Reconnaissance de Formes, Traitement de Signal, et Inspirations Naturelles

Reconnaissance de formes 

Cette discipline s’intéresse à la mise en œuvre de méthodes qui permettent à des systèmes informatiques de reconnaitre certains motifs à partir de données brutes, ces dernières pouvant être de diverses natures ; images, sons, documents texte, codes-barres, etc.

Numérisation
Ce procédé permet de créer une représentation discrète (simplifiée) d’un phénomène (signal) continu en utilisant un dispositif adapté. Il comporte deux étapes fondamentales :
• L’échantillonnage
Consiste à mesurer une grandeur physique à intervalle régulier (dans l’espace et/ou le temps).
• La quantification

Consiste à arrondir les valeurs obtenues lors de l’échantillonnage à des valeurs appartenant à un ensemble fini. La numérisation étant par définition une simplification, elle implique nécessairement une perte de données ; l’importance de cette perte étant plus ou moins tolérée suivant l’usage subséquent. Mais, dans tous les cas, la numérisation reste une étape indispensable permettant d’envisager des traitements par ordinateur.

Prétraitement

Les données brutes acquises lors de la numérisation sont usuellement volumineuses, redondantes, et bruitées. L’information pertinente n’y apparaît généralement pas de manière explicite. C’est à ce niveau qu’intervient le prétraitement. Cette phase a pour finalité de faciliter l’analyse et l’exploitation des données. Le prétraitement peut prendre différentes formes. Il peut s’agir d’atténuer les informations parasites qui résultent du procédé d’acquisition (bruit, illumination, inhomogénéité, etc.) ; grâce à l’utilisation des techniques de traitement de signal (filtres passe-haut et passe-bas, diffusion anisotropique, etc.). Cela peut également concerner la transformation des données afin de faire ressortir un certain aspect (augmentation du contraste d’une image, négatif d’une image, égalisation d’histogramme, etc.). Le prétraitement peut également porter sur des tâches plus complexes comme : séparer un objet de son fond dans une image, isoler la voix humaine dans un milieu sonore comportant plusieurs sources, ou encore extraire la portion de l’image correspondant au cerveau dans une IRM cérébrale.

Le prétraitement peut être vu comme un champ de recherche à part entière. Sa définition diffère d’un domaine d’application à un autre, mais son importance reste capitale que ce soit pour l’analyse, l’apprentissage, ou la décision.

Analyse

Cette étape représente le traitement proprement dit. Elle permet de décrire les formes en entrée à l’aide d’un ensemble fini et restreint de descripteurs. Ces derniers peuvent être de nature statistique, topologique, structurelle, etc. Cela dépend grandement des finalités fixées. L’analyse permet également de mettre en forme des données en vue des processus d’apprentissage et de décision.

À noter que :
• Cette phase se construit par rapport à deux objectifs contradictoires ; utiliser le moins de descripteurs possible et obtenir des performances maximales. Plusieurs tests sont parfois nécessaires pour aboutir à un compromis.
• Les descripteurs utilisés se basent souvent sur l’intuition humaine. Néanmoins, celle-ci étant biaisée et subjective, les résultats qui en découlent peuvent ne pas être optimaux. Il est alors possible de dériver (de manière automatique) des descripteurs plus adaptés.
• L’extraction de descripteurs peut être précédée par une étape de segmentation du signal (accès à un plus haut niveau de sémantique).

Apprentissage

L’apprentissage automatique est une branche de l’IA qui se consacre au développement, à l’analyse, et à l’implémentation de méthodes permettant à des machines d’apprendre. Les motivations premières de ce champ de recherche étaient de créer des systèmes autonomes capables d’exhiber une certaine forme d’intelligence. Depuis, les progrès réalisés ont contribué à faire avancer une large variété de domaines [Merouani 2011] ; finance, bio-informatique, aide au diagnostic, conception de moteurs de recherche, etc. Formellement, un algorithme d’apprentissage s’exécute sur un ensemble D en entrée et retourne une fonction f . D est appelé ensemble d’apprentissage, il regroupe un nombre fini d’instances telles que chacune est constituée d’un nombre fini de descripteurs (dimensions). La fonction est appelée modèle, elle est construite de telle manière à associer à chaque instance de D une  sortie spécifique. On assume généralement que les instances de D sont indépendantes et identiquement distribuées.

Il existe plusieurs types d’apprentissages :

