Application des systèmes immunitaires artificiels aux images medicales - application/pdf

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.