils peuvent être donnés sous forme de comprimés ou par injection par voie intraveineuse [21]. - Les Traitements médicamenteux Certains médicaments sont régulièrement associés aux traitements précédemment décrits. Les plus communs sont les corticoïdes et les anticonvulsivants. Application des Systèmes Immunitaires Artificiels aux images médicales 25 Imagerie Médicale 7. Conclusion Ces deux dernières décades ont vu une apparition de plusieurs modalités d’imagerie médicales qui permet d’observer l’anatomie et des processus fonctionnels. Ces modalités incluent le Scanner X, l’IRM (Imagerie par Résonance Magnétique), l’angiographie numérique, etc. Elles produisent des informations anatomiques (c’est-à-dire structurelles) et physiologiques (c’est-à-dire fonctionnelles) complémentaires sur un même sujet. Ces images, tant sur le plan du diagnostique que sur celui de la thérapeutique (contrôle du positionnement d’un patient lors d’une séance d’irradiation), deviennent de plus en plus incontournables. Analyser une image médicale est un procédé long et délicat pour un opérateur humain. Par contre, d’un point de vue informatique, le traitement et l’analyse automatiques des images ont donnés cependant lieu à un certain nombre d’applications automatique ou semi automatique dans le but d’aider le médecin ; délimitation de zones d’intérêt, visualisation de structures 3D, évaluation quantitative des dimensions des organes, localisation d’anomalie, suivi de l’évolution des pathologies, etc. En d’autre terme, l’informatique a fait évoluer la médecine dans le bon sens avec les autres sciences, et devient de plus en plus une partie intégrante de la médecine actuelle. Parmi les nouveaux systèmes de traitement d’images, on trouve les systèmes immunitaires artificiels (SIA). SIA s'inspire du système immunitaire afin de construire un nouvel outil informatique pour la classification des images médicales. Les théories de base des systèmes immunitaires biologiques et les systèmes immunitaires artificiels sont expliqués dans les chapitres suivants. Application des Systèmes Immunitaires Artificiels aux images médicales 26 Les Systèmes Immunitaires Naturels Les Systèmes Immunitaires Naturels II Les Systèmes Immunitaires Naturels 1. Introduction Le système immunitaire est un moyen de défense remarquable qui existe chez de très nombreux organismes comme les insectes, les plantes …etc. Mais dont la forme la plus évoluée est retrouvée chez les vertébrés supérieurs. Il consiste en un ensemble de moyens (organes, tissus, cellules et molécules) permettant de répondre rapidement, de façon souvent spécifique et efficace contre les nombreux pathogènes auxquels nous sommes confrontés. En effet notre organisme est en contact permanent avec des pathogènes potentiels appartenant à plusieurs catégories (virus, bactéries, parasites, champignons). L'immunité peut être définie comme l'ensemble des mécanismes biologiques permettant à un organisme de reconnaître et de tolérer ce qui lui appartient en propre (le soi) et de reconnaître et de rejeter ce qui lui est étranger (le non soi) : les substances étrangères ou les agents infectieux auxquels il est exposé, mais aussi ses propres constituants altérés (comme des cellules tumorales). L'immunité met en jeu deux processus apparus successivement au cours de l'évolution des espèces : • l'immunité non spécifique, d'action immédiate, qui fait intervenir des cellules responsables de la phagocytose, • l'immunité spécifique, qui se développe en quelques jours et dépend de la reconnaissance spécifique de la substance étrangère, prélude à sa destruction ; elle garde le souvenir de la rencontre. Application des Systèmes Immunitaires Artificiels aux les images médicales 28 Les Systèmes Immunitaires Naturels L’ensemble des molécules susceptibles d’entraîner la formation d’un anticorps et de déclencher une réponse immunitaire porte le nom générique d’antigènes. On distingue les antigènes du soi (ceux qui sont normalement présents dans l’organisme et que le système immunitaire ignore) et les antigènes du non-soi (dont la présence est anormale dans l’organisme : qu’il s’agisse soit d’éléments étrangers, soit d’éléments de l’organisme devenus anormaux). L’efficacité du système immunitaire est essentiellement fondée sur sa capacité à distinguer le soi du non-soi. De fait, lorsqu’il fonctionne de façon normale, la réponse immunitaire est dirigée contre les seuls antigènes du non-soi. Extrêmement complexe, fonctionnant en réseau dont les différents acteurs interagissent et communiquent entre eux, le système immunitaire permet de réagir de façon appropriée à l’infinité d’antigènes différents et potentiellement pathogènes qui pénètrent dans l’organisme, et parfois l’envahissent. Les mécanismes physiologiques complexes mis en œuvre dans le système immunitaire ne sont pas encore complètement élucidés, mais sont chaque jour mieux compris. 2. Structure et fonctionnement Le système immunitaire comprend trois types d’unités fonctionnelles : des cellules, des substances peptidiques libres (en solution) et des organes. 2.1. Cellules Les cellules du système immunitaire sont réparties en deux contingents : une partie est disséminée et mêlée aux autres cellules dans les différents organes ; une autre partie forme des amas ou même de véritables organes « immunitaires » (organes lymphoïdes). Il existe trois grandes catégories de cellules immunitaires, qui sont toutes des leucocytes (globules blancs) : les granulocytes, les monocytes / macrophages et les lymphocytes. Seule une minorité d’entre elles se trouve en circulation dans le sang, qui leur sert essentiellement de moyen de transport pour se rendre d’un point à l’autre de l’organisme avant de pénétrer dans un organe [22]. 2.1.1. Les granulocytes Les granulocytes sont les cellules nucléées (avec un noyau cellulaire, par opposition aux globules rouges qui en sont dépourvus) les plus nombreuses du sang. Quand ils sont localisés dans les tissus, ils ont pour rôle la destruction des cellules porteuses d’antigènes du non-soi dans Application des Systèmes Immunitaires Artificiels aux les images médicales 29 Les Systèmes Immunitaires Naturels les faits, leur action concerne essentiellement les bactéries. Cette destruction se fait par phagocytose : les cellules étrangères sont « ingérées » par les granulocytes (en réalité englobées dans leur cytoplasme, puis détruites par des enzymes présentes dans les granulocytes. L’action des granulocytes n’est pas spécifique : n’importe quel granulocyte peut s’attaquer à n’importe quelle cellule porteuse d’un antigène identifié comme appartenant au non-soi [22]. FIG 2.1 : cellule neutrophile [23] Polynucléaires FIG 2.2 : Eosinophile [23] Neutrophile Origine Eosinophile FIG 2.3 : Basinophile[23] Basinophile Cellule souche myéloïde (moelle osseuse) Nombre 40 à 75 % Structure 1à6% < 1% De 12 à 17 µm ; noyau polylobé Granulations Fines ; marron Grosses ; oranges Rôles Anti infectieux (+++) Anti parasitaire (+/-) Grosses ; violettes Allergies (-) Tableau 1. Les cellules phagocytaires ou granulocytes [24]. 2.1.2. Monocytes /macrophages Les monocytes sont des cellules circulantes (présentes dans la circulation sanguine), représentant un faible pourcentage des cellules sanguines. Quand ils pénètrent dans un tissu, ils subissent des modifications morphologiques et fonctionnelles qui les transforment en macrophages capables de réaliser la phagocytose [les monocytes sont ainsi les précurseurs inactifs des macrophages]. Les macrophages (du grec makros, « grand » [car ce sont des cellules de grande taille], et phagein, « manger ») ont une fonction de « nettoyage » des tissus : ils détruisent les bactéries se trouvant sur le lieu de l’infection, les globules rouges en fin de vie, etc. Comme celle des neutrophiles, leur action n’est pas spécifique. Ils jouent cependant un rôle d’activation de la réponse immunitaire spécifique par le biais du phénomène dit de Application des Systèmes Immunitaires Artificiels aux les images médicales 30 Les Systèmes Immunitaires Naturels présentation de l’antigène. Ainsi, une fois qu’ils ont phagocyté une bactérie, certains des antigènes de cette dernière ne sont pas détruits. Au contraire, ils sont transportés jusqu’à la surface du macrophage ; là, ils sont insérés dans la membrane de façon à « dépasser » dans le milieu extracellulaire. La reconnaissance, par les lymphocytes T (qui sont les « chefs d’orchestre » de la réponse immunitaire), de ces antigènes présentés contribue à renforcer la réponse immunitaire dirigée contre cette bactérie [22]. FIG 2.4 : cellules monocyte [23]. FIG 2.5 : cellules macrophage [23]. SPM : ensemble des monocytes circulants et des macrophages tissulaires SPM Monocyte Macrophage Origine Cellule souche myéloïde Différenciation du monocyte Nombre 2à6% Structure De 16 à 20 µm ; noyau reiniforme Granulations Rôles Variable suivant le tissu Nombreuses ; rouges Transformation en macrophage - Intervient dans l’immunité spécifique et naturelle - Cellule Présentatrice de l’Antigène - Synthèse des cytokines Tableau 2. Les cellules Monocyte et Macrophage [24]. 2.1.3. Lymphocytes Les lymphocytes sont présents dans le sang, la lymphe et dans tous les organes lymphoïdes. Dans le sang, les lymphocytes représentent 20 à 40 % des leucocytes [25]. Application des Systèmes Immunitaires Artificiels aux les images médicales 31 Les Systèmes Immunitaires Naturels FIG 2.6 : cellule lymphocytes T [23]. Les lymphocytes sont les seules cellules à avoir une spécificité d’action (ce qui les rend plus efficaces que les cellules non spécifiques que sont les granulocytes et les macrophages) : chacune d’entre elles ne reconnaît qu’un seul antigène (le nombre de lymphocytes différents dans l’organisme est potentiellement infini, permettant la reconnaissance de n’importe quel antigène du non-soi dont la variété est également infinie). Il en existe deux types principaux : les lymphocytes B et les lymphocytes T. Ils ont le même aspect en microscopie optique (et la "formule leucocytaire" ne les distingue pas). Pour distinguer les différentes populations lymphocytaires, on révèle des protéines membranaires CD caractéristiques. Les lymphocytes T et B doivent leur nom à l'organe où se fait leur maturation [26] : • le thymus pour les lymphocytes T. • l'équivalent humain de la bourse de Fabricius des oiseaux pour les lymphocytes B, qui est la moelle osseuse. Les lymphocytes B et T sont les cellules effectrices de l'immunité spécifique. L'immunocompétence d'un lymphocyte dépend de la synthèse d'un récepteur membranaire capable de reconnaître spécifiquement un antigène. Chaque lymphocyte porte un récepteur lui permettant d'identifier un motif chimique .Le motif de l'antigène reconnu par le récepteur s'appelle un déterminant antigénique ou épitope : L'ensemble des récepteurs différents portés par les lymphocytes définit le répertoire immunologique d'un organisme. On estime à 107 le nombre de récepteurs différents [27]. Application des Systèmes Immunitaires Artificiels aux les images médicales 32 Les Systèmes Immunitaires Naturels FIG 2.7 : la reconnaître spécifique un antigène [27]. Figure 2.7(a) indique que les antigènes sont couverts avec des molécules, du nom des épitopes. Il leur permet d'être reconnu par les récepteurs de molécules sur la surface des cellules B, appelée anticorps. Figure 2.7 (b) montre comment un antigène pour être reconnu par des récepteurs de la cellule T, elle doit être traitée et présentée par une accessoire cellule. Antigène Un antigène est une macromolécule naturelle ou synthétique, en tant que marqueurs des agents étrangers à l'organisme, reconnue par des anticorps ou des cellules du système immunitaire et capable d'engendrer une réponse immunitaire. Epitope Un déterminant antigénique est un épitope, il est reconnu par des anticorps dont le site de reconnaissance spécifique est appelé paratope. Chaque paratope peut devenir un antigène et susciter la production d'anticorps. La forme d’un paratope et un épitope sont complémentaire qui garantie une liaison forte cette dernière est évaluée en une valeur appelée affinité [28]. Application des Systèmes Immunitaires Artificiels aux les images médicales 33 Les Systèmes Immunitaires Naturels paratope FIG 2.8 : Antigène et Epitope [23]. Les lymphocytes B et les lymphocytes T portent des récepteurs antigéniques spécifiques sur leurs membranes plasmiques. Pour les lymphocytes B, les récepteurs sont des anticorps. La spécificité et la diversité du système immunitaire dépendent donc de la présence sur chaque lymphocyte B ou lymphocytes T de récepteurs qui leur confèrent la capacité de reconnaître un antigène particulier et d'y réagir [28]. Quand un antigène se lie au récepteur de surface d'un lymphocyte, celui-ci se divise et donne naissance à une population de lymphocytes effecteurs: - immunité humorale: les lymphocytes B donnent des plasmocytes qui sécrètent des anticorps qui contribuent à éliminer l'antigène. - immunité à médiation cellulaire: les lymphocytes T donnent des lymphocytes T cytotoxiques, qui détruisent les cellules infectées et les cellules cancéreuses, et des lymphocytes T auxiliaires. 2.1.3.1. Les lymphocytes B Les lymphocytes B sont les cellules à l’origine de la production d’anticorps (ils sont responsables de l’immunité dite humorale — étymologiquement l’immunité des humeurs, ici, en l’occurrence, l’immunité assurée par des molécules en solution dans le sang). Lorsqu’un lymphocyte rentre en contact avec l’antigène duquel il est spécifique, il est activé. Il se multiplie alors activement (prolifération), produisant de nombreux lymphocytes B spécifiques de cet antigène, dont la plupart vont se transformer (différenciation) en plasmocytes, cellules sécrétrice Application des Systèmes Immunitaires Artificiels aux les images médicales 34 Les Systèmes Immunitaires Naturels d’anticorps. Ce phénomène permet la production et la libération dans la circulation sanguine de grandes quantités d’anticorps précisément dirigés contre l’agent agresseur [22]. FIG 2.9 : cellule lymphocytes B [23] La structure de l’anticorps Les anticorps sont des glycoprotéines de la superfamille des immunoglobulines formées de 4 chaînes polypeptidiques : 2 chaînes lourdes (H pour heavy , en violet sur la figure 1) et 2 chaînes légères (L pour light , en vert) qui sont reliées entre elles par un nombre variable de ponts disulfures (en rouge) assurant une flexibilité de la molécule. Ces chaînes forment une structure en Y et sont constituées de domaines immunoglobulines de 110 acides aminés environ. Chaque chaîne légère est constituée d'un domaine constant et d'un domaine variable; les chaînes lourdes sont composées d'un fragment variable et de 3 ou 4 fragments constants. Pour un anticorps donné, les deux chaînes lourdes sont identiques, de même pour les deux chaînes légères [29]. La structure des anticorps est à l’origine de la spécificité de la liaison antigèneanticorps Chaine lourde Site de fixation de l’antigène Partie variable Chaine légère Parties constantes FIG 2.10 : Schéma d'un anticorps [29] Application des Systèmes Immunitaires Artificiels aux les images médicales 35 Les Systèmes Immunitaires Naturels Domaines constants Les domaines constants sont caractérisés par une séquence en acides aminés très proche d'un anticorps à l'autre, caractéristiques de l’espèce. Chaque chaîne légère en possède un exemplaire noté CL. Les chaînes lourdes comportent, trois ou quatre domaines constants CH1, CH2, CH3 et CH4. Les domaines constants ne sont pas impliqués dans la reconnaissance de l'antigène, mais interviennent dans l'activation du système du complément. Les cellules immunitaires possédant les récepteurs aux fragments constants (RFc) sont capables de lier les anticorps [29]. Domaines variables Un anticorps possède quatre domaines variables situés aux extrémités des deux « bras ». L'association entre un domaine variable porté par une chaîne lourde (VH) et le domaine variable adjacent porté par une chaîne légère (VL) constitue le site de reconnaissance (ou paratope) de l'antigène. Ainsi, une molécule d'immunoglobuline possède deux sites de liaison à l'antigène, un au bout de chaque bras. Ces deux sites sont identiques, d'où la possibilité de lier deux molécules d'antigène par anticorps. • Les anticorps qui se divisent en 5 classes différentes selon leur rôle biologique (IgG, IgA, IgM, IgD et IgE), ont pour fonction de se lier spécifiquement avec un antigène, afin de le détruire. 2.1.3.2. Les lymphocytes T FIG 2.11 : lymphocytes T [23] Les lymphocytes T représentent environ 70% de tous les lymphocytes. Ils sont responsables de l’immunité dite cellulaire (assurée par des cellules et non des molécules). Il en existe deux grands types [26] : Application des Systèmes Immunitaires Artificiels aux les images médicales 36 Les Systèmes Immunitaires Naturels • les lymphocytes T cytotoxiques ou lymphocytes T-CD8 attaquent et détruisent directement les cellules étrangères ou anormales, sans passer par l’intermédiaire d’anticorps ; • les lymphocytes T auxiliaires ou lymphocytes T-CD4 amplifient la réponse immunitaire en régulant l’activité des autres cellules du système immunitaire (y compris les lymphocytes B et les macrophages). L’un des mécanismes d’action des lymphocytes est la sécrétion d’une grande variété de molécules appelées cytokines, qui jouent le rôle de messagers chimiques entre les différents acteurs cellulaires du système immunitaire. Les lymphocytes T et B ont la capacité de se « souvenir » d’une exposition antérieure à un antigène spécifique. En effet, au cours d’une première réponse immunitaire à un antigène donné, un certain nombre de lymphocytes T et B n’interviennent pas directement et « sortent » du circuit pour devenir des cellules mémoire. Ces cellules sont caractérisées par une très longue durée de vie (parfois plusieurs dizaines d’années). Si une nouvelle exposition au même antigène a lieu, l’activation de ces cellules mémoire permet une réponse immunitaire d’une part de mise en place beaucoup plus rapide, d’autre part de meilleure efficacité. C’est sur ce principe qu’est fondée la vaccination. 