Contribution to the development of multispectral image analysis strategies for automatic and rapid diagnosis of malaria
Contribution au développement des techniques d’analyse d’images multispectrales pour l’aide au diagnostic du paludisme
Résumé
Malaria is an infectious and potentially fatal disease which affects nearly half of the world’s population. It kills one person every 30 seconds in endemic area. An effective surveillance through early and accurate diagnosis is essential to fight against this pandemic.This work proposes a new malaria diagnosis methodology based on multispectral imaging.Our first contribution is an algorithm that reduces the acquisition time of blood cell images while maintaining the normalization preprocessing. The normalization is an essential pre-processing step in the diagnostic which ensure uniformity of brightness in the images. The method is based on estimation of the Bright reference image which represents luminosity and contrast variability function from the background part of the image. This is accomplished by two different re-sampling methodologies namely gaussian random field simulation by a geostatistical method (variogram analysis) and Bootstrap re-sampling. To avoid intensity saturation problem of some pixels, we addressed the electronic noise by Hampel’s Outlier Detection and Imputation Method. The proposed solution is very fast and takes less than 20 seconds.The second contribution is about an erythrocyte detection and segmentation process; taking advantage of Beer Lambert's law by using first statistical standardization equation applied to transmittance, the local adaptive threshold algorithms, watershed algorithm and contour closure by hysteresis.To identify parasitized RBCs, a classification process is performed on 12 textures descriptors of segmented cells for 13 wavelengths and three geometries (Scattering, Refection and Transmission). A multivariate functional principal component analysis was performed on the data and then unsupervised classification, by K-means partitioning algorithms and hierarchical ascending classification (CAH) allowing to isolate the classes of parasitized and healthy cells. Finally, the supervised classification is done by machine learning algorithms.To summarize, our process reduced the acquisition time to a third from 12 to 4 minutes. Also, segmentation and classification processes, both take about 8 minutes, this could lead to real-time diagnosis. In addition, the segmentation process requires any preprocessing. It thus has an advantage in considering low contrast images.In addition, our methods outperform state-of-the-art methods of multispectral and multimodal unstained blood smears images in terms of contrast enhancement, similarity index (SSIM) and mean squared error (MSE) according to normalization methodology. Segmentation recorded a precision of 98.47% and Recall of 98.23%, a degree of precision (F-Measurement) of 98.34% and an accuracy of 96.75%.
Une surveillance efficace par un diagnostic précoce et exact est cruciale pour la lutte contre la pandémie du paludisme. En effet, le paludisme est une maladie infectieuse qui touche près de la moitié de la population mondiale et tue une personne toutes les 30 secondes dans les zones endémiques.Dans ce travail, nous présentons une nouvelle méthodologie de diagnostic basée sur l’imagerie multispectrale. La première contribution permet de réduire le temps d’acquisition des images de cellules sanguines tout en conservant le processus de pré-traitement de normalisation. L’objectif de ce pré-traitement est de soustraire les bruits optiques et électriques, d’assurer l’homogénéité de la luminosité. Nous nous appuyons, pour cela sur des méthodes de statistique spatiale (géostatistique) pour la reconstitution de l’image de référence basée sur la seule image de l’échantillon. Une deuxième approche de reconstruction est le ré-échantillonnage par Bootstrap. Aussi, avons-nous adressé les bruits électroniques par la méthode de détection et d’imputation des données aberrantes d’Hampel. La solution proposée est très rapide et s’exécute en moins de 20 secondes. Nous avons ensuite mis en place un processus de détection des érythrocytes, en exploitant la standardisation statistique des images multispectrales en transmission, des algorithmes de segmentation adaptative, de ligne de partage des eaux et la fermeture de contour par hystérésis.Afin d’isoler des cellules parasitées, une procédure de classification est proposée sur 12 descripteurs de textures de cellules segmentées pour plusieurs longueurs d’onde et trois géométries (diffusion, réflexion et transmission). L’analyse en composantes principales pour données fonctionnelles multivariées a été effectuée sur les données ainsi constituées avant une classification non supervisée, par les algorithmes de partitionnement K-moyennes et classification ascendante hiérarchique (CAH) permettant d’isoler les classes de cellules parasitées et saines. Lesquelles sont ensuite utilisées pour une classification supervisée des cellules.En définitive, nous avons réduit au tiers le temps d’acquisition qui est passé de 12 à 4 minutes. De plus, les deux processus de segmentation et de classification combinés s’exécutent à environ 8 minutes, ceci pourrait donner lieu à un diagnostic en temps réel.En outre, le processus de segmentation ne nécessite aucun prétraitement. Il présente ainsi un avantage dans la prise en compte des images de mauvaise qualité (faible contraste).Par ailleurs, nos méthodes surpassent celles de l'état de l’art en termes d’amélioration du contraste, d’indice de similarité et erreur quadratique moyenne pour ce qui de la normalisation. La segmentation quant à elle a enregistré une précision de 98,47%, rappel de 98,23% et un degré de précision de 98,34%.
Origine : Version validée par le jury (STAR)