Enrichissement des bases de données d images médicales via la recherche participative

Transcription

1 BOUANANI Zahra (Laboratoire LIPADE, Soutenance Université Parisde Descartes, stagefrance) pour l obtention 11 Septembre du diplôme 2014 de1 Mast / 22 Soutenance de stage pour l obtention du diplôme de Master en Informatique Systèmes Intelligents (ISI) Enrichissement des bases de données d images médicales via la recherche participative Réalisé par: Zahra Bouanani Encadré par: Pr. Salima Benbernou et Soror Sahri Laboratoire LIPADE, Université Paris Descartes, France 11 Septembre 2014

2 Plan 1 Introduction 2 État de l art:la recherche d images et le crowdsourcing 3 Annotation d images médicales 4 Fouille et analyse des annotations 5 Extraction des connaissances sémantiques 6 Résultats et discussions 7 Conclusion et perspectives 2 / 22

3 Introduction Introduction (1/4) La production d images médicales évolue dans le domaine clinique. Masse de données à manipuler par les médecins radiologues, biologistes...etc. Figure 1: Images médicales 3 / 22

4 Introduction Problématique (2/4) Segmentation2D Segmentation3D Segmentation4D?? valeur pixel 80pixel 50 pixel?? Figure 2: Exemple de bases de données médicales (attributs quantitatifs) Les images médicales sont exploitées par des attributs quantitatifs (segmentation d images, niveau de gris...etc). les attributs quantitatifs peuvent ne pas être suffisants. Cela est dû au gap sémantique. Enrichir la base de données avec de nouveaux attributs qualitatifs 4 / 22

5 Introduction Objectif (3/4) Objectif: Enrichir la base de données avec de nouveaux attributs qualitatifs Solution: Figure 3: Framework de notre approche 5 / 22

6 Introduction Introduction (4/4) Figure 4: Les thématiques de recherche 6 / 22

7 État de l art:la recherche d images et le crowdsourcing Les méthodes de recherche d images Les méthodes de recherche d images (1/3) Plusieurs méthodes sont utilisées dans la recherche et l entrepôt des images: Basées sur le texte. Basées sur le contenu visuel. 1 Basées sur la sémantique. 2 Multimodales (texte + visuelle). la recherche participative (crowdsourcing) J R. Ordóñez, G. Cazuguel, J M. Cauvin, B. Solaiman et C. Roux, Indexation d images médicales par leur contenu: caractérisation utilisant la quantification vectorielle, Actes de la conférence CORESA 01. Dijon,France, J A V. Ramirez, Medical Image Retrieval Using Multimodal Semantic Indexing, Universidad Nacional de Colombia Engineering School Bogotá. Colombia, http ://archive.wired.com/wired/archive/14.06/crowds.html 4 R Ahmed, Mahmoud and al. The Palmtree Index : Indexing with the crowd, VLDB. (pp 26-31), M C. Yuen, I. King and K S. Leung, A Survey of Crowdsourcing Systems, Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third Inernational Conference on Social Computing (SocialCom). (pp ), / 22

8 État de l art:la recherche d images et le crowdsourcing Les domaines de la recherche participative Les domaines de la recherche participative (2/3) Figure 5: la recherche participative les domaines de la recherche participative: IR, ER, IHM, SN, DB,... etc. 8 / 22

9 État de l art:la recherche d images et le crowdsourcing La recherche partcipative dans le domaine médical La recherche partcipative dans le domaine médical (3/3) La détection de la maladie de la malaria (interface graphique de jeu); 6 La détection de la tumeur du côlon (Interface web: Amazon Mechanical Turk); 7 La plate forme crowdmed pour la détection de maladies orphelines (interface web). 8 6 Mavandadi S et al. (2012) Distributed Medical Image Analysis and Diagnosis through Crowd-Sourced Games: A Malaria Case Study. 7 B. Tan Nguyen, Shijun Wang and al.distributed Human Intelligence for Colonic Polyp Classification in Computer-aided Detection for CT Colonography, Radiology / 22

10 Annotation d images médicales Annotation d images médicales (1/2) Figure 6: Annotation d images médicales 10 / 22

11 Annotation d images médicales Annotation d images médicales Annotation d images médicales (2/2) Soit un ensemble d images I = {i 1, i 2,..., i m }, un ensemble de participants U={u 1,u 2,..., u n } et A un ensemble d annotations A = {a 1, a 2, a 3 } Soit BD = BD i (U, A)/1 i m la base de données. BD i (U,A) est la base de la i eme image. i 1 i 2 a 1 a 2 a 3 u 1 toile over attach u 2 point light round a 1 a 2 a 3 u 1 egg left glue u 2 aisle light round Figure 7: Exemple de bases de données 11 / 22

