Exploring the Impact of Skin Color on Skin Lesion Segmentation

Titre : Exploration de l'impact de la couleur de la peau sur la segmentation des lésions cutanées

1. Problématique

Le cancer de la peau, en particulier le mélanome, représente une cause majeure de mortalité, rendant le dépistage précoce crucial. Les systèmes d'IA en dermatologie utilisent souvent la segmentation des lésions comme étape de prétraitement pour isoler la lésion de la peau environnante avant la classification.
Bien que les biais liés à la couleur de la peau dans la classification soient bien documentés, leur impact sur l'étape de segmentation reste sous-quantifié. Les études précédentes utilisent souvent des catégories discrètes (comme l'échelle de Fitzpatrick) pour évaluer ces biais, ce qui masque les nuances intra-images et les variations continues de la pigmentation.
Question centrale : La performance de la segmentation varie-t-elle selon le ton de la peau, et est-ce dû au ton global ou au contraste entre la lésion et la peau ?

2. Méthodologie

Les auteurs proposent une approche novatrice basée sur des distributions continues plutôt que sur des catégories discrètes.

• Données et Modèles :

  • Jeux de données : HAM10000 (7 classes) et ISIC2017 (classification binaire).
  • Architectures : Trois modèles de segmentation robustes ont été évalués : UNet (CNN classique), DeepLabV3 (avec backbone ResNet-50) et DINOv2 (Vision Transformer basé sur l'apprentissage auto-supervisé).
  • Prétraitement : Une pipeline de suppression des poils a été appliquée pour éviter les artefacts affectant la mesure de la couleur.

• Mesure de la couleur de la peau (Approche Distributionnelle) :

  • Au lieu de convertir l'angle de typologie individuelle (ITA) en une valeur scalaire unique, les auteurs traitent les valeurs ITA au niveau des pixels comme des distributions.
  • L'ITA est calculé dans l'espace couleur CIELab.
  • Six motifs de comparaison : L'étude compare six distributions d'ITA :
    1. Image complète.
    2. Pixels de peau uniquement.
    3. Pixels de lésion uniquement.
    4. Contraste Peau vs Lésion (Pattern 4).
    5. Contraste Image globale vs Lésion (Pattern 5).
    6. Contraste Image globale vs Peau (Pattern 6).

• Métriques de Distance et d'Évaluation :

  • Distance de Wasserstein (WD) : Utilisée pour mesurer la distance entre les distributions d'ITA (par exemple, entre la peau et la lésion). Cette métrique capture mieux les différences subtiles de couleur et de texture que les distances L1 ou L2.
  • Performance de segmentation : Évaluée via 9 métriques standard (IoU, Dice, Sensibilité, Spécificité, Précision des pixels, AUC, Kappa de Cohen, FPR, FNR).
  • Analyse statistique : Corrélations de Spearman et intervalles de confiance par bootstrap (1000 rééchantillonnages) pour valider la robustesse des résultats.

3. Contributions Clés

1. Représentation Distributionnelle de la Couleur : Introduction d'une méthode pour quantifier la pigmentation et le contraste en préservant les gradations intra-images, évitant ainsi la perte d'information inhérente aux catégories discrètes (Fitzpatrick).
2. Analyse du Contraste Lésion-Peau : Démonstration que le contraste pigmentaire (mesuré par la distance de Wasserstein entre les distributions de peau et de lésion) est un prédicteur bien plus fort de la performance de segmentation que le ton de peau global.
3. Évaluation Multi-Architectures : Validation des résultats sur trois familles de modèles distinctes (CNN, DeepLab, Transformer), prouvant que le problème du contraste est fondamental et non spécifique à un type d'architecture.
4. Audit de l'Équité : Proposition d'utiliser les scores de contraste continus comme signal d'audit pour identifier les cas à risque d'erreur de segmentation.

4. Résultats

• Faible corrélation avec le ton global : Les mesures globales de ton de peau (groupes Fitzpatrick ou ITA moyen) montrent une association très faible avec la performance de segmentation (corrélation de Spearman < 0,2). Cela suggère que le ton de peau seul n'explique pas la variance des erreurs dans la plage de données testée.
• Impact fort du contraste :
  • Un faible contraste entre la lésion et la peau est systématiquement associé à des erreurs de segmentation plus importantes (baisse de l'IoU, du Dice, de la précision, et augmentation des taux de faux négatifs/positifs).
  • Les motifs de contraste (Patterns 4-6) montrent des corrélations fortes et statistiquement significatives (p < 0,001) avec les métriques de performance.
  • Cette tendance est cohérente à travers tous les modèles (UNet, DeepLabV3, DINOv2) et tous les types de lésions (y compris les lésions malignes comme le mélanome et le carcinome basocellulaire).
• Analyse par maladie : Même au sein de classes de maladies spécifiques, le contraste reste un facteur déterminant, tandis que les catégories de ton de peau échouent à expliquer les variations de performance.
• Qualitatif : Les exemples visuels confirment que les cas à faible contraste présentent des frontières ambiguës, conduisant à des erreurs de segmentation (sous- ou sur-segmentation).

5. Signification et Implications

• Changement de paradigme pour l'équité : Pour améliorer l'équité dans la segmentation dermatologique, il ne faut pas se concentrer uniquement sur l'augmentation de la diversité des tons de peau globaux, mais prioriser la gestion des lésions à faible contraste.
• Recommandations pratiques :
  • Adopter des rapports d'évaluation stratifiés par contraste plutôt que par ton de peau discret.
  • Utiliser l'échantillonnage ciblé ou l'augmentation de données pour enrichir les cas à faible contraste.
  • Intégrer des scores de contraste continus comme signaux d'alerte dans les flux de travail cliniques pour déclencher des revues manuelles lorsque la segmentation est incertaine.
• Limites : Les résultats sont limités par la distribution des tons de peau dans les jeux de données publics (sous-représentation des peaux très foncées). Une validation sur des cohortes plus diversifiées est nécessaire.

Conclusion : L'étude démontre que l'ambiguïté des frontières due au faible contraste entre la lésion et la peau est le principal moteur des échecs de segmentation, bien plus que le ton de peau global. Une approche basée sur la distribution continue de la pigmentation offre une méthode d'audit plus informative et précise pour développer des systèmes dermatologiques plus sûrs et équitables.