2.2. Substances solubles Le système immunitaire comprend trois types de protéines en solution dans le sérum (la partie liquide du sang) ou dans les liquides extracellulaires des tissus. Ce sont les immunoglobulines (ou anticorps), les cytokines et les protéines du système du complément. Il existe potentiellement une infinité d’immunoglobulines exerçant des fonctions d’anticorps : chacune se combine spécifiquement avec un antigène afin de permettre son élimination de l’organisme. Cette extrême diversité est une caractéristique du système immunitaire. Les cytokines sont des composantes solubles responsables de la régulation de la réponse immunitaire. Certaines cytokines amplifient ou accroissent une réponse immunitaire en cours, en général en provoquant la prolifération de cellules. D’autres peuvent supprimer une réponse en cours ; en effet, comme beaucoup d’autres systèmes de l’organisme, le système immunitaire est Application des Systèmes Immunitaires Artificiels aux les images médicales 37 Les Systèmes Immunitaires Naturels soumis à des mécanismes de régulation qui lui confèrent une activité d’intensité appropriée quand cela est nécessaire, et le mettent au repos dans l’intervalle. Le système du complément est un ensemble d’environ vingt protéines présentes dans le sang, d’où elles peuvent diffuser vers les tissus. Elles agissent d’une manière non spécifique, bien que souvent de concert avec les immunoglobulines afin de permettre le développement d’une réponse immunitaire adéquate. Lorsqu’un anticorps se lie à son antigène, les protéines du complément se lient au complexe ainsi formé, facilitant la phagocytose par les phagocytes (cellules capables de réaliser la phagocytose, à savoir les neutrophiles et les macrophages). Les protéines du complément peuvent également se lier seules à certaines bactéries ou cellules pour aboutir à leur destruction (cytolyse) [30]. 2.3. Organes Les organes et les tissus dont le rôle est spécifiquement immunitaire sont qualifiés de lymphoïdes. Ils comprennent la moelle osseuse, le thymus, la rate, les ganglions lymphatiques et différentes structures annexées aux muqueuses (petits amas de cellules dans l’épaisseur de la paroi de l’intestin, amygdales, etc.). Ils contiennent différentes variétés de cellules, dont certaines sont propres à un organe donné, tout en ayant la caractéristique commune de former et d’héberger les lymphocytes. La moelle osseuse et le thymus sont des organes lymphoïdes centraux, car ils sont responsables de la formation initiale des lymphocytes, pendant la vie embryonnaire et fœtale. Il existe au départ, dans la moelle osseuse, des cellules souches, indifférenciées, dépourvues de caractères morphologiques et fonctionnels précis. Certaines d’entre elles migrent dans le thymus pour se transformer en lymphocytes T (T = thymodépendants). D’autres restent dans la moelle pour devenir des lymphocytes B (B = bursodépendants, l’organe responsable de leur production chez les oiseaux étant la bourse de Fabricius) [30]. FIG 2.12 : Organes spécifiquement immunitaire Application des Systèmes Immunitaires Artificiels aux les images médicales 38 Les Systèmes Immunitaires Naturels Les autres organes lymphoïdes sont dits périphériques. Une fois qu’un lymphocyte a terminé sa maturation dans la moelle ou le thymus, il se rend par voie sanguine dans l’un de ces organes, par exemple dans un ganglion du système lymphatique. Là, il reste à l’état quiescent (au repos) tant qu’il ne rencontre pas l’antigène qui lui correspond. Mais, s’il entre en contact avec « son » antigène (éventuellement par l’intermédiaire d’une cellule présentatrice de l’antigène tel un macrophage), il est activé : il entre en fonction et se divise activement, de façon à créer une lignée de lymphocytes spécifiques de l’antigène [30] . En général, après avoir été activé par le contact avec l’antigène dont il est spécifique, un lymphocyte B reste à l’endroit où il se trouve, en agissant à distance grâce aux anticorps qu’il sécrète et libère dans le sang. À l’inverse, les lymphocytes T font l’objet d’une recirculation permanente (allers-retours entre les organes lymphoïdes périphériques, les vaisseaux lymphatiques et le circuit sanguin). C’est ce mécanisme de recirculation qui permet à la lignée T, à partir d’un contact local avec un antigène, de diffuser la réponse à l’ensemble de l’organisme [22]. 3. Réponse Immunitaire On appelle réponse immunitaire l'activation des mécanismes du système immunitaire face à une agression de l'organisme. L'ensemble de ces systèmes (y compris chez l'homme la vaccination) permet la résilience immunitaire : notion qui recouvre la somme des mécanismes efficaces de défense d’un organisme vis-à-vis d’un agent pathogène (du grec pathos : malheur) [29]. Les différentes composantes du système immunitaire interagissent pour produire une réponse immunitaire efficace. Certaines étapes de ce processus sont bien comprises, mais d’autres sont encore imparfaitement élucidées. Elles se composent de barrières mécaniques, chimiques et biologiques contre les agressions extérieures. Elles empêchent, sauf en cas de blessures, la pénétration dans le milieu interne d'agents pathogènes [29]. 1. Barrières mécaniques: peau, muqueuses, cils des épithéliums (narines, bronches,..), épiglotte, poils et cheveux. 2. Barrières chimiques: larmes, salive, mucus, suc gastrique, pH des muqueuses, acides gras non saturés cutanés, lysozyme et urine Immunité naturelle ou non spécifique. Application des Systèmes Immunitaires Artificiels aux les images médicales 39 Les Systèmes Immunitaires Naturels 3. Barrières biologiques (substances anti-microbiennes, produites par l'organisme): interferon, interleukine, facteurs du complément, perforines, lymphokines et properdine. 4. Nous possédons également plusieurs mécanismes de réaction qui sont : la phagocytose des particules étrangères, les macrophages (globules blancs) ainsi que le processus d'inflammation et la fièvre. Si un antigène provenant de l’extérieur, porté par une bactérie par exemple, traverse la première ligne de défense de l’organisme (la peau ou une muqueuse), il déclenche d’abord les phénomènes de l’immunité non spécifique, qui s’exerce de la même façon quel que soit l’antigène. L’immunité non spécifique est assurée d’une part par les cellules qui pratiquent la phagocytose (les granulocytes et les macrophages), d’autre part par les protéines du complément. Il peut par ailleurs exister un certain degré de stimulation non spécifique - donc inhabituelle -, des lymphocytes B, aboutissant à la sécrétion d’anticorps polyvalents [31]. 3.1. La réponse immunitaire non spécifique 3.1.1. Première ligne : la peau et les muqueuses Une peau intacte est normalement une barrière infranchissable pour les bactéries et les virus. Mais ceux-ci peuvent la franchir lors d'une écorchure, par exemple. Les muqueuses, tissu épithélial sécrétant du mucus, tapissent les voies digestives, respiratoires et urogénitales. Elles protègent l'organisme contre les micro-organismes qui pénètrent dans ces voies. En plus de jouer le rôle de barrière physique, la peau et les muqueuses combattent les agents pathogènes à l'aide d'armes chimiques. Par exemple, chez l'homme, les sécrétions des glandes sébacées et sudorifères donnent à la peau un pH compris entre 3 et 5, suffisamment acide pour empêcher le développement de nombreux micro-organismes. Dans les larmes, il y a sécrétion de lysosyme, une enzyme qui s'attaque à la paroi de nombreuses bactéries et microorganismes. Le mucus, liquide visqueux, retient les micro-organismes qui s'y collent et les empêchent donc de pénétrer dans l’organisme [32]. L’inflammation L’inflammation est la première barrière que rencontrent les micro-organismes pathogènes qui franchissent notre enveloppe corporelle. Tout comme la peau et les muqueuses, ce type de Application des Systèmes Immunitaires Artificiels aux les images médicales 40 Les Systèmes Immunitaires Naturels réponse immunitaire agit sans connaître la nature de l’agent qu’il combat. Le but de l’inflammation est d’inactiver les agresseurs et de mettre en œuvre la réparation des tissus (en cas de lésion) [32]. 3.1.2 Deuxième ligne de défense Phagocytes Les mécanismes de défense non spécifiques de l'organisme reposent principalement sur la phagocytose : ingestion de particules étrangères par certains types de leucocytes (globules blancs), appelés phagocytes [31]. Les phagocytes sont : - les globules blancs (polynucléaires neutrophiles) - les autres monocytes / macrophages. 3.2 Immunité acquise ou spécifique Parfois, cette première réponse n’est pas suffisante pour maîtriser le micro-organisme agresseur. Les macrophages interagissent alors, par le mécanisme de présentation de l’antigène à leur surface, avec les lymphocytes T-CD4, afin d’activer l’immunité spécifique, plus efficace. Ce phénomène peut prendre place au point d’invasion, mais le macrophage peut également emprunter la circulation sanguine et lymphatique pour gagner un ganglion lymphatique (où sont stockés de très nombreux lymphocytes). L’immunité spécifique ainsi activée, les lymphocytes B sont stimulés, se multiplient et se mettent à produire des anticorps. Les anticorps sont des protéines qui se fixent sur les protéines étrangères; c’est le point de départ de la destruction du pathogène. lymphocytes T lorsqu’elles sont activées, détruisent directement les cellules infectées par des virus et les cellules tumorales, et les cellules T facilitatrices, qui contrôlent d’autres aspects de la réponse immunitaire. Parallèlement, certains lymphocytes s’isolent des autres et se remettent dans un état de repos qui peut persister des années, voire toute la vie. Ils forment des cellules dites mémoire, spécifiques de l’envahisseur. Application des Systèmes Immunitaires Artificiels aux les images médicales 41 Les Systèmes Immunitaires Naturels La réponse immunitaire spécifique crée l’immunité acquise, celle qui se développe au fil des ans en conséquence des rencontres que notre organisme fait avec des molécules étrangères spécifiques. Ainsi, notre système immunitaire garde en mémoire les bactéries et virus particuliers qu’il a déjà rencontrés afin de rendre la seconde rencontre beaucoup plus efficace et rapide. On 9 11 estime qu’un adulte a en mémoire de 10 à 10 protéines étrangères différentes. Ce qui explique que l’on n’attrape pas la varicelle et la mononucléose deux fois, par exemple. Il est intéressant de remarquer que l’effet de la vaccination est de provoquer cette mémoire d’une première rencontre avec un pathogène [33]. FIG 2.13 : Une réponse immunitaire spécifique [33]. Application des Systèmes Immunitaires Artificiels aux les images médicales 42 Les Systèmes Immunitaires Naturels Vue d'ensemble des défenses de l'organisme : MECANISMES DE DEFENSE MECANISMES DE NON SPECIFIQUES DEFENSE (Innée) Première ligne de SPECIFIQUE (acquise) Deuxième ligne de défense Troisième ligne de défense - Peau - Phagocytes - Spécifique de l’agent étranger - Muqueuses et leurs - Protéines antimicrobiennes - sécrétion d’anticorps, sécrétions - Réaction inflammatoire -activation des Lymphocytes T - Pas plus rapide au 1er contact qu’aux (peut faire également intervenir des cellules contacts suivants avec le même agent phagocytaires. étranger. -1er rencontre avec un élément étranger : défense réaction immunitaire tardive - 2nde rencontre avec ce même élément étranger : réaction immunitaire rapide et intense, nécessité d’une mémoire immunitaire Tableau 3. La différence entre le système spécifique et non spécifique. Remarque : nous nous limitons aux systèmes de défense des vertébrés, car ceux-ci ont un système immunitaire très développé. 4. Les vaccins et la mémoire immunitaire Le principe de la vaccination Des vaccins ont été mis au point contre différents virus et bactéries. Ils reproduisent une situation naturelle, celle de l’immunité acquise contre ces virus et bactéries après une première infection guérie. Le premier contact avec l’antigène entraîne une réaction lente et quantitativement peu importante, alors que le second contact entraîne une réaction beaucoup plus rapide et quantitativement plus importante. Application des Systèmes Immunitaires Artificiels aux les images médicales 43 Les Systèmes Immunitaires Naturels Lors du premier contact lors la vaccination, l’élément étranger viral ou bactérie est atténué, c’est à dire qu’il est inoffensif pour l’organisme mais suffisamment antigénique pour déclencher une réaction immunitaire. Il est parfois nécessaire de renforcer la réponse immunitaire par des rappels (injections supplémentaires d’antigènes viraux ou bactériens).Après vaccination, lorsque l’organisme est en contact avec l’élément étranger, les défenses immunitaires acquises sont très rapidement mobilisées. La réponse immunitaire est rapide et intense. Cette mémoire immunitaire s’explique par la formation, après un premier contact avec un antigène, de lymphocytes B mémoire et de lymphocytes T4 mémoire spécifiques de l’antigène précédemment rencontré. Ces cellules sont plus nombreuses que les lymphocytes B ou T4 vierges, de même spécificité ; elles ont une durée de vie plus longue et elles réagissent très rapidement lors d’un nouveau contact avec l’antigène [34]. 5. Maladies auto-immunes Les maladies auto-immunes résultent du fait que le système immunitaire ne fait plus la distinction entre le soi et le non-soi. Il considère ses cellules propres comme des corps étrangers et cherche à les éliminer [34]. 6. Système immunitaire et cancer Les relations entre système immunitaire et cancer ont fait l’objet de nombreuses recherches. En effet, les patients victimes d’un cancer présentent un taux d’infections accru, et des anomalies immunitaires ont pu être détectées chez eux au cours d’études en laboratoire : le cancer, s’il est suffisamment étendu, perturbe le fonctionnement du système immunitaire. Inversement, l’incidence des cancers est plus élevée chez les patients porteurs d’un déficit immunitaire congénital ou d’un déficit acquis, à la suite, par exemple, d’un traitement immunosuppresseur : le système immunitaire ne détruit plus les cellules cancéreuses [35]. 7. La sélection négative Le système immunitaire humain contient un organe appelé le thymus qui se trouve derrière le sternum, qui joue un rôle crucial dans la maturation des cellules-T. Après que les cellules T soient générées, ils émigrent dans le thymus où ils arrivent à échéance. Au cours de Application des Systèmes Immunitaires Artificiels aux les images médicales 44 Les Systèmes Immunitaires Naturels cette maturation, toutes les cellules-T qui reconnaissent l’auto-antigène sont exclus de la population de cellules T, un appelé processus de sélection négative [36]. Les cellules T qui quittent le thymus pour circuler dans le corps sont, dites tolérant à l'autodétermination, c'est-à-dire, ils ne répondent pas à soi-même. Une fois la sélection terminée, les lymphocytes T sont de petite taille et en état de repos. Ils se retrouveront dans le système immunitaire périphérique et migreront dans les organes lymphoïdes secondaires où ils pourront effectuer leur tâche de reconnaissance des antigènes étrangers [36]. 8. Sélection clonale En complément du rôle de sélection négative, la sélection clonale est la théorie utilisée pour expliquer comment une réponse immunitaire réagie lorsque un antigénique (non-soi) est reconnu par une cellule B [37]. La figure 2.15 illustre la sélection clonale, l'expansion (prolifération), et les processus de maturation d'affinité. En bref, quand un récepteur de la cellule B reconnaît un antigène avec une certaine affinité, il est sélectionné à proliférer et produire des anticorps en grande quantité. Les anticorps sont des formes solubles de la cellule B qui sont libérés de la surface des cellules B pour faire face à l'antigène (non-soi). Les anticorps se lient aux antigènes conduisant à leur élimination par d'autres cellules immunitaires. Prolifération dans le cas de cellules immunitaires est asexuée, un processus mitotique, les cellules se divisent euxmêmes (il n'existe pas de liaison). Au cours de la reproduction, la cellule B- descendante (cloné) fait l'objet d'un hyper processus de mutation, après un processus de sélection est déclenché. L'ensemble de ce processus de mutation et de sélection est connue sous le nom de la maturation de la réponse immunitaire [38] et est analogue à celle de la sélection naturelle [20]. En plus de différenciation en cellules productrices d'anticorps, les cellules B actives avec des affinités antigéniques sont sélectionnées pour devenir des cellules mémoire de longue vie. Ces cellules mémoire sont prééminentes dans les futures réponses à ce même antigène, ou un semblable. Autres caractéristiques importantes de la sélection clonale pertinente du point de vue de calcul sont les suivants [27] : 1. Le taux de prolifération de chaque cellule immunitaire est proportionnelle à son affinité avec l'antigène sélective: plus l'affinité est grande, plus le nombre de descendants générés est important, et vice-versa; Application des Systèmes Immunitaires Artificiels aux les images médicales 45 Les Systèmes Immunitaires Naturels 2. En opposition totale à la prolifération, le taux de mutation subie par chaque cellules immunitaires au cours de la reproduction est inversement proportionnelle à l'affinité du cellule- récepteur avec l'antigène: plus l'affinité est petite, plus la mutation est importante, et vice-versa. FIG 2.14 : sélection clonale, l'expansion (prolifération), la maturation d'affinité, et l'entretien des cellules de mémoire [27]. Les cellules à plus haute affinité sont sélectionnées pour proliférer. Leurs descendances (clones) endurent une mutation avec des taux élevés et ceux dont les récepteurs présentent une haute affinité avec l'antigène sont maintenus dans des cellules de mémoire. Application des Systèmes Immunitaires Artificiels aux les images médicales 46 Les Systèmes Immunitaires Naturels FIG 2.15 : Schéma récapitulatif de la sélection clonale 9. Les réseaux immunitaires Depuis quelques années, notre compréhension scientifique de