traitement d'images par modèles discrets sur ... - Olivier Lezoray

3.3. Fusion de décisions de classificateurs 63
ligne de partage des eaux adaptative qui combine information globales et locales proposée dans
ma thèse et améliorée ensuite [6, 7, 33].
3.3.1 Évaluation de classifications de pixels
Avant d’aller plus loin, il nous faut aborder un point important qu’est celui de l’évaluation
des résultats d’une classification. Classiquement, on peut considérer le taux de réussite global
d’un classificateur sur toutes les classes. Ceci n’est cependant pas approprié pour les cas où les
quantités de pixels sont très disproportionnées. Le tableau 3.1 illustre ce fait par des proportions
extraites de deux bases d’images de microscopie dont les pixels ont étés manuellement étiquetés.
Ainsi, un classificateur qui classerait tous les pixels comme du fond aura un taux de réussite
Type de base P roportion fond P roportion cytoplasme P roportion noyau
Base d’apprentissage 89,6 % 6,6 % 3,7 %
Base de tests 89 % 7,1 % 3,9 %
TAB. 3.1 – Statistiques de répartitions des pixels par classe sur différentes bases.
proche des 90%, ce qui peut sembler bon mais qui en fait est très mauvais. Un simple pourcentage
de taux de classification correcte n’est donc pas du tout approprié. Une façon de pallier ce
problème est soit d’utiliser un taux d’erreur balancé soit une mesure d’évaluation spécifique. Un
taux d’erreur balancé (BER : Balanced Error Rate) est défini par :
e BER = 1
|Y|
∑
e ω (3.3)
avec e ω le taux d’exemples mal classés de la classe ω. Nous avons alors proposé, pour le cas des
images microscopiques, une mesure d’évaluation spécifique de la classification obtenue. Cette
mesure se base sur une vérité terrain. Avec l’aide d’experts pathologistes du Centre Hospitalier
Public du Cotentin, nous avons pu constituer de telles vérités terrain (constituées de 8 images
pour la cytologie bronchique et de 10 images pour le cytologie des séreuses). Nous pouvons
donc comparer des classifications automatiques par rapport à des vérités terrain. En microscopie,
on cherche classiquement à distinguer trois classes de pixels : le fond, les cytoplasmes et les
noyaux. La méthode que nous avons proposée fournit un indice de qualité sur la reconnaissance
du cytoplasme « Indice cytoplasme » et du noyau « Indice noyau ». Pour calculer ces indices, nous
calculons le nombre de pixels appartenant à chaque classe de l’image. Le taux de commun
« Com cytoplasme » ou « Com noyau » montre le nombre de pixels correctement identifiés dans
l’image de référence. Tandis que le taux de différence « Dif cytopasme » ou « Dif noyau » globalise
pour une classe ω i donnée (cytoplasme ou noyau), les deux erreurs suivantes :
1. Un pixel de la classe ω i dans l’image de référence n’est pas reconnu comme étant de la
même classe dans l’image segmentée ;
2. Un pixel n’étant pas de la classe ω i dans l’image segmentée est reconnu comme étant de
la classe ω i dans l’image de référence.
Cette méthode d’évaluation peut alors être définie par les équations suivantes :
ω∈Y
Indice cytoplasme = Com cytoplasme + (1 − Dif cytoplasme )
2
(3.4)