• Apprentissage supervisé
Dans ce type d’apprentissage, les sorties que doit produire la fonction f sont clairement spécifiées au sein de l’ensemble D. Celles-ci peuvent par exemple être récoltées auprès d’experts du domaine. On cherchera donc à ce que la fonction f puisse reproduire (de manière automatique) le comportement de ces experts sur de nouveaux ensembles (détection de pathologies, détection de défauts dans des processus industriels, etc.). L’apprentissage supervisé se décline en deux versions : classification et régression. Alors que la première limite le nombre de sorties (étiquettes) possibles, la deuxième produit des valeurs continues.
• Apprentissage non supervisé
Dans ce type d’apprentissage, les sorties que doit produire la fonction f ne sont pas clairement définies. Celles-ci découlent d’une part de la nature du problème traité et d’autre part des préférences de l’utilisateur. Dans tous les cas, la construction de la fonction f résulte en une nouvelle modélisation de l’ensemble D ; clustering, compression, estimation de densité, etc.
• Apprentissage par renforcement
Ce genre d’apprentissage se définit par rapport à un agent matériel ou purement logiciel. L’objectif consiste à faire apprendre à cet agent un comportement particulier en lui indiquant via un signal s’il se comporte bien ou non ; plus le signal est fort et plus l’agent est encouragé à persévérer dans ce qu’il fait, et inversement. Ce procédé peut facilement être illustré dans le domaine de la robotique où on chercherait par exemple à faire qu’un robot (équipé de capteurs sensoriels) parvienne à se déplacer dans un milieu complexe tout en évitant les obstacles.

Décision

Émettre un verdict sur des formes en entrée demeure la finalité de tout système de reconnaissance de formes. C’est sur cette ultime étape (généralement seule à être visible aux yeux de l’utilisateur) que seront jugées les performances du système. La phase de décision est entièrement conditionnée par les étapes qui la précèdent. Ainsi, une vue d’ensemble d’un système de reconnaissance de formes fait généralement apparaître un flux d’information circulant de la numérisation à la décision, et prenant à chaque étape une forme différente (synthèse de l’information). Après l’étape d’entrainement, l’aptitude du système à prendre les « bonnes » décisions est généralement évaluée par rapport à un ensemble de données tests qui est indépendant de l’ensemble de données utilisé pour l’apprentissage. Les résultats obtenus à l’issue de ce processus sont censés témoigner des capacités du système à généraliser sur de futures données. Ainsi, les données d’apprentissage tout comme les données d’entrainement doivent couvrir une bonne partie de la variabilité que peut arborer le problème traité (ceci conditionne strictement les performances finales).

Un système de reconnaissance de formes ne fonctionne pas forcément de manière linéaire. Il peut y avoir des boucles au niveau de différentes étapes et notamment au niveau de la décision. Cette aptitude à l’autocritique et à l’autocorrection (bien que coûteuse en temps) permet généralement d’obtenir un meilleur comportement global. La décision que produit un système de reconnaissance de formes peut être accompagnée d’un seuil de confiance. Si ce dernier est équivalent pour plusieurs classes alors les prédictions du système sont jugées peu fiables, et inversement. Suivant le domaine d’application, le taux de reconnaissance et le taux de rejet seront modulés différemment. Dans les applications médicales par exemple, le taux de rejet sera abaissé de manière à éviter de passer à côté d’une anomalie (pathologie). Il sera par contre accru dans les applications où l’erreur entraine un coût important ; lecture automatique de chèques ou d’adresses postales.