l'organisation du système immunitaire s'est enrichie par le développement d'une théorie supplémentaire. Le point de départ de cette nouvelle théorie fut donné par Jerne (1974), qui faisait remarquer si le répertoire du système immunitaire est effectivement complet, alors les immunoglobulines spécifiques produites par un clone (qui sont, après tout, des molécules chimiques) vont nécessairement interagir avec les immunoglobulines d'un autre clone. Cette remarque a conduit à l'élaboration d'une théorie du système immunitaire comme un réseau capable de s'activer lui-même. Le réseau immunitaire théorie propose que le système Application des Systèmes Immunitaires Artificiels aux les images médicales 47 Les Systèmes Immunitaires Naturels immunitaire ait un comportement dynamique même en l'absence de stimuli externes [39]. Il est suggéré que les cellules immunitaires et molécules sont capables de reconnaître les uns les autres. FIG 2.16 : Réseau immunitaire théorie de Jerne La reconnaissance de l'antigène par un anticorps (cellules récepteur) conduit à l'activation du réseau et la prolifération des cellules. Tandis que la reconnaissance d'un idiotope par un autre anticorps conduit a tolérance et la suppression [27]. Application des Systèmes Immunitaires Artificiels aux les images médicales 48 Les Systèmes Immunitaires Naturels 10. Conclusion Le système immunitaire possède quatre grandes caractéristiques : - la spécificité : la capacité du système immunitaire de reconnaître et d'éliminer certains micro-organismes ou molécules étrangères. L'antigène est une substance étrangère qui provoque une réaction immunitaire, c'est-à-dire la production de lymphocytes spécialisés et de protéines spécifiques : les anticorps. A un antigène donné correspond un anticorps donné : chaque réaction du système immunitaire prend pour cible un agresseur spécifique et un seul. - la diversité : la capacité du système immunitaire de réagir contre des millions de types d'agresseurs, en reconnaissant chacun d'eux à ses marqueurs antigéniques. Cela est dû au fait que le système immunitaire possède une variété considérable de populations lymphocytaires, dont chacune peut combattre un antigène particulier. - la reconnaissance du soi et du non-soi : la capacité du système immunitaire de faire la distinction entre les molécules de l'organisme (le soi) et les molécules étrangères (le nonsoi). - la mémoire : la capacité du système immunitaire de se rappeler les antigènes qu'il a déjà rencontrés et d'y réagir promptement et efficacement lors d'expositions ultérieures. C'est l'immunité acquise. La rapidité d’action des défenses immunitaires est extrêmement importante. Celle-ci repose entre autres sur l’efficacité de la communication entre les divers acteurs en jeu. Application des Systèmes Immunitaires Artificiels aux les images médicales 49 Les Systèmes Immunitaires Artificiels Les systèmes immunitaires Artificiels III Les Systèmes Immunitaires Artificiels 1. Introduction Système immunitaire artificiel (SIA) ou artificial immune systems (AIS) est apparu dans les années 1990 comme un nouveau domaine de recherche de calcul, le système immunitaire artificiel (SIA) est une catégorie d'algorithme inspirée par les principes et le fonctionnement du système immunitaire naturel (SIN) des vertèbres. Ces algorithmes exploitent typiquement les caractéristiques du système immunitaire pour ce qui est de l'apprentissage et de la mémorisation comme moyens de résolution de problèmes dans une vaste gamme de domaines. Les fonctionnements simulés dans les SIA comprennent la reconnaissance de motifs, l'hypermutation, la sélection clonale pour les cellules B, la sélection négative pour les cellules T, la maturation d'affinité et la théorie des réseaux immunitaires. Du point de vue de l'informatique, le système immunitaire artificiel est un système distribué auto-organisé avec un contrôle décentralisé pouvant effectuer des tâches de classification, de reconnaissance et d'apprentissage à l'aide de processus d'extraction, de communication et de mémorisation. 2. Historique Les travaux sur les SIA ont commencé dans le milieu des années 1980 avec l'article de Farmer, Packard et Perelson sur les réseaux immunitaires (1986) [40]. Cependant c'est seulement dans le milieu des années 1990 que les SIA devinrent un sujet à part entière. Les travaux de Forrest et al. sur la sélection négative commencèrent en 1994 [41], tandis que Dasgupta menait des études sur les algorithmes de sélection négative [42]. Hunt et Cooke commencèrent leurs Application des Systèmes Immunitaires Artificiels aux images médicales 51 Les systèmes immunitaires Artificiels travaux sur les modèles de réseaux immunitaires en 1995[43]. Timmis et Neal continuèrent ces travaux en y apportant des améliorations [44]. Le premier livre sur les Systèmes Immunitaires Artificiels a été édité par Dasgupta en 1999. Les travaux de De Castro & Von Zuben et Nicosia & Cutello sur la sélection clonale (CLONALG) furent remarqués en 2002[45]. De nouvelles voies, comme la théorie du danger (observation des dégâts plutôt que celle des agents pathogènes) et des algorithmes inspirés par le système immunitaire inné ont également été explorées. Le fait qu'elles apportent quelque-chose au delà des algorithmes des SIA existants est actuellement le sujet de débats qui animent le développement des SIA. Au départ, les travaux sur les SIA visaient à trouver des abstractions efficientes des phénomènes découverts dans le système immunitaire. Plus récemment, les praticiens des SIA se sont aussi intéressés à la modélisation du système immunitaire et à l'application des résultats issus des SIA aux problèmes d'immunologie (ce qui entre dans le cadre de l'immunoinformatique). 3. Principes de bases sur la représentation des données Dans les études menées dans le domaine des SIA, la modélisation des cellules B est la plus rencontrées. 3.1. Les types de représentation Différentes méthodes de représentation ont été proposées dans la modélisation. Parmi ceux-ci 3.1.1. Le codage binaire Ce type de codage est certainement le plus utilisé dans les algorithmes génétiques car il présente plusieurs avantages. Son principe est de coder la solution selon une chaîne de bits (qui peuvent prendre les valeurs 0 ou 1) de taille fixe de longueur n. [46]. ◊ Codage binaire Valeur 0 et 1 Application des Systèmes Immunitaires Artificiels aux images médicales 52 Les systèmes immunitaires Artificiels La chaîne A : 1011001011001010111001011 FIG 3.1 : Représentation des données binaires 3.1.2. Le codage réel ou à caractères multiples Dans le Système Immunitaire Artificiel la représentation des données la plus utilisée est la représentation par codage réel. Chaque donnée est représentée dans un espace de dimension n (Rn) [46]. x1 x2 X3 x4 x5 x6 … … xn-3 xn-2 xn-1 xn FIG 3.2 : Représentation des données par un codage réel 3.13. Codage sous forme d'arbre Ce codage utilise une structure arborescente avec une racine de laquelle peuvent être issus un ou plusieurs fils. Un de leurs avantages est qu'ils peuvent être utilisés dans le cas de problèmes où les solutions n'ont pas une taille finie. En principe, des arbres de taille quelconque peuvent être formés par le biais d'enjambements et de mutations. Le problème de ce type de codage est que les arbres résultants sont souvent difficiles à analyser et que l'on peut se retrouver avec des arbres « solutions » dont la taille sera importante alors qu'il existe des solutions plus simples et plus structurées à côté desquelles sera passé l'algorithme. De plus, les performances de ce type de codage par rapport à des codages en chaînes n'ont pas encore été comparées ou très peu. En effet, ce type d'expérience ne fait que commencer et les informations sont trop faibles pour se prononcer [46]. FIG 3.3 : Représentation des données sous forme d’arbre Application des Systèmes Immunitaires Artificiels aux images médicales 53 Les systèmes immunitaires Artificiels 4. Le clonage Le clonage est la reproduction des organismes vivants pour obtenir des êtres génétiquement identiques ; ceci peut s'appliquer à de simples cellules (clonage cellulaire: avoir la même cellule en plusieurs exemplaires). Cette opération permet de garder les informations plus longtemps dans l’espace de travail [48]. 5. La mutation Le terme mutation est utilisé pour désigner une modification irréversible de l'information génétique. La mutation est définie comme une application de Ω vers Ω , qui associe à chaque individu Xt un nouvel individu Xt+1 proche de Xt [46]. Mutation : Ω → Ω X t → X t +1 De plus elle doit permettre une recherche aléatoire de l’espace pour pouvoir détecter des optima qui ne sont pas encore visités. 6. Hypermutation Les algorithmes de sélection clonale sont utilisés couramment pour l'hypermutation des anticorps. Cela permet d'améliorer la chaîne des attributs (comme une mesure de la fonction d'affinité) en utilisant seulement la mutation [46]. 7. Reconnaissance de motifs La représentation des anticorps et des antigènes est implantée communément par des chaînes d'attributs. Les attributs peuvent être des nombres binaires, entiers ou réels. En principe n'importe quel attribut ordinal peut être utilisé. La correspondance est calculée sur la base de la distance euclidienne, la distance de Manhattan ou la distance de Hamming [49]. 8. Les algorithmes du système immunitaire artificiel Les modèles de conceptions les plus utilisés sont les réseaux immunitaires, la sélection clonale et la sélection négative Application des Systèmes Immunitaires Artificiels aux images médicales 54 Les systèmes immunitaires Artificiels 8.1. Sélection négative L’algorithme « sélection négative » [41] a été proposé dans la littérature avec des applications axées sur le problème de détection d'anomalies, comme des ordinateurs et des réseaux de détection d'intrusion (Hofeyr, 1999[50]; Hofmeyr et Forrest, 2000[51];), le temps série de prévision, l'image d'inspection et de la segmentation et la tolérance de panne du matériel, pour détecter les virus informatiques [41], une rupture de l'outil de détection et de séries chronologiques détection d'anomalies [42] et Outre ces résultats concrets, D'HAESELEER en 1997 [52] a montré de nombreux avantages à la sélection Négatif en tant que nouvel approche de détection d’anomalie. Le principe de l’algorithme est que le système soit capable de faire l'autodétermination, c'est-à-dire, tolérant, ils ne répondent pas à soi-même, mais répond à l’intrusion d’un virus ou un changement dans les réseaux. Exemple d’application de l’algorithme de sélection négative Étant donné un problème de représentation, définir l'ensemble des modes qui doivent être protégés; ces modes sont appelés l'auto-set (P). Sur la base de l'algorithme de sélection négative, générer un ensemble de détecteurs (M) qui sera chargée d'identifier tous les éléments qui n’appartiennent pas à l'auto-set, c'est-à-dire, les éléments non-self (non-soi) L'algorithme de sélection négative est le suivant (Figure (a)): 1. Générer les candidats éléments aléatoires (C) en utilisant la même représentation adoptée; 2. Comparer (match) les éléments en C avec les éléments de P. Si un match se produit, c'est-à-dire, si un élément de P est reconnu par un élément de C, on rejette cet élément de C; si non l’élément de C est mis dans l’ensemble des détecteurs M. Après la génération de l'ensemble des détecteurs (M), la prochaine étape de l'algorithme consiste à un système de surveillance de la présence des modes de non-self (non-soi) (Figure (b)). Dans ce cas, assumer un ensemble de P* modes d'être protégés. Cet ensemble pourrait être composé de la série P ainsi que d'autres nouveaux modèles [53]. Application des Systèmes Immunitaires Artificiels aux images médicales 55 Les systèmes immunitaires Artificiels FIG 3.4 : Reconnaissance de forme par l'algorithme de sélection négative. (a) Génération de l'ensemble de détecteurs. (b) surveillance de la présence d'indésirables (non-self) schémas Pour tous l’ensemble des éléments du détecteur M, qui correspond à le non-soi, modes de vérification, si elle reconnaît un élément de P* et, si oui, alors un modèle non-soi a été reconnu et une action doit être prise. Les mesures de détection varient selon non-self. 8.2. Sélection clonale En complément du rôle de la sélection négative, la sélection clonale est la théorie utilisée pour expliquer comment une réponse immunitaire réagie lorsque un antigéne (non-soi) est reconnu par une cellule B [54]. L'algorithme de base est le suivant: 1. Générer au hasard une population initiale d'anticorps. Il est composé de deux sousensembles : Abm (mémoire population) et Abr (réservoir de population). 2. Créer un ensemble de modèles antigéniques Ag. 3. Sélectionnez un antigène Agi de la population Ag. 4. Pour chaque membre de la population Ab calculer son affinité pour l'antigène Agi affinité en utilisant une fonction de distance (par exemple, de Hamming Distance). 5. Sélectionnez la plus haute affinité n anticorps et générer un nombre de clones de chaque anticorps proportionnel à leur affinité, en plaçant les clones dans une nouvelle population Ci. 6. Muter le clone Ci population à un degré inversement proportionnelle à leur affinité pour produire une population d'âge mûr Ci *. Application des Systèmes Immunitaires Artificiels aux images médicales 56 Les systèmes immunitaires Artificiels 7. Réappliquer la fonction d'affinité à chaque membre de la population Ci* sélectionnez le score le plus élevé, comme candidat de cellules mémoire. Si son affinité est plus grande que la cellule courante Abmi, le candidat devient le nouveau « mémoire cellulaire ». 8. Supprimer ces anticorps à faible affinité dans la population et remplacer Abr avec les nouveaux membres générés de manière aléatoire. 9. Répétez les étapes 3-8 jusqu'à ce que tous les antigènes aient été présentés. Cela représente une génération de l'algorithme. Une génération de l'algorithme est complète lorsque tous les antigènes ont été présentés et toutes les mesures ont été effectuées pour chaque antigène. Cet algorithme conserve seulement une cellule pour chaque antigène qui lui est présentée [54]. La mutation d'un anticorps devrait être inversement proportionnelle à l'affinité de l'anticorps. Hypermutation somatique peuvent être mises en œuvre dans un certain nombre de différentes façons, notamment en mutation multi-point, sous la régénération et la simple substitution [55]. Les principaux domaines de sélection clonale exploités par l'informatique sont les suivants: - Diversité: La population de cellules disponibles pour la réponse immunitaire peut être distribuée et couvrir une large zone de l'espace antigénique. - Optimisation: la sélection et la prolifération des cellules à haute affinité produit une population en croissance rapide de haute affinité utile dans le ciblage et répondant à une infection secondaire. - Exploration: La mutation des cellules locales afin de permettre l'exploration de l'affinité pour atteindre plus grande affinité correspond à l'invasion de l'antigène. - Remplacement: cellules qui ont une faible affinité pour l'antigène en cours d'examen peut être remplacé, ce qui permet l'exploration globale de l'affinité. - Apprentissage par renforcement: L'exposition répétée à une stimulation antigénique peut fonctionner comme une méthode d'apprentissage du renforcement. La Mémoire cellulaire peut devenir de plus en plus spécifiques à cet antigène, et capables de répondre plus rapidement à une répétition. Application des Systèmes Immunitaires Artificiels aux images médicales 57 Les systèmes immunitaires Artificiels Pour créer une réponse immunitaire secondaire une population de base d'anticorps est la première vaccinés avec un ensemble d'antigènes, qui sont une motivation pour les la maturation de la réponse immunitaire. La première exposition, comme dans le système immunitaire nature, crée un ensemble de cellules de mémoire en mesure de répondre plus rapidement au deuxième événement de l'antigène. En fixant un seuil d'affinité pour les cellules avec l'antigène, s’ils sont en mesure de reconnaître non seulement les antigènes spécifiques dont ils ont été vaccinés, mais aussi des antigènes qui sont structurellement similaires, ceci est connu sous le nom de la croix-réactive réponse [56].Cette généralisation de la connaissance est extrêmement avantageuse pour les applications, car il donne au système la tolérance et une plus grande flexibilité. 8.3. Les Réseaux Immunitaires Artificiels On trouve le Réseau Immunitaire Artificiel dans la compression des données car à partir de l’ensemble initial des données on pourra les représenter par un nombre réduit de données représentatives. L’algorithme AINET est donné comme suit [57] : Initialisation - Générer aléatoirement l’ensemble des anticorps. - Initialiser la population de cellules mémoire par l’ensemble vide. - Initialiser l’ensemble des antigènes par les données de l’ensemble d’apprentissage. Pour chaque antigène répéter les démarches suivantes pour un nombre N d’itérations Evaluation et première sélection : - Calculer l’affinité de l’ensemble de tous les anticorps avec l’antigène courant. - Sélectionner un nombre n d’anticorps ayant la plus grande affinité. - Clonage : Cloner les anticorps proportionnellement à l’affinité - Mutation : Muter les anticorps clonés inversement proportionnel à la valeur d’affinité, l’ensemble total créera la population mature. Evaluation et deuxième sélection : - Evaluer les affinités des anticorps de la population mature avec l’antigène en cours. Application des Systèmes Immunitaires Artificiels aux images médicales 58 Les systèmes immunitaires Artificiels - Sélectionner un taux x%, de l’ensemble des anticorps ayant la plus grande affinité, cet ensemble créera l’ensemble des cellules mémoires. - Première suppression clonale : Supprimer l’ensemble des cellules mémoire celles qui se ressemblent trop. - Mémorisation : Ajouter les cellules mémoire qui ont une affinité qui dépasse un certain seuil à l’ensemble totale de la population des cellules mémoire. La mort : - Eliminer tout ensemble d’anticorps non pris en compte. - Deuxième suppression clonale : Cette étape est exécutée après la fin des N itérations prévus pour chaque antigène. Quelques domaines d’utilisation des Réseaux Immunitaires Artificiels Nasraoui et al. [58] ont appliqué les Réseaux Immunitaires Artificiels à l’analyse des activités d’un serveur web. Knight et Timmis ont proposé MARITA [27] , un algorithme pour l’apprentissage supervisé inspiré de la théorie des réseaux immunitaires et de la sélection clonale. De Castro et Von Zuben, en 2001, ont proposé AINet [57], un algorithme qui combine la théorie des réseaux immunitaires et la sélection clonale. Les auteurs utilisent ensuite des stratégies issues de la théorie des graphes pour détecter les regroupements dans le réseau obtenu, et ont appliqué aiNet pour des problèmes de clustering. 