12 Fouille et analyse des annotations Fouille et analyse des annotations (1/2) Objectif: Ensemble d items fréquents Algorithme Apriori. Transformations matricielles Soit la matrice M(u j,a i ) où {a i } est l ensemble d annotations pour une image. { 1 Si_participant_annote τ(u j,a i )= 0 Sinon Exemple d une matrice binaire obtenue a1 a2 a3 a4 a5 a6 ( ) u M = u / 22

13 Fouille et analyse des annotations Fouille et analyse des annotations (2/2) Principe de l algorithme Apriori 9 : 1 Déterminer les 1-items fréquents ayant un support > minsup; 2 Construire l ensemble C 2 des combinaisons possibles de 2-itemset à priori fréquents. 3 C t est le sous ensemble de la base de données contenant ces itemset; 4 Déterminer le support ainsi les éléments fréquents; 5 etc. 9 R. Agrawal, R. Srikant, Fast algorithms for mining association rules in large databases, In VLDB. (pp ), / 22

14 Extraction des connaissances sémantiques Extraction des connaissances sémantiques (1/4) Objectif: Extraire de la connaissance sémantique Ontologie WordNet. Principe: 1 Récupération des items fréquents; 2 Application de l algorithme WUP; 3 Sélection des concepts ayant une similarité > 0.50; 4 Récupération des hyperonymes. 14 / 22

15 Extraction des connaissances sémantiques L ontologie WordNet L ontologie WordNet (2/4) WordNet est une base de données lexicale. Son but est de répertorier, classifier et mettre en relation de diverses manières le contenu sémantique et lexical de la langue anglaise. 10 G. Miller, Wordnet : A lexical database, In acte ACM 38. (pp ), http ://wordnet.princeton.edu/ 15 / 22

16 Extraction des connaissances sémantiques La distance de similarité de Wu et Palmer (Wup) La distance de similarité de wu et palmer (Wup) (3/4) Calcule la similarité sémantique entre deux concepts en considérant la profondeur des concepts dans la hiérarchie WordNet, avec la profondeur du subsumer commun le plus petit (LCS(least common subsumer)) 12. Sim Wup (c 1, c 2 ) = 2 depth(lcs(c 1,c 2 )) depth(c 1 )+depth(c 2 ) Tel que lcs (c1, c2) est le plus petit commun subsumer de c1 et c2. la profondeur (c1) est la longueur de c1 vers la racine. 12 Z. Wu et M Palmer, verbs semantic and lexical selection, In proceeding of the 32nd annual meeting of the association for computational linguistics (ACL). Las Cruces, New Mexico, (pp ), / 22

17 Extraction des connaissances sémantiques L hypironyme L hypironyme (4/4) Des relations d hyperonymie "est-un" et d hyponymie reliant les "ancêtres" des noms et des verbes avec leurs "spécialisations". Figure 8: L hypironyme des concepts "cell" et "network" 17 / 22

18 Résultats et discussions Résultats et discussions (1/2) Groupe1 Items fréquents Algorithme WUP Image3 light, galaxy, core [light,galaxy] [light,core] [core,galaxy] Hypernym LCS living_thing living_thing, happening, device Image1 embryo, cell [embryo, cell] Image2 galaxy, explosion, [galaxy,cell] spot [explo-, cell sion,spot] [spot,cell] organism, instrumentality, collection Connaissances extraite Être vivant Être vivant, évènement, dispositif organisme, production, collection 18 / 22

19 Résultats et discussions Résultats et discussions (2/2) 1 Obtention des connaissances sémantiques pour la majorité des images; 2 L absence des connaissances sémantiques pour certaines images est dû au fait que: 1 l algorithme Apriori n a renvoyé aucun item fréquent 2 L algorithme Wup n a renvoyé aucun concept ayant une similarité supérieure à / 22

20 Conclusion et perspectives Conclusion Conclusion (1/2) Notre approche est fondée sur trois étapes 1 Annotation d images médicales; 2 Fouille et analyse des données; 3 Extraction des connaissances sémantiques. Notre approche réponds à la problématique. 20 / 22

21 Conclusion et perspectives Perspectives Perspectives (2/2) les perspectives possibles: 1 Utiliser les règles d association pour faire la catégorisation; 2 Améliorer le processus d annotation (Annotation des parties de l image); 3 Indexation d images par le biais des annotations sémantiques obtenues. 21 / 22

22 Conclusion et perspectives Perspectives Merci Merci pour votre attention. 22 / 22