Table des matières

Introduction Générale
Chapitre 1 Reconnaissance de Formes, Traitement de Signal, et Inspirations Naturelles
1. Introduction
2. Reconnaissance de formes
2.1. Étapes principales d’un système de reconnaissance de formes
2.1.1. Numérisation
2.1.2. Prétraitement
2.1.3. Analyse
2.1.4. Apprentissage
2.1.5. Décision
2.2. Notions communes à l’apprentissage et à la décision
2.2.1. La représentation des formes
2.2.2. La représentation des classes
2.2.3. La similarité
2.3. Domaines d’application
3. Traitement de Signal
3.1. Transformée de Fourier
3.2. Transformée en ondelettes discrète
3.3. Transformée en ondelettes stationnaire
3.4. Paquets d’ondelettes
4. Inspirations Naturelles
4.1. Recuit simulé
4.2. Colonies de fourmis
4.3. Optimisation par essaim particulaire
4.4. Algorithme de recherche gravitationnelle
4.5. Algorithmes génétiques
4.5.1. Sélection
4.5.2. Reproduction
4.5.3. Crossover
4.5.4. Mutation
4.5.5. Fitness
4.6. Programmation génétique
4.6.1. Formalisme
4.6.2. Terminaux et non-terminaux
4.6.3. Initialisation
4.6.4. Crossover
4.6.5. Mutation
4.6.6. Applications
5. Conclusion
Chapitre 2 L’Imagerie Cérébrale
1. Introduction
2. Le système nerveux central
2.1. La moelle épinière
2.2. Le liquide céphalo-rachidien
2.3. L’encéphale
2.3.1. Le cervelet
2.3.2. Le tronc cérébral
2.3.3. Le cerveau
2.3.3.1. Constitution microscopique
2.3.3.2. Constitution macroscopique
2.3.3.3. Couches externes
3. L’imagerie par résonance magnétique
3.1. La résonance magnétique nucléaire
3.1.1. L’influence d’un champ magnétique B0
3.1.2. La perturbation par une onde de radiofréquence B1
3.1.3. Le retour à l’équilibre
3.1.4. La lecture de signal
3.2. Formation des IRM
3.3. L’imageur IRM
3.3.1. L’aimant
3.3.2. Les bobines de correction de champ (bobines de shim)
3.3.3. Les sous-systèmes de gradients
3.3.4. Les sous-systèmes de radiofréquence
3.3.5. Les sous-systèmes d’ordinateur
3.4. Les artéfacts
3.4.1. Le bruit
3.4.2. Le volume partiel
3.4.3. Les inhomogénéités d’intensité
3.4.3.1. Les imperfections de l’imageur
3.4.3.2. Les imperfections liées aux propriétés biologiques des tissus
3.4.4. L’artéfact de déplacement chimique
3.4.5. L’artéfact de repliement
3.4.6. L’artéfact de mouvement
3.4.7. L’artéfact de troncature
3.4.8. L’artéfact lié à un défaut de linéarité des gradients
4. Les Pathologies Cérébrales
4.1. Traumatismes crâniens
4.1.1. Les hématomes intracrâniens
4.1.1.1. L’hématome extradural
4.1.1.2. L’hématome sous-dural aigu
4.1.1.3. L’hématome sous-dural chronique
4.1.1.4. L’hématome intracérébral
4.1.2. Les engagements cérébraux
4.1.3. Les contusions cérébrales
4.1.3.1. L’hémorragie sous-arachnoïdienne
4.1.3.2. L’hémorragie intraventriculaire
4.1.4. Les fractures du crâne
4.1.5. Les lésions anoxiques ischémiques (infarctus cérébral)
4.1.6. Les lésions artérielles traumatiques
4.2. Pathologies tumorales encéphaliques
4.2.1. Les tumeurs neuroépithéliales
4.2.1.1. Les astrocytomes
4.2.1.2. Les tumeurs oligodendrogliales
4.2.1.3. Les épendymomes
4.2.1.4. Les tumeurs pinéales
4.2.1.5. Le médulloblastome
4.2.2. Tumeurs de la gaine des nerfs
4.2.3. Tumeurs des méninges
4.2.4. Les lymphomes cérébraux primitifs (LCP) (Sarcomes)
4.2.5. Les tumeurs malformatives
4.2.5.1. Les craniopharyngiomes
4.2.5.2. Les kystes épidermoïdes
4.2.5.3. Les tératomes
4.2.5.4. Les kystes colloïdes du troisième ventricule
4.2.5.5. Les lipomes intracérébraux
4.2.6. Les tumeurs cérébrales métastatiques
4.3. Pathologies neurodégénératives
4.3.1. Démence Sénile Type Alzheimer (DSTA)
4.3.2. Maladie d’Alzheimer
4.3.3. Maladie de Pick
4.3.4. Maladie de Parkinson
4.3.5. Chorée de Huntington
4.4. Pathologies infectieuses intracrâniennes
4.4.1. Les infections bactériennes
4.4.1.1. Les méningites
4.4.1.2. Les encéphalites
4.4.1.3. Les abcès cérébraux
4.4.1.4. La tuberculose
4.4.2. Les infections virales
4.4.2.1. L’encéphalite herpétique
4.4.2.2. La panencéphalite sclérosante subaigüe
4.4.3. Parasitoses
4.4.3.1. La cysticercose
4.4.3.2. La toxoplasmose
4.5. Pathologies vasculaires cérébrales
4.5.1. Les accidents vasculaires cérébraux ischémiques
4.5.1.1. Les infarctus cérébraux
4.5.1.2. Les lacunes cérébrales
4.5.2. Les accidents vasculaires cérébraux hémorragiques
4.5.2.1. Hémorragie intraparenchymateuse
4.5.2.2. Hémorragies méningées
4.6. Affections de la substance blanche
4.6.1. Pathologies démyélinisantes
4.6.1.1. Atteintes primitives de la myéline
4.6.1.2. Atteintes d’origine infectieuse
4.6.1.3. Atteintes au cours du SIDA
4.6.1.4. Les atteintes d’origine toxique ou iatrogène
4.6.2. Pathologies dysmyélinisantes
4.6.2.1. La maladie d’Alexander
4.6.2.2. La maladie de Canavan
4.6.2.3. L’adrénoleucodystrophie
4.6.3. Maladies métaboliques héréditaires
4.6.3.1. Anomalies du métabolisme des acides organiques
4.6.3.2. Maladie de Leigh
5. Conclusion
Chapitre 3 La Segmentation des IRM Cérébrales
1. Introduction
2. Connaissances a priori
2.1. Atlas
2.2. Les réseaux de neurones artificiels
2.3. Machines à vecteurs de support
2.4. Forêts Aléatoires
3. Clustering
3.1. K-moyennes
3.2. C-moyennes floues
3.3. Mean Shift
4. Courbe
4.1. Contour actif
4.2. Ensembles de niveaux
5. Théorie des graphes
6. Statistiques
6.1. Champs aléatoires de Markov
6.2. Espérance-Maximisation
7. Structure
7.1. Opérateurs morphologiques
7.2. Ligne de partage des eaux
8. Conclusion
Chapitre 4 La Détection des Pathologies Cérébrales
1. Introduction
2. Le problème de la généralisation
2.1. Classification d’images
2.2. Données aberrantes (Outlier Model)
2.3. Relations structurelles
2.4. Analyse de la symétrie
3. Conclusion
Conclusion Générale

Lire le rapport complet