9. Quelques domaines d’utilisation de systèmes immunitaires artificiels Les mécanismes immunitaires biologiques ont inspiré le développement de systèmes immunitaires artificiels (SIA) qui sont des méthodes de l’intelligence artificielle mettant en oeuvre des mécanismes et des acteurs (antigènes, cellules,tissus, organes) immunitaires en vue de résoudre des problèmes [27] . Plusieurs types de problèmes ont déjà été abordés par des SIA. Des approches de diagnostic en ligne, principalement inspirées du principe immunitaire de discrimination Soi/Non Soi, proposent des applications de surveillance et de détection en ligne de dysfonctionnements d’équipements de production. Par exemple, Dasgupta et al. en 1999 [42] proposent une application qui permet d’alerter un opérateur de tout changement dans les caractéristiques Application des Systèmes Immunitaires Artificiels aux images médicales 59 Les systèmes immunitaires Artificiels dynamiques en régime permanent d’un outil de coupe. En robotique, plusieurs travaux, dont par exemple celui de Luh et al. en 2006[59], proposent de doter des robots mobiles de mécanismes de navigation, d’arbitrage et/ou de sélection d’actions qui doivent leur permettre d’atteindre une cible dans un environnement complexe et inconnu tout en évitant des 10 obstacles. Ces travaux sont principalement inspirés de la théorie biologique du réseau immunitaire. Darmoul et al.[60] présentent un état de l’art des approches immunitaires artificielles pour l’ordonnancement. Ces approches s’inspirent des mécanismes biologiques de mémoire, de sélection clonale et/ou du réseau immunitaire pour développer des mécanismes d’optimisation combinatoire pour l’ordonnancement. En pilotage, Mori et al. en 1997 [61] proposent une approche immunitaire artificielle pour le contrôle et la régulation d’une ligne de production. Par exemple, Zhong et al. [62] signaler l'utilisation d'un SIA comme algorithme de classification basé à effectuer la télédétection par satellite des images. Quelques domaines d’application seront développés dans le chapitre suivant, plus les algorithmes d’apprentissage immunitaire pour la reconnaissance et la classification qui seront l’objectif de la partie application. Application des Systèmes Immunitaires Artificiels aux images médicales 60 Les systèmes immunitaires Artificiels 10. Conclusion Le Système Immunitaire Artificiel est inspiré du Système Immunitaire Naturel, il est servi pour résoudre une grande variété de problèmes informatiques. Les Systèmes Immunitaires Artificiels présentent plusieurs propriétés très intéressantes dans le domaine de reconnaissance des formes comme la distinction entre le soi et le non soi, la détection de changement, la mémorisation, l’adaptabilité ainsi que la gestion des ressources. La science arrivera peut-être un jour à percer tous les secrets du Système Immunitaire Naturel et à produire un Système Artificiel quasi similaire. Application des Systèmes Immunitaires Artificiels aux images médicales 61 Les domaines d’application des SIA Les domaines d’application des SIA IV Les domaines d’application des SIA 1. Introduction Après une décennie de recherche dans le domaine du système immunitaire artificiel (SIA), il est utile de prendre du recul et réfléchir sur les contributions que le paradigme a portées au domaine d'application auquel il a été appliqué. Ce document tente de faire le point sur les domaines d'application qui ont été abordé dans le passé, et de répondre à la difficile question ''a t-il été utile?''. Nous avons ensuite tenté de proposer un ensemble de caractéristiques, que selon nous, permettront de révélais le vrai potentiel du système immunologique, dans le domaine de la classification des images médicales. 2. Enquête sur des domaines d'application Afin de placer la suite de la discussion dans le contexte, nous présentons un examen général des domaines d'application au quelle les SIA ont été appliquée. Le bref résumé se repose en partie sur une bibliographie produite par De Castro [63], utilisés dans un tutoriel à ICARIS 2004 [64].Les informations contenues dans ce tutoriel ont été élargi pour inclure des références à des ICARIS 2004 [65] ICARIS 2005 [66], bien que ce produit de 2005 a été légèrement dépassée, alors nous l’avant enrichis avec des publications plus récentes dans le domaine des SIA. Veuillez noter que cette section ne décrit pas en détail les domaines d'application auquel les SIA ont été appliquée, la section est destiné à fournir une vue d'ensemble de l'ensemble des secteurs et de fournir une base pour la suite. Sur la base de cette enquête, nous ne constatons que les domaines d'application: • peuvent être grossièrement classées en 12 rubriques qui sont indiqués dans le Tableau 1. les catégories sont choisis simplement pour tenir compte de la nature du regroupement Application des Systèmes Immunitaires Artificiels aux images médicales 63 Les domaines d’application des SIA des documents et, dans certains cas sont assez large, et d'autres très étroite. Par exemple, la sécurité informatique et la détection des virus peuvent être classés comme des exemples de détection d'anomalies. Lorsque plus qu’un document a été écrit sur un domaine d'application particulier, ces documents sont regroupés. Par exemple, les documents relevant de la rubrique Détection d'Anomalie inclure un large éventail de sujets, allant par exemple de détection des fluctuations de température dans les unités de réfrigération [67], faute de détection des avions [63], la détection de défaillances dans guichet automatique les machines [68] et dans les réseaux téléphoniques [69]. Comme on l'a déjà mentionné, la sécurité informatique et la détection de virus pourraient également être classées dans cette rubrique. Un grand nombre de documents relevant de la rubrique générale de l'enseignement/ L'apprentissage peut généralement être comprise comme étant le processus d'acquisition de la connaissance, de l'expérience, et le fait de pouvoir réappliquer ces connaissances à différents problèmes ce cas-titre s'applique à une variété de thèmes tel que la reconnaissance des formes, le concept d'apprentissage, le regroupement et la classification des données, les documents relatifs aux groupements et classification ont été séparés à partir du thème général d'apprentissage, car il existe; plusieurs études comme [70-63]sur SIA dans la littérature, où la quasi-totalité de ces études utilisent la base de données de l'UCI (Université de Californie à Irvine) [64], ils utilisent directement le processus de classification. Bien que ces données reflètent le monde réel des problèmes de santé, elles sont enregistrées et traitées, elles sont prêtes à être utiliser directement dans un système de classification, elles sont principalement utilisées pour la comparaison d'un projet avec d'autres études en littérature techniques, ces études n’ont jamais fais l'extraction de données de la réalité telles que la classification la précise. 3. Les catégories du domaine d'application du SIA Majeure Clustering / Classification Anomalie de détection Sécurité Ordinateur Fonction d'optimisation numérique Optimisation combinatoire Apprentissage Mineure Bio-informatique traitement d'image Contrôle Robotique Détection de virus L'exploitation du Web Tableau 1 : Les catégories du domaine d'application du SIA. Application des Systèmes Immunitaires Artificiels aux images médicales 64 Les domaines d’application des SIA L'optimisation couvre un certain nombre d'application réelle combinatoire des domaines tels que l'optimisation du problème du voyageur/ vendeur, la planification (y compris les stocks et les horaires), et des problèmes de routage, et également l'optimisation de fonctions numériques. Par exemple, Campelo et al. [71] discute sur l'utilisation d'un algorithme immunitaire basé sur l'optimisation lors de l'optimisation de la conception de dispositifs électromagnétiques. En 2002, Lee et al. [72] font état d'une application immunitaire à base d'algorithme d'optimisation de colonie de fourmis pour résoudre un problème de résignation d'un arme-cible. Les applications Robotiques ont tendance à se fonder sur le contrôle simulé autour de petits robots, environnements artificiels, en général résoudre le problème de comportement et d'arbitrage et de navigation autonome (par exemple [[73-74]), mais les travaux par E. Hart et al. [75] sont des tentatives pour établir une fondation à l'utilisation d'un SIA pour fournir les bases d'une architecture pour qu'un robot puisse acquérir, de nouvelles, plus complexe, compétences tout au long de sa durée de vie. Les applications Web sont de plus en plus répandues, Nasraoui et al. [76] utilisent un algorithme d' SIA pour le suivi des groupes dans un flux dynamique de données de séquence de clics, ces données générées par les utilisateurs Web afin de construire un profil de l'utilisateur. 4. Quelques exemples de systèmes immunitaires artificiels dans les catégories citées L’objectif ultime est de développer des systèmes qui ont la capacité d’apprendre de façon incrémentale tout en s’adaptant à leur environnement et qui sont tolérants au bruit. L’immunologie artificielle est un paradigme récent qui tente de capturer des caractéristiques intéressantes des systèmes immunitaires naturels, comme la mémorisation, la reconnaissance de formes, l’apprentissage, et les capacités d’adaptation. Un système immunitaire artificiel a été défini comme un système adaptatif inspiré par le système immunitaire biologique pour la résolution de problèmes. Quelque étude sur l’application des systèmes immunitaires artificiels : Application des Systèmes Immunitaires Artificiels aux images médicales 65 Les domaines d’application des SIA 4.1 Un système de diagnostic médical Assistée par ordinateur Ce système est basé sur l'analyse en composantes principales et système immunitaire artificiel de reconnaissance «algorithme de classification ». Le projet est « Computer aided medical diagnosis system based on principal component analysis and artificial immune recognition system classifier algorithm »par Kemal Polat et Salih Gunes publie en 2006 par Elsevier [77]. 4.1.1. Présentation Tout d'abord, la dimension des données du cancer du poumon qui est de 57 caractéristiques est réduite à 4 caractéristiques utilisant l'analyse en composantes principales. Ensuite, ils ont utilisé le système immunitaire artificiel (SIA) comme classificateur pour le diagnostic de la maladie « cancer du poumon ».Le classificateur a obtenu l'exactitude de 100% et il était très prometteur à l'égard des autres classifications des applications dans la littérature pour ce problème. 4.1.2. L’algorithme du système immunitaire artificiel appliqué Les paramètres du SIA classificateur L'un des principaux avantages d’, qu’il est nécessaire de connaître tout paramètres appropriés pour le classificateur à l'avance. C’est la caractéristique la plus importante du classificateur [78]. Les explications de chaque paramètre utilisé dans les SIA sont données en dessous. Le tableau 2 résume ces paramètres. Paramètres utilisés taux de Mutation ATS (affinité seuil scalaire) seuil de Stimulation taux de Clonage taux de l'Hyper clonage Nombre de ressources Nombre d'itération k Valeur pour voisin le plus Valeur 0.10 0.2 0.99 10 2.0 250 30 1 Tableau 2 : Les valeurs de paramètres utilisés dans les SIA pour le cancer du poumon Application des Systèmes Immunitaires Artificiels aux images médicales 66 Les domaines d’application des SIA Taux de mutation: Un paramètre entre 0 et 1 qui indique la probabilité que tel ou tel élément (ou la sortie) d'un ARBS sera muté. Seuil d'affinité scalaire (ATS): une valeur entre 0 et 1 qui fournit une valeur seuil pour la mémoire cellulaire de remplacement dans les SIA. Seuil de stimulation: un paramètre entre 0 et 1 utilisés comme un critère d'arrêt pour l’entrainement sur un antigène. Taux de clonage: une valeur entière utilisée pour déterminer le nombre de clones mutés qu'une ARBs (Artificial Reconnaissance boules) ou (Artificielle Reconnaissance boules sont un magasin de cellules B contenant chacun des informations sur la cellule (anticorps, ressource, classe)) est autorisé à se multiplier. Dans l’approche proposé par « Watkins » en 2001 [78], les ARB sélectionnés sont permis de se multiplier (taux de clonage* valeur de stimulation), ce produit est aussi utilisé pour l’attribution des ressources à un ARB. Taux d'hyper clonage : cette valeur détermine le nombre de clones muté d’origine. Dans l’approche proposée par « Watkins » en 2001 [78], ce nombre est déterminé par la formule suivante : Num_clone = hyper_clonal_taux * taux de clonage* valeur de stimulation Nombre de ressources: un paramètre qui limite le nombre ARBs autorisé dans le système. Chaque ARBs est alloué à un certain nombre de ressources sur la base de sa valeur de stimulation et les clones. K plus proche voisin (KNN): un système de classification dans qui la réponse du classificateur à un précédemment point invisible est déterminé par un vote à la majorité des k plus proches points de données. K valeur: le paramètre qui indique combien de cellules mémoire devraient être utilisés pour déterminer la classification d'un élément donnée d'essai. 4.1.3. SIA algorithme de classification SIA est un algorithme d'apprentissage supervisé inspiré des métaphores immunitaires. Dans cet algorithme, les mécanismes immunitaires utilisés sont : la sélection clonale, la maturation, l'affinité et la formation de mémoire cellulaire. Les données présentée pour l’entraînement et le test ont le nom de « antigènes » pendant que les unités du système sont appelées cellules B. les cellules B sont représentés avec Application des Systèmes Immunitaires Artificiels aux images médicales 67 Les domaines d’application des SIA reconnaissance artificielle boules (ARBs) ; ces ARBs porte des informations sur les cellules B: la stimulation entre cette cellule B et l’antigène en cour, la classe a laquelle elle appartient et les ressources qu’elle peut consommer. Les ARBs ayant des valeurs de stimulation important sont sélectionné pour la consommation des ressources et le reste sera supprimé du système. Les cellules mémoire formée après l’entraînement de l’ensemble des antigènes qui ont été présentées, sont utilisées pour classer les antigènes d'essai. L'algorithme est composé de quatre étapes principales, qui sont l'initialisation, l'identification cellulaire et la génération des ARBS, la concurrence pour les ressources et le développement d'un candidat la mémoire cellulaire (l’anticorps d’un ARB est de la même classe que l’antigène qui le reconnais le mieux), et mise en place de la mémoire cellulaire. Système Immunitaire Naturel SIA Anticorps Dossier de vecteur. Reconnaissance balle Comparaison entre le Dossier de vecteur et les vecteurs classés. Forme-espace Type et les valeurs possibles des données. Clonage des données La reproduction des ARBs qui sont bien assortis à antigènes d’entraînement. La maturation mutation des ARBS et l'élimination des moins stimulé ARBS Immunitaire mémorisation Les ARBs muté dévient des cellules mémoires Metadynamics La continuité d'enlèvement et la création des ARBs et la mémoire. Tableau 3 : La correspondance entre le système immunitaire et SIA Nous donnons les détails de l’algorithme ci-dessous : 1. Initialisation: Créer un ensemble de cellules appelées la mémoire (M) et le ARBS (P) de choisies au hasard des données d'apprentissage. 