La technique de Random Forest Tree

La performance de discrimination des différentes composantes d‘une coupe de tissu de certains modules d’analyse d’images, repose sur leur capacité à apprendre automatiquement les différentes architectures tissulaires et cellulaires présentes dans une image. Ces outils sont basés sur le machine learning.

L’algorithme RFT (Random Forest Tree) en fait partie. Il permet de créer un modèle de décision probabiliste (forêt d’arbre décisionnels) à partir d’une base d’apprentissage des différentes classes composant une image.

L’algorithme utilise différents critères mathématiques permettant de décrire la couleur et l’architecture des classes à séparer (tissulaire ou cellulaire). Le modèle ainsi créé, peut être appliqué à plusieurs images dans le cadre de l’utilisation des algorithmes d’analyse d’image suivants :

Le protocole :

Les étapes de la création d’un projet RFT sont les suivantes  :

  • Choix des images de références
    Ouverture d’une ou plusieurs lames virtuelles dans CaloPix sur lesquelles apparaissent les différentes classes de tissus ou objets à identifier. L’utilisateur peut alors sélectionner par fenêtrage, les zones de la lame les plus représentatives.
  • Identification du plan couleur
    L’algorithme réalise une dé-convolution couleur automatique, cette dernière peut être ensuite ajustée par l’utilisateur. Le plan couleur sélectionné doit être suffisamment discriminant pour pouvoir visualiser les classes tissulaires ou cellulaires.
  • Définition des classes
    Les différentes classes d’objets ou de tissus présentes sur l’image doivent être définies et nommées. Ces dernières sont ensuite désignées à l’aide d’un pinceau par l’utilisateur directement sur les images présélectionnées.
  • Choix des critères de classification
    La matrice proposée par l’outil RFT permet de définir la taille du filtre d’analyse et les critères de classification pertinents.
  • Vérification et ajustement de la classification
    Après validation, les tissus de l’image active sont classés selon les catégories de tissus prédéfinies. L’utilisateur contrôle le masque de classification sur plusieurs images ayant été présélectionnées pour le projet. L’objectif est de maximiser la probabilité d’appartenance des objets à leur classe et de réduire les incertitudes en ajoutant de nouvelles marques ou en modifiant les paramètres.

Le projet RFT une fois créé est enregistré pour être utilisé dans les modules d’analyse d’images qui le nécessitent.