2. Présentation antigénique: Pour chaque structure antigénique faire: a) l'expansion clonale: Pour chaque élément de M, déterminer son affinité pour la structure antigénique. Sélectionnez la cellule mémoire(mc) avec la plus haute Application des Systèmes Immunitaires Artificiels aux images médicales 68 Les domaines d’application des SIA affinité et cloné mc proportionnellement à sa antigénique affinité et les ajouter à l'ensemble des ARBs (P). b) la mutation (maturation) : Mutent chaque descendant d'ARB inversement à son affinité. Placez chaque muté ARB en p. c) Metadynamics des ARBs: chaque processus d'ARBS utilise le mécanisme d'allocation des ressources. Ce processus entraîne des décès d'ARBS, et, finalement, des contrôles de la population. Calculer la moyenne de stimulation pour chaque ARBS, et de vérifier le licenciement état. d) l'expansion clonale et la maturation : Cloner (il est impérative de savoir le nombre de clone à génère car elle est en fonction de la valeur de stimulation calculé avec l’antigène) et muter de façon aléatoire (choisis au hasard) sélectionnez le sousensemble de la ARBs à gauche de P en fonction de leur niveau de stimulation. e) Cycle: Alors que la valeur moyenne de stimulation de chaque ARB groupe classé est inférieure à une stimulation seuil passez à l'étape 2 (c). f) Metadynamics des cellules mémoires: Sélectionnez ARB avec affinité la plus élevé; de la même catégorie que l'antigène de la dernière interaction antigénique. Si l'affinité de ce ARB avec antigène est mieux que le précédemment recensé; ajouter le candidat (mc-candidat) à la mémoire. Si M. ensemble l'affinité de mc et mc-candidat sont au-dessous du seuil d'affinité, supprimer mc de M. 3. Classé les nouvelle données en utilisant les cellules mémoire M. Le classement est effectué avec k-plus proche voisin avec un vote en cours; entre le k cellules mémoire plus proche au données. SIA peut être caractériser comme suit: • Mémoire: La mémoire de l'algorithme des SIA est dans le réservoir des cellules mémoire développée par l'exposition à l’entrainement des données (expériences); • Adaptation: L'adaptation se produit principalement dans les ARB mémoire. Avec chaque nouvelle expérience, le SIA évolue un candidat de la mémoire cellulaire en réaction à cette expérience. Si cette cellule mémoire est d'une qualité suffisante, alors la mémoire, la structure est s'adapte à y inclure; Application des Systèmes Immunitaires Artificiels aux images médicales 69 Les domaines d’application des SIA • Prise de décision: La décision initiale qui est la cellule mémoire la plus similaire à la future formation d'antigène. Cette cellule est utilisée comme une progéniture pour une piscine de l'évolution cellulaire. Nous expliquons chaque étape de l’algorithme en détail dans le paragraphe suivant: A. Initialisation: La première étape de l'algorithme est les données du prétraitement. Dans cette étape, les données sont normalisées afin d'assurer que la distance euclidienne(5) entre deux données est dans l’intervalle de [0-1]. Dis tan ceEuclidienne = n ∑ (x i =1 i − yi ) 2 B. l'identification des cellules Mémoire et la génération d'ARB: Dans cette étape, l'algorithme itère pour chaque antigène, l'antigène est présenté aux cellules mémoire et le plus stimulé des cellules mémoires par cet antigène est clonée. La stimulation est calculée par l'équation (7). Tous les clones de cellules mémoire sont ajoutés à l’ARB. Le nombre de clones est déterminé en fonction de l'affinité entre les cellules mémoire et l'antigène. Le calcule de l'affinité valeurs se fait en utilisant l'équation(8). C. La concurrence pour les ressources et le développement d'un candidat Dans cette étape, l’entrainement : l'antigène est présenté à tous les ARBs dans la piscine. Ensuite, l'ensemble des ARBs sont accordés en fonction de leur nombre de ressources. Une classe d'ARB avec le plus grand nombre de ressources a la plus grande affinité valeurs. En d'autres termes, l’affinité valeurs attribuées sont proportionnels au nombre de Application des Systèmes Immunitaires Artificiels aux images médicales 70 Les domaines d’application des SIA ressources pour chaque ARB. Le nombre de ressources requis ne doit pas dépasser le nombre de ressources autorisées par le système. Dans ce cas, les ressources supplémentaires sont enlevées, les ARBs ayant la plus faible affinité, jusqu'à ce que le nombre de ressources est égal au nombre autorisé par le système. La stimulation des autres ARBs est calculée et la valeur moyenne de chaque classe est déterminée. Si l'une de ces valeurs moyennes est inférieure à une stimulation seuil déterminé par l'utilisateur, les ARBs appartenant à cette classe sont mutées et cloné puis ajoutés à la piscine. Cette étape se poursuit jusqu'à ce la moyen de stimulation de toutes les classes est plus grande que le seuil de stimulation. Pour calculer la valeur moyenne de stimulation pour chaque classe, nous utilisons l'expression suivante: Où i = 1,. . . , nc. s = (s1, s2,. . . , Snc), représente ARBi le nombre de ARBs appartenant à la classe, et ARBj représente le niveau de stimulation j de ARB ième de classe. D. Mise en place de la mémoire cellulaire : Après que la valeur de stimulation de tout les ARBs dans toute les classes atteint le seuil de stimulation, la meilleure ARB (c'est-à-dire, ARBs ayant la plus forte affinité) dans la même classe que l'antigène est considéré comme un candidat '' cellule mémoire''. Si la stimulation valeur entre l'antigène d'entraînement et le candidat de la mémoire cellulaire est plus grande que la valeur de stimulation entre l'antigène d'entraînement et la cellule mémoire d'origine, alors le candidat de la mémoire cellulaire est ajouté à la piscine. Ces étapes sont répétées pour chaque antigène. Après la formation, les données de l'essai sont présentées uniquement à la mémoire cellulaire. k-NN algorithme est utilisé pour déterminer les classes. 4.2. Application médicale de reconnaissance par le système artificielle immunitaire Le projet est « Medical application of Artificial Immune Recognition System (AIRS): Diagnosis of atherosclerosis from carotid artery Doppler signals », proposé par Fatma Latifoglua, Halife Kodazb, et Sadık Karaa, en September 2006 [79]. Application des Systèmes Immunitaires Artificiels aux images médicales 71 Les domaines d’application des SIA 4.2.1. Présentation Cette étude a été menée pour distinguer entre l'athérosclérose et des sujets sains. Par conséquent, ils sont employés l'enveloppe maximale de la carotide des signaux Doppler provenant de la méthode artificielle de Fourier « Transformation-Welch ». L'apparence floue de la carotide des signaux Doppler rend suspectes les médecins sur l'existence de maladies et parfois causes de faux diagnostic. La technique proposée est autour de ce problème, en utilisant SIA, pour aider le médecin à rendre le jugement définitif en confiance. SIA a atteint 99,29% classement exactitude moyen de 10 fois de validation croisée. Les résultats montrent que la méthode proposée classe les signaux Doppler avec succès. FIG 4.1 : Sonagrammes obtenues à l'aide de la méthode Welch construite à partir du Doppler données obtenues à partir de (a) un sujet sain et (b) un patient atteint de l'athérosclérose 4.2.2. L’algorithme du système immunitaire artificiel appliqué : L’algorithme appliqué des SIA est proposé par Watkins [78] comme un apprentissage supervisé limitée, l’algorithme est détaillé dans la partie précédente (cf. 4.1.3.). FIG 4.2 : Schéma de la méthode proposée par Watkins appliqué dans cette étude Application des Systèmes Immunitaires Artificiels aux images médicales 72 Les domaines d’application des SIA Les paramètres des SIA classificateur Les valeurs des paramètres pour les SIA Paramètre Valeur Nombre de semences de cellules 1 Nombre de ressources 200 Stimulation seuil de 0.9 Taux de mutation 0.1 Affinité seuil scalaire (ATS) 0.2 k valeurs pour voisin le plus proche 1 Tableau 4 : paramètres des SIA classificateur Où T est l'ensemble des éléments de données à classer. • La sensibilité (sensitivity) et la spécificité (specificity): Où TP, TN, FP, FN désignent vrai positifs, négatifs vrai, faux positifs et faux négatifs, respectivement. Vrai positif (TP): les SIA identifient une entrée comme un patient avec l'athérosclérose diagnostiqué par l'expert des cliniciens Vrai négatif (TN): les SIA identifient comme une entrée normale qui a été étiquetés comme sain par l'expert des cliniciens. Faux positifs (FP): les SIA identifient comme une entrée du patient qui a été étiquetés comme sain par l'expert des cliniciens. Faux négatifs (FN): les SIA identifient comme une entrée normale avec l'athérosclérose diagnostiquée par l'expert des cliniciens. 4.2.3. Les résultats expérimentaux Classification (%) Spécificité (%) Sensibilité (%) Nombre de mal-classés échantillons. Application des Systèmes Immunitaires Artificiels aux images médicales 73 Les domaines d’application des SIA Tableau 5 : Les 10 résultats des tests des SIA pour la classification des sonagrammes Doppler. 4.3 Amélioration de la reconnaissance des formes avec la sélection clonale artificielle? Le projet est « Improved Pattern Recognitionwith Artificial Clonal Selection? », proposé par Jennifer A. White et Simon M. Garrett en 2003 [80]. 4.3.1. Présentation L'objectif de cette étude est l'application de l’algorithme de la sélection clonale, CLONALG, pour la reconnaissance des formes, un domaine d'application pour lequel il a été proposé, mais pas testé. Afin de valider l'algorithme, CLONALG est testé sur une série de reconnaissance de caractères binaires tâches et de ses performances par rapport à des ensemble algorithmes binaire, une comparaison a été faite avec la distance de Hamming. Un certain nombre d'améliorations sont apportées à l'algorithme pour améliorer son niveau de performance et classification. Les résultats montrent que, n’apporte quel nombre de données CLONALG peut les classer avec succès, et des ajustements à cette algorithme peuvent améliorer ces performances, il pourra être plus accrocheur de le testé avec plus complexe classificateurs comme les SVMs. 4.3.2. L’algorithme du système immunitaire artificiel appliqué : L'algorithme de sélection clonale, CLONALG, a été proposé pour la première fois par Castro et Von Zuben dans [81] et a été renforcée plus tard dans leur document de 2001 [82]. Dans le document de 2001 [82], De Castro et Von Zuben fait la suggestion que CLONALG pourrait être utilisé pour la reconnaissance des formes. L'algorithme a une population d'anticorps et par l'exposition répétée à des antigènes, sur un certain nombre de générations, met au point une population plus sensible à la stimulation Application des Systèmes Immunitaires Artificiels aux images médicales 74 Les domaines d’application des SIA antigénique. Nous nous proposons de décrire CLONALG en insistant particulièrement sur ces phases d’apprentissage et de reconnaissance. L'algorithme de base est le suivant: 1. Générer au hasard une population initiale d'anticorps Ab. Il est composé de deux sous ABM (mémoire population) et ARB (réservoir de population). 2. Créer un ensemble de modèles antigéniques Ag. 3. Sélectionnez un antigène Agi de la population Ag. 4. Pour chaque membre de la population Ab calculer son affinité pour l'antigène Agi le calcule de l'affinité se fais en utilisant les fonctions de distance par exemple, de Hamming. 5. Sélectionnez la plus haute affinité n anticorps et générer un nombre de clones de Chaque anticorps proportionnel a son affinité, en plaçant les clones dans une nouvelle Ci population. 6. Muter le clone Ci population à un degré inversement proportionnelle à leur affinité pour produire une population d'âge mûr Ci *. 7. Réappliquer l'affinité fonction à chaque membre de la population Ci * et sélectionnez le score le plus élevé, comme candidat de cellules mémoire. Si son affinité est plus grande que la cellule courante ABMi, le candidat devient le nouveau '' mémoire cellulaire''. 8. Supprimer ces anticorps à faible affinité dans la population et remplacer ARB avec les nouveaux membres générés de manière aléatoire. 9. Répétez les étapes 3-8 jusqu'à ce que tous les antigènes aient été présentés. Cela représente une génération de l'algorithme. Une génération de l'algorithme est complète lorsque tous les antigènes ont été présentés et toutes les mesures ont été effectuées pour chaque antigène. Cet algorithme conserve seulement une cellule pour chaque antigène qui lui est présentée. Hypermutation peuvent être mises en oeuvre dans un certain nombre de différentes de façons, notamment en multi-point mutation, sous la régénération et la simple substitution. Dans cette étude, l’algorithme a été mis en œuvre en utilisant plus d'un point de mutation. Cette méthode de mutation prend une proportion d'attributs choisis au hasard de la chaîne est les mute. 10. Classification Dans cette étape, une forme inconnue (antigène) est comparée avec les cellules mémoires trouvés par la phase d’apprentissage (une cellule mémoire par classe). Puis la Application des Systèmes Immunitaires Artificiels aux images médicales 75 Les domaines d’application des SIA forme est assignée à la classe de la cellule mémoire qui a la plus grande affinité avec elle. La procédure de classification s’opère de la façon suivante [82] : • L'algorithme de classification : 1. Sélectionnez l'antigène de la population à être classée. 2. Comparez l'antigène avec chaque cellule mémoire. 3. Calculer le pourcentage de précision (affinité / max) * 100. 4. Si le pourcentage est> du courant le plus élevé, placer le nouveau candidat comme le plus élevé. 5. Si plus élevé est> le seuil, fixé la classification de la cellule mémoire dans le plus élevé. 6. Ajouter le résultat à l'ensemble des classifications. 7. Jusqu'à ce que tous les antigènes ont été présentés. Antigènes en-dessous de la valeur seuil sont considérés comme étant non classés et sont inscrites comme inconnue. Dans [81] CLONALG sa mémoire est construite à partir de cellules unique. Pour que CLONALG réalise son plein potentiel; il doit être en mesure mémoire en de développer des cellules plusieurs exemplaires différents de chaque modèle. Cela permet d'avoir une généralisation des cellules mémoire qui représentent les caractéristiques de l'exemple donné pour chaque modèle de classe. Dans cette étude on remarque que : Un potentielle négatif de CLONALG est qu'il ne parvient pas à capitaliser sur l'information générée par chaque clone de la population. Une fois un candidat mémoire cellule a été sélectionné, le reste, ceux qui ont été muté et cloné, sont éliminés, même si cette population ne contient que des candidats de haute affinité. En préservant une plus grande proportion de la population de maturation, l'algorithme pourrait s'inspirer d’une plus forte base de matches de haute affinité et devrait théoriquement atteindre une solution optimale en moins de générations. Toutefois, cette hypothèse conduit également un nouveau danger d'être collé sur un minimum local à mesure que la population devient de plus en plus étroite dans son orientation. La phase de remplacement devrait empêcher cela , elle conduit à des nouveaux anticorps, générés de manière aléatoire dans le réservoir de population. Mise à jour du réservoir de population, telles qu'il tend vers un point optimal. La version modifiée de sélection clonale. Application des Systèmes Immunitaires Artificiels aux images médicales 76 Les domaines d’application des SIA Alors Jennifer A. White a proposé algorithme, CLONCLAS [80], est comme suit: Nous nous proposons de décrire CLONCLAS en insistant particulièrement sur ces phases d’apprentissage et de reconnaissance. A. Apprentissage avec CLONCLAS Lors de la phase d’apprentissage, la cellule mémoire correspondante à chaque antigène est trouvée. La cellule obtenue est le modèle de la classe. Pour cette algorithme le terme anticorps fait référence à la fois à l’anticorps et à la cellule B qui l’a produite. Les détails de l’apprentissage sont décris comme suit: 1. générer aléatoirement une population initiale d’anticorps Ab. Elle est composée de deux sous ensembles Abm (population mémoire) et Arb (population réservoir). 2. construire un ensemble d’antigènes Ag à partir des exemples d’entraînements. 3. sélectionner un antigène Agi de la population Ag. 4. pour G générations : a) pour chaque élément de Ab calculer son affinité avec l’antigène Agi ensemble utilisant une certaine fonction d’affinité (ex. Distance de Hamming). b) Sélectionner les n anticorps avec les meilleures affinités et générer pour chaque anticorps sélectionné un nombre de clones proportionnel à son affinité, placer les clones dans une nouvelle population C i. c) Muter les éléments de la population de clones C i avec un degré inversement proportionnel à leurs affinités pour produire une population mature C i*. d) Ré appliquer la fonction d’affinité aux membres de la population mature C i* et sélectionner le meilleur individu comme cellule candidate. Si son affinité est meilleure que celle de la cellule mémoire courante Abmi, alors la cellule candidate remplace l’ancienne cellule mémoire. e) Remplacer les anticorps de Arb par les meilleurs anticorps de C i*. f) Eliminer les anticorps de faible affinité de Arb net les remplacer par de nouveaux anticorps générés aléatoirement. 5. Retourner à l’étape 3 jusqu’à ce que tous les antigènes soient présentés au système. B. Classification Dans cette étape, une forme inconnue (antigène) est comparée avec les cellules mémoires trouvés par la phase d’apprentissage (une cellule mémoire par classe). Puis la forme est assignée à Application des Systèmes Immunitaires Artificiels aux images médicales 77 Les domaines d’application des SIA la classe de la cellule mémoire qui a la plus grande affinité avec elle. La procédure de classification s’opère de la façon suivante : 1. Sélectionner un antigène de la population d’antigènes à classer. 2. Comparer l’antigène avec chaque cellule mémoire. 3. Calculer le pourcentage de précision (affinité/max)*100 pour chaque cellule mémoire. 4. Si le pourcentage le plus élevé est supérieur à un certain seuil, l’antigène reçoit la classe de la cellule mémoire avec le pourcentage le plus élevé. 5. Ajouter le résultat à l’ensemble de classification. 6. Boucler jusqu’à ce que tous les antigènes soient présentés. 5. Conclusion Dans ce chapitre nous avons présenté les domaines d’application des systèmes immunitaire artificiel et quelques études sur des algorithmes telle que : Système Immunitaire Artificiel avec Sélection Clonale, la Sélection Clonale artificielle avec ClonClas. Dans notre système la reconnaissance se fait à l’aide du Système Immunitaire Artificiel avec Sélection Clonale « ClonClas ». Application des Systèmes Immunitaires Artificiels aux images médicales 78 Expérimentation et résultats Expérimentation et résultats V Expérimentation et résultats 1. Introduction Nous présentons dans cette partie du travail les résultats d’expérience de la méthodologie, après avoir détaillé le coté théorique dans les chapitres précédents. Notre système classe les tumeurs cérébrales présentent dans des images médicale, par les systèmes immunitaires artificiels. Cette étude s’articule autour de quatre parties : La première étape effectuée par le programme est la segmentation. Cette opération cherche à partitionner une image en ensembles de points appelés régions. Ces régions seront relativement homogènes du point de vue des critères étudiés. La segmentation est faite par la méthode Split and Merge. La deuxième étape est la classification ; celle-ci permet d’affecter les entités découlant de la segmentation à une classe ou tous les objets lui appartenant partagent des attributs communs donc des vecteurs similaires. Cette classification est effectuée par les systèmes immunitaires artificiels (SIA). La troisième étape est l’application des algorithmes génétiques (AG) pour la recherche des meilleurs paramètres d’apprentissage dans les systèmes immunitaires artificiels (SIA). Enfin dans la quatrième partie pour mettre en évidence notre travail, on le compare avec l’une des dernières méthodes utilisées qui sont les SVM (Support Vector Machine). 80 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 2. Ressources matériels et logiciel Pour la mise en œuvre des applications, nous avons utilisé un micro ordinateur ayant les caractéristiques suivantes : Micro processeur Intel Pentium4 (2.8GHz), avec une RAM 2 Go, un Disque dur 160Go, le Système d’exploitation Windows Vista, et Comme langage de programmation nous avons utilisé le langage MATLAB. Présentation générale Le MATLAB est un langage de calcul scientifique de haut niveau et un environnement interactif pour le développement d'algorithmes, la visualisation et l'analyse de données, ou encore le calcul numérique, il est optimisé pour le traitement des matrices, d’où son nom (MatLab = Matrix Laboratory). En utilisant MATLAB, on peut résoudre des problèmes de calcul scientifique plus rapidement qu'avec les langages de programmation traditionnels, tels que C, C++. Le MATLAB est utilisé dans une grande variété d'applications, incluant le traitement du signal et d'images, les communications, la conception des systèmes de contrôle, les tests et les mesures, ainsi que la biologie Informatique. 3. Corpus utilise Nous avons utilisé une base de données extraite de la classification de l’OMS (Organisation mondiale de la santé), les grades établis par l’OMS permettent une classification des tumeurs en fonction de leur malignité et de leurs caractéristiques. Le grade d’une tumeur dépend, du degré d’anormalité (anaplasie: les cellules perdent leurs caractères propres et changent anormalement de structure) des cellules cancéreuses et du taux de croissance et d’expansion de la tumeur. La détermination du grade est effectuée lors d’une analyse microscopique des tissus prélevés. La base de données est constitué de neuf types : Astrocytome, Astrocytome pilocytique, , Astrocytome anaplasique, Astrocytome pilocytique anaplasique, Astrocytome giganto-cellulaire subépendymaire, Glioblastome, Ependymome, Ependymome anaplasique, Médulloblastome (il appartienne tous au types de tumeur vue dans le chapitre 1). Des grades établis par l’OMS : grade I Tumeurs bénignes : Tumeurs à croissance lente et circonscrites (limites bien définies). grade II 81 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats Tumeurs bénignes : Tumeurs à croissance lente, mais, contrairement aux tumeurs de grade I, leurs limites sont imprécises. grade III Tumeurs malignes : Tumeurs anaplasiques Un ou plusieurs foyers «anaplasiques» se sont développés au sein d’une tumeur préexistante de bas grade (I ou II). Leur croissance est plus rapide que celle des tumeurs de bas grade. grade IV Tumeurs malignes : Les tumeurs de grade IV présentent une anaplasie très prononcée. Leur croissance est plus rapide que celle des tumeurs de bas grade. Label Pathologie Grade Nombre d’images 1 Astrocytome pilocytique I 10 2 Astrocytome giganto-cellulaire subépendymaire I 2 3 Ependymome I 3 4 Astrocytome II 8 5 Astrocytome pilocytique anaplasique III 2 6 Ependymome anaplasique III 1 7 Astrocytome anaplasique III 1 8 Glioblastome IV 16 9 Médulloblastome IV 18 Total 51 Tableau 1. Les types de tumeurs cérébrales avec leurs grades. 82 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 4. Le schéma de l’application Ci–dessous le schéma correspondant à notre application Base d’images tumorales cérébrales Prétraitement Redimensionnement et Filtrage Segmentation : Split & Merge Extraction des paramètres Créer la base d’Antigènes AIS AG-AIS AG-AIS Création de la base d’anticorps Choix des meilleurs paramètres pour l’apprentissage par AG Création de la base d’anticorps à l’aide des AG Apprentissage Cellules Mémoires Classification Résultat : Les classes des tumeurs avec leurs grades FIG 5.1. Schéma de l’application 83 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 5. Logiciel Ce logiciel a été développé pour le prétraitement et la classification des image médicale par SIA, qui consiste d’une part à extraire les informations importantes , qui vont faire l’objet de l’apprentissage et le teste , c’est - à -dire les entrées. 5.1. Phase I (prétraitement) Selon le schéma de l’application (FIG.5.1), après l’acquisition des images médicales cérébrales on passe au prétraitement qui se fait en deux étapes : Le redimensionnement d’image : le but de cette étape est de rendre toutes les images à traiter dans une taille identique 256*256 pour quelle soit facile à manipuler par la méthode de segmentation choisie (FIG. 5.2). • Filtre médiane : Les filtres médians sont un type de filtres passe-bas dont le principe est de faire la médiane des valeurs des pixels avoisinants (FIG. 5.2). On conclut que globalement, le filtre médiane présente une meilleure fidélité à l’image initiale. Ce filtre donne d'excellents résultats sur le bruit "poivre et sel". De plus, il préserve bien les contours. FIG 5.2. L’image originale FIG 5.3. L’image filtrée 5.2. Phase II 5.2.1 Segmentation Les images médicales sont segmentées par une structure Quadtree (division), selon un prédicat d’homogénéité bien choisie. L’image segmentée résulte de cette étape subit un 84 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats regroupement de régions (fusion) qui est fondée sur le prédicat d’homogénéité utilisé dans l’étape précédente et une connexité de 4 ou 8 selon l’image à traiter (FIG 5.4). Le prédicat d’homogénéité pour une région R se repose sur deux critères : 1. La moyenne des niveaux de gris de la région R est inférieure à un seuil fixé. 2. La variance des niveaux de gris de la région R est supérieure à un seuil fixé. Split (H [I] n’est Pas vérifier) I1 I2 I3 I4 I . Split ( vérifier) Image initiale I11 I12 I3 I2 H [Ii] n’est Pas I11 I12 Merge I41 I42 I43 Le premier Split I13 I14 I3 La fin du Split & le I2 I41 I42 I43 I44 L’image segmentée début de Merge FIG 5.4. Le principe de la Segmentation 5.2.2 Extraction des caractéristiques de l’image segmentée Le choix des attributs pour caractériser une région est un problème difficile qui demande toute l’expérience du traiteur d’images. Ce choix dépend de l’image à traiter et du problème à résoudre. A partir des résultats de la segmentation par «Split&merge » appliquée sur des images IRM cérébrale, nous obtenons une carte de régions homogènes où les pixels de chaque région portent une seule valeur caractérisant la région. 85 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats Pour le calcul des attributs de chaque région de l’image, on cherche les valeurs des niveaux de gris de chaque pixel de la région obtenue par la segmentation dans l’image initiale. Ces attributs sont définis comme suite : Surface (sur) : c’est le nombre de pixels de la région. Variance (var) : c’est le critère d’homogénéité calculé comme suit : Nbp Variance = ∑ (Ngp i =1 i − Ngm ) 2 Surface Avec Ngp i : Niveau de gris du pixel i. Nbp : Nombre de pixel de la région. Périmètre (Per): la longueur de la frontière de la région ou le nombre de pixels formant cette frontière. Niveau de gris moyen (Ngm): c’est la moyenne des niveaux de gris des pixels de la même région. Ngm = ∑ Niveaux de gris de la région/Sur ♦ Elongation (Elg): on détermine le rectangle exinscrit (se dit d’une figure géométrique tangente aux points d’une autre et située à l’extérieur de celui-ci) aux régions. L’élongation des régions est assimilée à celle du rectangle (c’est le rapport longueur L sur largeur I). Elg=L/I ♦ Compacité (Com): appelé aussi facteur de circularité défini à partir de la surface Sur et périmètre Per par Com= 4 Π sur/per ² Avec ces attributs, chaque image est présentée comme une matrice de taille N*M. Ou N : le nombre total des régions résultantes de l’image segmentée. 86 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats M : le nombre des attributs qui caractérisent chaque région, avec l’ordre suivant (Sur, Var, Ngm, Elg, Com). Voici un échantillon d’extraction des attributs des régions d’une image segmentée : Tableau 2. Les attributs d’une image segmentée Tableau 3. Les attributs d’une image segmentée après normalisation 87 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 5.3 .Utilisation de l’SIA La reconnaissance se fait à l’aide du Système Immunitaire Artificiel avec Sélection Clonale. Notre algorithme est celui de CLONCLAS qui utilise les principes de la Sélection Clonale artificielle tout en modifiant les paramètres d’initialisation (populations anticorps et antigènes) et la fonction de mutation. Cet algorithme étant un algorithme d’optimisation, qui sera utilisé comme algorithme d’apprentissage pour servir à générer des cellules mémoires qui seront utilisées dans la phase d’apprentissage de test : 1. Générer aléatoirement une population initiale d’anticorps Ab. Elle est composée de deux sous ensembles Abm (population mémoire) et Arb (population réservoir). 2. construire un ensemble d’antigènes Ag à partir des exemples d’entraînements. 3. sélectionner un antigène Agi de la population Ag. 4. pour G générations : a) pour chaque élément de Ab calculer son affinité avec l’antigène Agi ensemble utilisant une certaine fonction d’affinité (ex. Distance de Hamming). b) Sélectionner les n anticorps avec les meilleures affinités et générer pour chaque anticorps sélectionné un nombre de clones proportionnel à son affinité, placer les clones dans une nouvelle population C i. c) Muter les éléments de la population de clones C i avec un degré inversement proportionnel à leurs affinités pour produire une population mature C i*. d) Ré appliquer la fonction d’affinité aux membres de la population mature C i* et sélectionner le meilleur individu comme cellule candidate. Si son affinité est meilleure que celle de la cellule mémoire courante Abmi, alors la cellule candidate remplace l’ancienne cellule mémoire. e) Remplacer les anticorps de Arb par les meilleurs anticorps de C i*. 88 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats f) Eliminer les anticorps de faible affinité de Arb net les remplacer par de nouveaux anticorps générés aléatoirement. 5. Retourner à l’étape 3 jusqu’à ce que tous les antigènes soient présentés au système. ♦ Classification Dans cette étape, une forme inconnue (antigène) est comparée avec les cellules mémoires trouvés par la phase d’apprentissage (une cellule mémoire par classe). Puis la forme est assignée à la classe de la cellule mémoire qui a la plus grande Stimulation avec elle. La procédure de classification s’opère de la façon suivante : 1. Sélectionner un antigène de la population d’antigènes à classer. 2. Comparer l’antigène avec chaque cellule mémoire. 3. Calculer le pourcentage de précision (Stimulation/max)*100 pour chaque cellule mémoire. 4. Si le pourcentage le plus élevé est supérieur à un certain seuil, l’antigène reçoit la classe de la cellule mémoire avec le pourcentage le plus élevé. 5. Ajouter le résultat à l’ensemble de classification. 6. Boucler jusqu’à ce que tous les antigènes soient présentés. ♦ Mesure d’affinité : Afin de calculer l’affinité entre un anticorps Ab et un antigène Ag, on va utiliser la distance Euclidienne, la distance de Hamming. ♦ Distance Euclidienne : d ( i, Avec )= 1/2 k xi: la valeur de la première station pour la variable. xk : la valeur de la seconde station pour la même variable. 89 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats ♦ Distance de Hamming : d ( i, Nous définissons la stimulation )= k comme étant un moins la distance comme indiqué dans l’équation. Stimulation = 1-d (xi, xk), ♦ AT (seuil d’affinité moyenne) : est la valeur moyenne des distance entre tous les antigène de la base, il est calculé selon la formule suivant : ∑ ∑ affinité (ag , ag ) n AT = n i =1 j = i +1 i j n(n − 1) 2 Avec n : le nombre d’antigène. ♦ Taux de mutation (Mutation rate): Un paramètre entre 0 et 1 qui indique la probabilité que tel ou tel élément (ou la sortie) d'un Arb sera muté. ♦ Taux de clonage (Clonal rate) une valeur entière utilisée pour déterminer le nombre de clones mutés qu'une Arb. ♦ Taux d'hyper clonage : cette valeur détermine le nombre de clones muté d’origine. Dans l’approche proposée par « Watkins » en 2001 [78], ce nombre est déterminé par la formule suivante : Num_clone = hyper_clonal_taux * taux de clonage* valeur de stimulation 5.4. Phase III a) Apprentissage de CLONCLAS • Dans la phase d’apprentissage nous avons généré des cellules mémoires, qui seront utilisées par la suite dans la phase de classification (test). Ces cellules mémoires sont représentées sous forme de matrices. b) Test • L’étape de test permet d’évaluer la performance du Système Immunitaire Artificiel utilisé comme classificateur pour un apprentissage déjà fait. Dans notre application la phase de test s’est appliquée sur le reste de la base de données. 90 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 5.5 .Utilisation des algorithmes génétiques dans les SIA Les algorithmes génétiques sont des algorithmes d’optimisation stochastique fondés sur les mécanismes de la sélection naturelle et de la génétique. Leur fonctionnement est le suivant : On part d’une population initiale de solutions potentielles (chromosomes) arbitrairement choisies et on évalue leur performance (fitness). Sur la base de ces performances on crée une nouvelle population de solutions potentielles en utilisant des opérateurs évolutionnaires simples tel que la sélection, le croisement et la mutation. On recommence ce cycle jusqu’à ce que l’on trouve une solution satisfaisante (voir annexe). 5.5.1. Choix des meilleurs paramètres pour l’apprentissage par AG Dans Les Systèmes Immunitaires Artificiels, l'un des principaux avantages, qu’il est nécessaire de connaître tout paramètres appropriés pour le classificateur à l'avance. Trois parmi eux cible la génération de cellules B : Taux de Mutation, Taux de Clonage et Taux de l'Hyper clonage, le quatrième paramètre AT est calculable. Les paramètres utilisés dans les SIA sont donnés en dessous. Le tableau 4 résume ces paramètres. Paramètres utilisés Taux de Mutation AT (seuil d’affinité moyenne) Taux de Clonage Taux de l'Hyper clonage Nombre de ressources Nombre d'itération (génération) Tableau 4. Les Paramètres Des SIA 91 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats Ces paramètres sont fixés au départ et ils sont choisis au hasard, pour ne pas manipuler plusieurs paramètres et perdre beaucoup de temps dans l’apprentissage, nous avons utilisé les algorithmes génétiques pour le choix de ces paramètres comme suit : 1- prendre une population d’individus i (chromosomes), où chaque chromosome est composé de trois gènes qui sont : taux de clonage, taux de mutations et taux d’hyper clonage. 2- Pour chaque chromosome appliquer les SIA afin d’extraire des cellules mémoires : 1- Calculer l’affinité entre chaque couple antigène, anticorps. 2- Calculer le nombre de cellule mémoire N (fitness Max N) ayant leur affinité inférieur à AT. 3- Appliquer les opérations les opérateurs évolutionnaires tel que la sélection (roulette), le croisement et la mutation, afin de construire une nouvelle population i+1. 4- Tant que le nombre de génération n’est pas atteint retourner à 2. 5- Extraire les gènes du meilleur individu comme paramètre d’apprentissage pour les SIA. 5.5.2. Création de la base d’anticorps à l’aide des AG L’algorithme suivant est un algorithme d’optimisation qui utilise les AG, pour créer des nouveaux anticorps, afin de les ajouter au système pour la phase d’apprentissage. 1. Générer aléatoirement une population initiale d’anticorps Ab. 2. Construire un ensemble d’antigènes Ag à partir des exemples d’entraînements. 3. Sélectionner un antigène Agi de la population Ag. 4. Prendre l’ensemble d’anticorps Ab comme population initiale de chromosomes, où chaque chromosome est composé de cinq paramètres extraits de la segmentation. 4.1 Pour chaque Abi calculer son affinité (fitness) avec Agi. 4.2 Appliquer les opérations les opérateurs évolutionnaires tel que la sélection (roulette), le croisement et la mutation selon l’affinité minimale, afin de construire une nouvelle population i+1. 4.3 Tant que le nombre de génération n’est pas atteint retourner à 4.1. 4.4 choisir le chromosome ayant l’affinité minimale, l’ajouter à la population M. 92 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 5. Retourner à l’étape 3 jusqu’à ce que tous les antigènes soient présentés au système. 6 Ajouter cet ensemble de population M à la population générer aléatoirement d’anticorps Ab. 7. Appliqué SIA avec la nouvelle population crée Ab. 6. Etudes expérimentale Afin d’aboutir a un bon résultat de classification nous avons effectué plusieurs expériences d’apprentissage sur 20 images de tumeur, d’une base de données extraite de la classification de l’OMS (Organisation mondiale de la santé), avec les grades établis par cette dernière. Il existe cinq paramètres du système immunitaire artificiel qui sont fixés au départ pour l’apprentissage : nombre de génération, nombre de ressources, taux de clonage, taux d'hyper clonage, taux de mutation, les trois derniers parmi eux ciblent la génération de cellules B. EXPERIENCE 1 : Générer une population de cellules mémoires aléatoirement et une population d’antigènes de l’ensemble d’apprentissage. Pour la première expérience on a appliqué l’algorithme pour 100 générations avec les paramètres suivant : Paramètre Valeurs Taux d'hyper clonage 4 Taux de clonage 5 Taux de mutation 0.5 Tableau 5. Paramètres d’apprentissage. 93 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats Résultat de classification • Apres 100 générations : ♦ Apprentissage Classe Classe des tumeurs Antigène Bien Taux d’apprentissage classé 1 Astrocytome pilocytique 120 60 2 Astrocytome giganto-cellulaire subépendymaire 203 176 3 Ependymome 93 52 4 Astrocytome 70 37 5 Astrocytome pilocytique anaplasique 99 48 6 Ependymome anaplasique 39 20 7 Astrocytome anaplasique 198 151 8 Glioblastome 311 264 9 Médulloblastome 108 72 70,911% Tableau 6. Les résultats d’apprentissage pour les neufs classes de tumeur ♦ Test Classe Classe des tumeurs Antigène Bien classé 1 Astrocytome pilocytique 252 216 2 Astrocytome giganto-cellulaire subépendymaire 280 195 3 Ependymome 125 85 4 Astrocytome 368 203 5 Astrocytome pilocytique anaplasique 258 142 6 Ependymome anaplasique 52 45 7 Astrocytome anaplasique 198 130 8 Glioblastome 508 367 9 Médulloblastome 211 155 Taux de test 68,294% Tableau 7. Les résultats de la classification pour les neufs classes de tumeur. 94 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats FIG 5.5. Les résultats de la classification des neufs classes de tumeur. EXPERIENCE 2 : Pour la deuxième expérience on a appliqué l’algorithme pour 200 générations avec les mêmes paramètres précédents : Paramètre Valeurs Taux d'hyper clonage 4 Taux de clonage 5 Taux de mutation 0.5 Tableau 8. Paramètres d’apprentissage. Résultat de classification • Apres 200 générations : ♦ Apprentissage 95 Application des Systèmes Immunitaires Artificiels sur les images médicales Pourcentage Expérimentation et résultats 100% 90% 80% 70% 60% 50% 40% 30% 20% M al classée 85% 88,67% 79,49% 77,42% 60% 56,57% 4 5 86,36% 91,64% Bien classée 75% 10% 0% 1 2 3 6 7 8 9 Classe des tumeurs FIG 5.6. Les résultats d'apprentissage des neufs classes de tumeur. Taux d’apprentissage=82,192% ♦ Test FIG 5.7. Les résultats de la classification des neufs classes de tumeur. Taux de classification =79,09% 96 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats A partir des résultats de cette expérience, on remarque bien que les résultats de la classification après 200 génération sont meilleurs que celle de 100 génération, ce qui indique que le système immunitaire artificiel peut faire une meilleurs classification avec un nombre plus élevé d’itération (génération), peut faire une meilleur reconnaissance. Pour cella dans la prochaine expérience on va augmenter le nombre d’itération. EXPERIENCE 3 : Pour la troisième expérience on a appliqué l’algorithme pour 300 générations avec les mêmes paramètres précédents : Paramètre Valeurs Taux d'hyper clonage 4 Taux de clonage 5 Taux de mutation 0.5 Tableau 9. Paramètres d’apprentissage. Résultat de classification • Apres 300 générations : ♦ Apprentissage FIG 5.8. Les résultats d'apprentissage des neufs classes de tumeur. Taux d’apprentissage = 82,917% 97 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats ♦ Test FIG 5.9. Les résultats de la classification des neufs classes de tumeur. Taux de classification = 80,28% Discussion A partir des résultats de cette expérience, on remarque que les résultats de la classification après 200 génération se sont stabilisé, ce qui indique que si le système immunitaire artificiel peut faire une meilleurs classification sa sera en changeant les autres paramètres, avec un nombre d’itération (génération) 300. EXPERIENCE 4 : Pour la quatrième expérience on a fixé le nombre de génération à 300 et on a changé les paramètres : taux de clonage, taux d'hyper clonage, taux de mutation qui cible la génération de cellules B : Paramètre Valeurs Taux d'hyper clonage 8 Taux de clonage 10 Taux de mutation 0.5 Tableau 10. Paramètres d’apprentissage. 98 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats Résultat de classification • Apres 300 générations : ♦ Apprentissage Taux d’apprentissage = 94,06 % Taux de classification = 93.65% ♦ Test EXPERIENCE 5: Pour la cinquième expérience : le nombre de génération est toujours fixé à 300 et on a changé les paramètres : taux de clonage, taux d'hyper clonage, taux de mutation qui cible la génération de cellules B : Paramètre Valeurs Taux d'hyper clonage 2 Taux de clonage 10 Taux de mutation 0.2 Tableau 11. Paramètres d’apprentissage. Résultat de classification • Apres 300 générations : ♦ Apprentissage Taux d’apprentissage = 98.41 % Taux de classification = 98.17% ♦ Test Discussion A partir des résultats de l’expérience 3,4 et 5, on remarque que les résultats de la classification sont beaucoup influencés par ces trois paramètres : taux de clonage, taux d'hyper clonage, taux de mutation, et pour que le système immunitaire artificiel arrive à faire la meilleur classification possible, il faut faire un nombre important d’expériences avec différent paramètre pour trouver les meilleurs paramètres qui donneront une bonne classification. Pour ne pas manipuler plusieurs paramètres et perde beaucoup de temps dans l’apprentissage et dans le but d’améliorer les SIA, nous avons utilisé une méthode d’optimisation: les algorithmes génétiques, avec les deux méthodes citées auparavant. 99 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats EXPERIENCE 6 Dans cette expérience on a appliqué les AG avec les paramètres suivants : - Nombre de génération=20. - Nombre d’individu=30. - La sélection par roulette. Les valeurs du chromosome optimal sont : Paramètre Valeurs Taux d'hyper clonage 5 Taux de clonage 18 Taux de mutation 0.1108 Tableau 12. Meilleurs Paramètres d’apprentissage. Résultat de classification • Apres 300 générations : ♦ Apprentissage 100% 90% Pourcentage 80% 70% 60% 50% 99,17% 99,51% 98,92% 100% 98,99% 100% 98,98% 99,68% 99,07% M al classée Bien classée 40% 30% 20% 10% 1 2 3 4 5 6 7 8 9 Classe des tumeurs FIG 5.10. Les résultats d'apprentissage des neufs classes de tumeur. Taux d’apprentissage =99,35% 100 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats ♦ Test FIG 5.11. Les résultats de la classification des neufs classes de tumeur. Taux de classification = 98,71% Discussion Apres avoir obtenu les meilleurs paramètres d’apprentissage par l’application des AG , on passe a la validation de c’est résultats avec SIA et comme les résultats le montre on a obtenu le taux le plus élevé depuis le début des expérience. Mais pour avoir mieux nous s’appliquons l’expérience 7 avec la deuxième méthode proposée précédemment qui intègre les AG aussi. EXPERIENCE 7 Dans cette expérience on a appliqué les AG pour l’évolution de la population des anticorps (cellules B) avec les paramètres suivants : - Nombre de génération=10. - Nombre d’individu=250. - La sélection par roulette. Avec les paramètres suivants: 101 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats Paramètre Valeurs Taux d'hyper clonage 5 Taux de clonage 18 Taux de mutation 0.1108 Tableau 13. Meilleurs Paramètres d’apprentissage. Résultat de classification • Apres 300 générations : ♦ Apprentissage 100% 90% Pourcentage 80% 70% 60% 50% 99,61% 99,71% 99,75% 100% 99,35% 100% 99,41% 99,68% 99,18% M al classée Bien classée 40% 30% 20% 10% 1 2 3 4 5 6 7 8 9 Classe des tumeurs FIG 5.12. Les résultats d'apprentissage des neufs classes de tumeur. Taux d’apprentissage =99,63% 102 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats ♦ Test 100% 90% Pourcentage 80% 70% 60% 50% 99,60% 99,29% 98,60% 99,18% 98,79% 100% 99,47% 98,82% 99,63% Mal Classée Bien Classé 40% 30% 20% 10% 1 2 3 4 5 6 7 8 9 Classe des tumeurs FIG 5.13. Les résultats de la classification des neufs classes de tumeur. Taux de test= 99,26% 7. ETUDE COMPARATIVE En comparant nos résultats avec la méthode des SVM (Support Vector Machine) en utilisant comme fonction Kernel : le Radial, sur la même base de donnée. On a obtenu les résultats suivants : Méthodes Taux de Classification SVM 98.41. % AG-SIA 99,26% Tableau 14 Résultat de comparaison (SVM et SIA) Les expérimentations ont montré que le taux de reconnaissance est plus élevé dans la classification par les SIA (l’approche CLONCLAS) avec les meilleurs paramètres d’apprentissage par apport à la classification par les SVMs (le Radial). 103 Application des Systèmes Immunitaires Artificiels sur les images médicales Expérimentation et résultats 8. CONCLUSION L’étude menée tout au long de ce chapitre nous a permis d’avoir une idée assez claire sur les performances obtenues des méthodes SIA, AG-SIA. Afin d’aboutir a un bon résultat de classification nous avons effectué plusieurs expériences d’apprentissage sur 20 images de tumeur, d’une base de données extraite de la classification de l’OMS (Organisation mondiale de la santé), avec les grades établis par cette dernière, et pour le test on a utilisé le reste de la bases. Pour les cinq paramètres du système immunitaire artificiel qui sont fixés au départ de l’apprentissage : nombre de génération, nombre de ressources, taux de clonage, taux d'hyper clonage, taux de mutation, les trois dernières cibles la génération de cellules B. On a effectué plusieurs essais pour trouver des paramètres qui donnerons un bon résultat c'est pour cela qu'on a opté à appliquer les AG afin de trouver les meilleurs paramètres qui donneront une bonne classification, et après avoir obtenu les meilleurs paramètres d’apprentissage par l’application des AG, on passe à la validation de ces résultats avec SIA et comme les résultats le montre on a obtenu le taux le plus élevé depuis le début des expériences. La deuxième méthode proposée pour l'utilisation des AG dans les SIA a donnée le meilleur résultat qui est de 99,26%. Les expérimentations ont montré que ce taux de reconnaissance est plus élevé que celui des SVMs. 104 Application des Systèmes Immunitaires Artificiels sur les images médicales Conclusion Générale Conclusion Générale On a présenté dans ce travail un système de classification des tumeurs cérébrales des images IRM par les systèmes immunitaires artificiels. Le Système Immunitaire Artificiel a été utilisé pour les avantages suivants : • Le système adapte ses ressources selon la complexité de la forme à reconnaître : Si la forme est connue, elle est traitée rapidement par la cellule mémoire correspondante; Moins la forme rencontrée ressemble aux formes précédemment rencontrées, plus les ressources mobilisées (cellules activées) seront importantes, ainsi que le temps de traitement. • Un mécanisme unique est utilisé à la fois pour la reconnaissance rapide des formes déjà rencontrées (classification), ainsi que pour la mémorisation des formes inconnues (Apprentissage). En plus, le système est en apprentissage continu, chaque forme inconnue déclenche le processus de mémorisation ; • Le système est en adaptation continue avec son environnement : les formes qui sont rencontrées dans l’environnement sont mémorisées, et celles qui ne le sont pas (ou ne le sont plus) sont tout simplement oubliées. De cette manière, même si le système est placé dans un environnement avec une mémoire initiale très générale, avec le temps sa mémoire va devenir spécifique à son environnement de travail et donc, plus performante; • Les singularités, même si elles sont mémorisées, peuvent être « oubliées » si elles ne sont pas rencontrées pour longtemps ; • La vaccination du système permet de lui faire apprendre rapidement de nouvelles formes, ou bien de restaurer une partie de sa mémoire par apprentissage itérative. L’utilisation des systèmes immunitaires artificiels a donné un taux de 99,29% de classement exact de neuf types de tumeur avec quatre grades différents. Les résultats montrent que la méthode proposée classes les tumeurs cérébrales avec succès. Comme perspective, on propose d’ouvrir une nouvelle porte de recherche vers les techniques du « boosting », telle que « RankBoost », pour la classification des tumeurs cérébrales. 105 Conclusion Générale Le but de cette méthode d'apprentissage est de classer un ensemble de données les unes par rapport aux autres, en leurs associant un rang de classification. L'algorithme reprend les grandes lignes d'AdaBoost mais remplace les exemples par des couples (exemple positif contre exemple négatif). La sélection cherche à maximiser le score des exemples positifs par rapport à celui des exemples négatifs. 106 Bibliographie [1] Wikipedia, « traitement d’image».Disponible sur le site : http://fr.wikipedia.org/wiki/Traitement_image Consulté en: juin 2008. [2] J. BITTOUN « Les méthodes d’imagerie médicale », 2002. Disponible sur : http://www.drrc.ap-hop-paris.fr/ documents/doc_atelier/bittoun.rtf. [3] « Radiologie Pratique », Réalisé par groupe de radiologues de NICE, PARIS .disponible sur le site : http://www.radiologie-nice.com/radio.html. [4] « X-ray technology ». Disponible sur le site : http://www.imaginis.net/xray/xray_safty.html [5] «les technique d’imagerie médicale». Disponible sur le site : http://radiographie.free.fr/index1.html. [6] « Echographie et Doppler » .disponible sur le site Internet : http://www.ese-metz/metz/eleves/themes/image-echographie-tech#htm [7] « Caractéristiques de scanner ». Disponible sur le site : http:// radiografie.free.fr/menu/principe.htm. [8] Dedizinische Informationen Uber Die Wibliche Brust, « Les tomographes » .disponible sur le site Internet : http://www.santel.lu/CHL/ct/fr-ctprncipales.html [9] « Un pont entre la radiologie et le scanner ». Disponible sur site Internet : http://www.medical.philips.com/clinica/mu1/contents1.html [10] « Principe des tomographes ». Disponible sur site Internet http://www..gyneweb.fr/JTA/98/scan-image-virt/principe.html [11] I. Bloch, « Quelques perspectives en imagerie médicale», Ecole Nationale Supérieure des Télécommunications, CNRS UMR 5141 LTCI, Paris. Source: uhrad.com. Quelques perspectives en imagerie médicale ,2005. [12] P. hébert, « introduction à la vision artificielle», Traitement des images, Génie électrique et génie informatique, 2005. 107 [13] A. Moussa1, A. Sbihi2 & J.-G. Postaire, CLASSIFICATION DES TEXTURES : Application à la Classification d’Images Médicales, Laboratoire LAGIS, Université des Sciences et Technologies de Lille, France, 2006. [14] Olivier Le Cadet, « Classification de textures pour la caractérisation de tumeurs cérébrales ».En collaboration avec : Sylvain Meignen, Valérie Perrier. Classification d’IRM par Ondelettes. Laboratoire de Modélisation et Calcul de l’IMAG. Région Rhône-Alpes, 2006. [15] Isabelle Bloch, « Imagerie Médicale Introduction Département Traitement du Signal et des Images », Ecole Nationale Supérieure des Télécommunications, CNRS UMR 5141 LTCI, Paris. Disponible sur : uhrad.com, 2006. [16] « Qu’est-ce qu’une tumeur cérébrale? ».Disponible sur le site : http://www.cancer.ca/canadawide/about%20cancer/types%20of%20cancer/what%20are%20br ain%20tumours.aspx?sc_lang=fr-ca. [17] «Moteur du corps humain ». Disponible sur le site : http://www.futurasciences.com/fr/comprendre/glossaire/definition/t/ vie/d/tumeur_2540 [18] « Les tumeur du cerveau ». Disponible sur le site : http://www.med.univrennes1.fr/cerf/edicerf/NR/NR008.html [19] « Tumeurs cérébrales : types de tumeurs ». Disponible sur le site : http://www.psychoweb.fr/articles/neuropsychologie/98-tumeurs-cerebrales-types-detumeurs.html [20] « TUMEURS cérébrales ». Disponibles sur le site : http://www.chuv.ch/neurochir/nch_home/nch_activites_cliniques/nch_interventions_adultes/ nch_tumeurs_adultes.htm. [21] « les tumeurs et leur traitement ». Disponible sur le site : http://www.ecspace.us/francais/types-de-tumeurs-cerebrales-et-leur-traitementMTY4Njk0.html. [22] « immunitaire, système ». Disponible sur le site : http://fr.encarta.msn.com/.../immunitaire_système.html 108 [23] « Toutes des leucocytes ». Disponible sur le site : http://images.google.fr/systeme immunitaire [24] « Généralités sur le système immunitaire ». Disponible sur le site : http:// Généralités sur le système immunitaire.htm [25] J-P Cheval, J-L. Dumas, « Anatomie », édition : Masson (7éme édition), 1994. [26] « Le Système Immunitaire Cellules, Molécules Et Organes De L'immunité ». Disponible sur le site : http:// SYSTEME IMMUNITAIRE.htm [27] L. N. de Castro and J. Timmis , « Artificial Immune Systems: A Novel Paradigm to Pattern Recognition »,Computing Laboratory ,University of Kent at Canterbury Kent, Canterbury, CT2 7NF, United Kingdom, 2002. [28] Saaïd AMZAZI , cours : « 10Élément de Biologie Générale » ,Embryologie -Histologie – Immunologie , Université Mohammed V-Agdal ,Faculté des Sciences Immunologie Département de Biologie ,Laboratoire de Biochimie –Immunologie ,2006. Disponible sur le site : www.fsr.ac.ma/cours/biologie/amzazi/TD1_immuno.pdf [29] J.P. Revillard, « Immunologie », université De Bœck, 4 éme édition, page 137-151,2001. [30] « Le système immunitaire : qu'est-ce que c'est? ». Disponible sur le site : http://www.passeportsante.net/fr/Maux/Problemes/ArticleInteret.aspx?doc=comprendre_syst eme_immunitaire_mantha_2004_pm. [31] P. Lyddyard, A. Whelan et Michael Fanger, « l’essentiel en immunologie », Port Royal Livres, Paris. BERTI Editions, 2002. [32] « Défenses de l'organisme ». Disponible sur le site : http://www.bio.espci.fr/scolarite/c_BIO/immuno/immuno1.htm [33] Fatma Latifo glua, Halife Kodazb, Sadık Karaa, « Medical application of Artificial Immune Recognition System (AIRS): Diagnosis of atherosclerosis from carotid artery Doppler signals », Selcuk University, 42075 Konya, Turkey, September 2006. [34] « les vaccins et le mémoire immunitaire ». Disponible sur le site : http://www.oodoc.com/49011-immunologie-mecanismes-immunitaires.php. 109 [35]I. ROITT, « Immunologie », Editions Pradel, 1990. [36] Nossal, G. J. V., «Negative Selection of Lymphocytes», Cell, 76, pp. 229-239. 1994. [37] De Castro, L. N. & Von Zuben, F. J., «Artificial Immune Systems: Part I – Basic Theory and Applications» , Technical Report – RT DCA 01/99, p. 95.1999. [38] Nossal, G. J. V., «The Molecular and Cellular Basis of Affinity Maturation in the Antibody Response», Cell, 68, pp. 1-2, 1993. [39] Langman, R. E. & Cohn, M. ,«The ‘Complete’ Idiotype Network is an Absurd Immune System », Imm. Today, 7(4), pp. 100-101. 1986. [40] J.D. Farmer, N. Packard and A. Perelson, « The immune system, adaptation and machine learning », Physica D, vol. 22, pp. 187--204 ,1986. [41] Forrest, S., A. Perelson, Allen, L. & Cherukuri, R., « Self-Nonself : Discrimination in a Computer », Proc. Of the IEEE Symposium on Research in Security and Privacy, pp. 202-212. 1994. [42] D. Dasgupta , « Artificial Immune Systems and Their Applications », Springer-Verlag, Inc. Berlin, January, ISBN 3-540-64390-7 .1999. [43] John E. Hunt and Denise E. Cooke. « Learning using and artificial immune system ». Journal of Network and Computer Applications, 19:189–212, 1996. [44] J Timmis, M Neal and J Hunt, « An Artificial Immune System for Data Analysis ». pp. 143-150, Biosystems, no. 1/3, vol. 55. 2000. [45] De Castro and F. J. Von zuben V. Cutello, &G. Nicosia, « The Clonal Selection Principle for in silico and in vitro Computing », Recent Developments in Biologically Inspired Computing, Idea Group Publishing, Hershey, PA, USA, pp. 104-145, 2002. [46] « ENCODAGE ». Disponible sur le site : http://fr.wikipedia.org/wiki/Algorithme_g%C3%A9n%C3%A9tique. [48] « le clonage ». Disponible sur le site : http://fr.wikipedia.org/wiki/Clonage. 110 [49] «Système immunitaire artificiel». Disponible sur le site : http://fr.wikipedia.org/wiki/Syst%C3%A8me_immunitaire_artificiel [50] Hofmeyr S. A. & Forrest, S., « Immunity by Design: An Artificial Immune System », Proc. of GECCO’99, pp. 1289-1296. 1999. [51]Hofmeyr S. A. & Forrest, S. , « Architecture for an Artificial Immune System », Evolutionary Computation, 7(1), pp. 45-68. 2000. [52] D'haeseleer, P. and Scepanovic, R., « Optimal pad location method for microelectronic circuit cell placement ». United States Patent 5, 638,293 ,1997. [53] Ada, G. L. & Nossal, G. J. V. , « The Clonal Selection Theory », Scientific American, 257(2), pp. 50-57. 1987. [54] Leandro Nunes de Castro and Fernando J. Von Zuben. « Learning and optimization using clonal selection principle ». IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, 6(3):239–251, 2001. [55] John E. Hunt and Denise E. Cooke. « Learning using and artificial immune system ». Journal of Network and Computer Applications, 19:189–212, 1996. [56] J. A. White and S. M. Garrett, « Improved pattern recognition with artificial clonal selection », In artificial immune systems, J.Timmis and al. (Eds): Proceedings of the 2nd International Conference on Artificial Immune Systems (ICARIS-03), LNCS 2787, pp. 181-193, 2003. [57] Leandro Nunes de Castro and Fernando J. Von Zuben. « Learning and optimization using clonal selection principle ». IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, 6(3):239–251, 2001. [58]. Nasaroui, D. Dasgupta, et F. « Gonzalez. The fuzzy artificial immune system: Motivations, basic concepts, and application to clustering and web profiling ». In Proceedings of the IEEE Int, 2002. [59] G.-C. Luh, W.W. Liu, « An immunological approach to mobile robot Navigation »Appl. Soft Comput., in press (corrected proof available online). 11 December 2006. 111 [60] Darmoul S., Pierreval H., Gabouj S.H., « Scheduling using Artificial Immune System metaphors: A review », IEEE International Conference on Service Systems and Service Management, Troyes, France, p. 1150-1155. 25-27, 2006. [61] Kazuyuki Mori et Makoto Tsukiyama, « Artificial immunity based management system for a semiconductor production line ». IEEE conference on Systems Man and Cybernetics, pages 851-855, Orlando, Florida, USA, 1997. [62] Y. Zhong, L. Zhang, B. Huang, P. Li, « An unsupervised artificial immune classifier for multi/hyperspectral remote sensing imagery ». IEEE Trans. Geosci. Remote Sens. 44 (February (2)). 420–431. 2006. [63] L. De Castro, « Artificial immune systems bibliography ». Disponible sur le site : http://www.dca.-fee.unicamp.br/_lnunes/AIS.html.2004. [64] L. De Castro, « Engineering applications of artificial immune systems », Tutorial at ICARIS 2004. Disponible sur le site : http://artificial-immune-systems. org/ICARIS2004/icaris2004.htm, 2004. [65] « Artificial immune systems », in: Proceedings of ICARIS 2004, LNCS 3239, Springer, 2004. [66]C. Jacob, M. Pilat, P. Bentley, J. Timmis , « Artificial Immune Systems », number 3627 in LNCS, Springer, 2005. [67] D. Taylor, D. Corne, « An investigation into negative selection algorithm for fault detection in refrigeration systems », in: Artificial Immune Systems: Proceedings of ICARIS 2003, pp. 34– 45. Springer, 2003. [68] M. Ayara, J. Timmis, R. de Lemos, S. Forrest, « Immunising automated teller machines », in Jacob et al. [66], pp. 404–417. 2005. [69] J.C.L. Pinto, F. Von Zuben, « Fault detection algorithm for telephone systems based on the danger theory », in Jacob et al. [66], pp. 418–431. 2005. [70] E. Hart, P. Ross, in: D. Corne, M. Dorigo, F. Glover, « New Methods in Optimisation», Chapter Artificial Immune Systems for Job-Shop Scheduling, McGraw-Hill, 1999. 112 [71] F. Campelo, F.G. Guimares, H. Igarashi, J.A. Ramirez, S. Noguchi, A « Modified immune network algorithm for multi-modal electromagnetic Problems », IEEE Trans. Magn. 1111–1114. 2006. [72] Z.-J. Lee, C.-Y. Lee, S.-F. Su, « An immunity based ant colony optimization algorithm for solving weapon-target assignment problem », Appl. Soft Comput 39–47. 2002. [73] H.Y.K. Lau, V.W.K. Wong, I.S.K. Lee, « Immunity-based autonomous guided vehicles control » Appl. Soft Comput. 41–57. 2007. [74] G.-C. Luh, W.W. Liu, « An immunological approach to mobile robot Navigation ». Appl. Soft Comput., in press (corrected proof available online 11 December 2006). [75] E. Hart, A. Webb, P. Ross, A. Lawson, « A role for immunology in next generation robot controllers », in: Artificial Immune Systems: Proceedings of ICARIS 2003, Springer, 2003, pp. 46–57. [76] O. Nasraoui, C. Rojas, C. Cardona, « A framework for mining evolving trends in web data streams using dynamic learning and retrospective validation », Comput. Networks 50 1425–1429. 2006. [77] Kemal Polat et Salih Gunes , « Computer aided medical diagnosis system based on principal component analysis and artificial immune recognition system classifier algorithm », Selcuk University, Department of Electrical and Electronics Engineering, 42075 Konya, Turkey ,publie en 2006 par Elsevier. [78] Watkins, A. « AIRS: A Resource Limited Artificial Immune »Classifier, Master Thesis, Mississippi State University. 2001. [79] Fatma Latifoglua, Halife Kodazb, Sadık Karaa,, & Salih Gunes , « Medical application of Artificial Immune Recognition System (AIRS): Diagnosis of atherosclerosis from carotid artery Doppler signals ».Department of Electrical and Electronics Engineering, Selcuk University, 42075 Konya, Turkey, publie en September 2006. [80] Jennifer A. White and Simon M. Garrett , « Improved Pattern Recognition with Artificial Clonal Selection? ».Department of Computer Science, University of Wales, Aberystwyth, UK, SY23 3DB, 2003. 113 [81] L. N. de Castro and F. J. Von Zuben, « Artificial Immune Systems: Part I -Basic Theory and Applications », School of Computing and Electrical Engineering, State University of Campinas, Brazil, No. DCA-RT 01/99. 1999. [82] De Castro, L. N., & Von Zuben, F. J., « aiNet: An Artificial Immune Network for Data Analysis », In Data Mining: A Heuristic Approach, H. A. Abbass, R. A. Sarker, and C. S. Newton ,Idea Group Publishing, USA, Chapter XII, pp. 231-259. 2001. 114 Annexe : Algorithmes génétiques Les phénomènes physiques ou biologiques ont été la source de nombreux problèmes d’optimisation. Les algorithmes génétiques (AG) permettent de répondre à ces problématiques. Leurs mécanismes reposent sur le principe de compétition entre les individus, donc les individus les mieux adaptés aux conditions survivent. Issus des travaux de Holland, en 1975 puis approfondis par Goldberg dans les années 80], les AG sont certainement la branche des algorithmes évolutionnaires (AE) la plus connue et la plus utilisée .Initialement, ils n’étaient pas conçus pour faire de l’optimisation de fonctions, mais pour modéliser des comportements adaptatifs. En effet, les AG modélisent un processus d’évolution des espèces. Ils sont des systèmes qui s’appuient sur les principes de sélection de Darwin et sur les méthodes de combinaison des gènes introduites par Mendel pour traiter des problèmes d’optimisation. 1. Définition Les algorithmes génétiques sont des algorithmes d’optimisation stochastique fondés sur les mécanismes de la sélection naturelle et de la génétique. Leur fonctionnement est le suivant : 1. On part d’une population initiale de solutions potentielles (chromosomes) arbitrairement choisies et on évalue leur performance (fitness) relative. 2. Sur la base de ces performances on crée une nouvelle population de solutions potentielles en utilisant des opérateurs évolutionnaires simples tel que la sélection, le croisement et la mutation. On recommence ce cycle jusqu’à ce que l’on trouve une solution satisfaisante. 2. Fonctionnement d’un algorithme génétique Les AG font partie des méthodes énumératives (ne calculent pas directement les solutions) probabilistes (énumèrent les solutions suivant une loi de probabilité). Ils suivent un processus bien établi qui peut être défini comme étant le cycle de l’évolution. Les AG travaillent sur une population composée d’individus, tous différents, qui sont des solutions potentielles du problème à résoudre. Tout comme dans la nature, les individus vont se reproduire ; ceux jugés les plus forts (les solutions optimales) participeront de façon plus active à la reproduction que les autres. Les enfants vont subir des opérations génétiques lors de la reproduction pour devenir en principe plus performant que leurs parents. Ces opérations génétiques sont le croisement et la mutation. Toujours comme dans la nature, ces opérations vont se dérouler avec une part de hasard. En effet, les candidats à la reproduction sont choisis d’une façon probabiliste proportionnelle à leurs aptitudes ; les croisements et les mutations se font aussi de façon aléatoire. A travers ces étapes successives, on cherche à obtenir une progéniture plus performante de génération en génération, s’approchant ainsi de la solution optimale. Population i (Ensemble de chromosomes) Evaluation de l’adaptation (Fitness). Sélection. Parent1 Parent2 Croisement. Enfant1 Enfant2 Population i+1 Mutation. Figure 1. Principe général du fonctionnement d’un AG 3. Paramètres de l’AG L’AG utilise un certain nombre de paramètres qui régissent son fonctionnement et influent sur la qualité de la solution trouvée et sur la vitesse avec laquelle la qualité moyenne de la population croît. Parmi tous ces paramètres, nous allons expliciter les plus couramment utilisés. Population : Les algorithmes génétiques ne travaillent pas sur un individu ou un chromosome, mais au contraire sur une population de chaînes afin d'effectuer des opérations. Une population se compose d’un ensemble de chaînes de chromosomes. Chromosome ou individu : Les chaînes des systèmes génétiques artificiels sont analogues aux chromosomes des systèmes biologiques. Ils portent les informations génétiques d'un individu. Ainsi, un individu se compose de gènes. Gène : Les chromosomes se décomposent en gènes qui peuvent prendre des valeurs différentes. Un gène est une caractéristique génétique d'un individu. Dans les algorithmes génétiques, les gènes ont des valeurs appartenant à un alphabet qui dépend du problème à résoudre. Génération : Une génération est une population à une instante t. Cette évolution est effectuée par les opérateurs de sélection, de croisement et de mutation. Fonction d'adaptation (fitness) : La fonction d'adaptation est une fonction mesurant l'adaptation d'un individu i à l’instant t et est une valeur estimée à partir de la solution (individu) X it d’une population donnée. Elle est la clé de voûte des algorithmes génétiques. Il est très important de définir une bonne fonction d'adaptation pour un problème donné. fitness = ( ) f X it ∑ f (X ) k j =1 t j Où f : est une fonction sélective, qui permet de définir la «valeur» des individus. k : la taille de population. Probabilité de croisement (PC): PC=1, l’individu est totalement croisé. PC=0, l’individu est une copie de la génération précédente. Généralement PC varie entre 0.2 et 0.8. Probabilité de mutation (PM): PM=1, tout le chromosome a été modifié. PM=0, il n’y a pas de mutation, le chromosome reste inchangé en générale. La probabilité varie entre 0.001 et 0.01. Critère d’arrêt : Il représente la condition d’arrêt de l’algorithme, cette condition dépend de la fonction d’adaptation (stabilité du résultat) ou du nombre de génération final. 4. Les opérateurs génétiques Les opérateurs génétiques permettent de manipuler les individus de la population pour les transformer, les modifier, les faire évoluer. Ces opérateurs déterminent le fonctionnement, la manière dont va se comporter l’AG. On en distingue généralement trois : la sélection, le croisement et la mutation. 4.1. La sélection Cette phase va permettre d’attribuer plus de chances à un individu d’être parent qu’un autre Selonla performance des individus, La sélection permet d’identifier statistiquement les meilleurs individus d’une population pour appartenir à la génération suivante, et d’éliminer les mauvais. Les meilleurs peuvent être choisis plusieurs fois pour la prochaine génération, alors que les moins aptes auront moins de chance de l’être. Cet opérateur ne fait que reproduire des chromosomes mais il n'en crée pas de nouveau. On trouve dans la littérature un nombre important de principes de sélection. Nous présentons les trois méthodes les plus utilisées Sélection par roulette (roulette de casino) : est plus utilisée, chaque chromosome occupe un secteur de roulette dont l’angle est proportionnel à l’adaptation. Elitisme : Elle consiste à copier un ou plusieurs des meilleurs chromosomes dans la nouvelle génération. Ensuite, on génère le reste de la population selon l'algorithme de reproduction usuel. Cette méthode améliore considérablement les algorithmes génétiques, car elle permet de ne pas perdre les meilleures solutions. Sélection par tournoi : La sélection par tournois est une alternative aux techniques de sélection RWS. Le tournoi le plus simple consiste à choisir aléatoirement un certain nombre d'individus dans la population, et à sélectionner pour la reproduction celui qui a la plus grande adaptation. Au cours d'une génération, il y a autant de tournois que d'individus à remplacer. Les individus qui participent à un tournoi restent dans la population et sont de nouveau disponibles pour les tournois ultérieurs. . 4.2. Croisement La recherche de nouvelles solutions s'effectue grâce à l'opérateur de croisement. Donc il vu comme l'opérateur de recherche essentiel dans la dynamique AG. Il a pour but d’enrichir la diversité de la population en manipulant la structure des chromosomes pour élargir le domaine de recherche de la solution optimale. En général, les croisements sont envisagés avec deux parents et génèrent deux enfants. Les différentes méthodes de Croisement : Croisement à un seul locus : c’est le plus utilisé, il consiste à sélectionner un seul point de croisement et à échanger les parties des deux parents. Deux parents Deux enfants 1 0 1 1 0 1 0 1 0 0 1 1 1 0 0 1 1 1 1 0 Locus FIG3.3 Croisement à un seul locus Croisement double : Le Croisement double consiste à sélectionner deux points de croisement et à échanger les parties intermédiaires. Deux parents Deux enfants 0 0 0 1 1 0 0 1 0 1 1 1 1 0 0 1 1 0 1 0 Locus1 Locus2 FIG3.4 : Croisement double Croisement uniforme (à plusieurs locus) : Dans ce genre de croisement on utilise un « masque de croisement », ce dernier est procréé aléatoirement pour chaque couple d’individus. Le fonctionnement du masque est le suivant : Un 1 dans le masque déclanche un échange de gène entre les parents. Un 0 dans le masque laisse les gènes des deux parents inchangés. Deux parents Deux enfants 1 0 1 1 0 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 0 1 1 0 1 1 0 0 0 1 FIG3.5 : Croisement à plusieurs locus 4.3. Mutation L’opérateur de mutation consiste à changer la parité d’un chromosome pris au hasard. Elle a pour but d'altérer aléatoirement une Information avec une faible probabilité (pm= 0.01 à 0.001). L'intérêt de la mutation est de pouvoir explorer aléatoirement une autre portion de l'espace de recherche, garantissant ainsi que tous les points de l'espace ont une probabilité non nulle d'être essayés. 1 0 1 1 0 1 0 1 0 0 1 0 1 Bit a muté 1 0 1 FIG3.6 : Mutation Résumé D e nos jours les algorithmes et les applications ont su développer et révolutionner l’imagerie médicale et le diagnostic de celle-ci. Dans notre travail nous avons utilisé une des techniques ,les plus récentes, du traitement automatique et de la reconnaissance des formes, cette méthode s’appelle les SIA (systèmes Immunitaires Artificiels).Ces algorithmes exploitent typiquement les caractéristiques des systèmes immunitaires biologiques, pour ce qui est de l’apprentissage et de la mémorisation comme moyens de résolution des problèmes de classification , nous les avons utilisé pour la classification des tumeur cérébrale d’ images IRM. Nous avons pus avoir neuf classes des tumeurs de quatre grades différents, et des résultats satisfaisants. Pour ne pas manipuler plusieurs paramètres et perdre beaucoup de temps dans l’apprentissage et dans le but d’améliorer les SIA, nous avons utilisé une méthode d’optimisation: les algorithmes génétiques, avec deux méthodes différentes. En comparant notre travail avec un classificateurs comme les SVMs (supports vecteurs machines), les SIA ont montré une meilleur performance. Mot clés : Le système immunitaire artificiel, sélection clonale, traitement d’image médicale, tumeur cérébrale, l’algorithme génétique. Abstract N owadays, algorithms and applications have developed and revolutionizing medical imaging and their diagnosis. In our work we used one of the most recent techniques in automatic processing and pattern recognition, this method is called AIS (Artificial Immune Systems). These algorithms typically exploit the features of biological immune systems, for who is learning and memorization as a means of solving problems of classification, we have used for classification of brain tumors of MRI images. We could have nine classes of tumors of four different grades, and satisfactory results. To not manipulate several parameters and lose much time in learning and to improve the AIS, we used a method of optimization: genetic algorithms with two different methods. In comparing our work with classifiers such as SVMs (Support Vector Machine) AIS were up a better performance. Key word: The artificial immune system, clonal selection, medical image processing, cerebral tumour, genetic algorithm.