Une approche hybride pour une segmentation précise des lésions cutanées utilisant LEDNet et Swin-UMamba

Pourquoi cartographier les grains de beauté est important

Le cancer de la peau, y compris la forme dangereuse qu’est le mélanome, commence souvent par une petite tache irrégulière sur la peau. Les médecins utilisent des photographies rapprochées spéciales, appelées images dermoscopiques, pour étudier ces taches, mais tracer à la main le contour exact de chaque lésion est lent et subjectif. Cette étude présente une nouvelle méthode informatique qui dessine automatiquement des bordures très précises autour des lésions cutanées dans ce type d’images, une étape qui peut faciliter une détection plus précoce et un suivi plus fiable du cancer de la peau.

Des bords flous à des contours nets

Les programmes informatiques traditionnels qui analysent les images médicales sont bons pour reconnaître les motifs globaux mais ont tendance à « estomper » les détails fins là où la peau saine rencontre le tissu suspect. Pour le cancer de la peau, ces bords sont cruciaux : des contours irréguliers ou flous peuvent indiquer un danger. De nombreux systèmes existants omettent des parties d’une lésion ou incluent trop de peau environnante, surtout lorsque l’image est bruitée, de faible contraste ou affectée par des poils et des ombres. Les auteurs soutiennent que résoudre ce problème nécessite un outil capable de voir à la fois la vue d’ensemble et les détails minuscules et irréguliers simultanément.

Un spécialiste numérique en deux parties

Les chercheurs ont conçu un système hybride qui combine deux composants complémentaires. Le premier, appelé LEDNet (Lesion Edge Detection Network), est dédié à la détection de contours précis. Il compare des paires d’images de lésions pour mettre en évidence les différences entre la tache et la peau avoisinante, puis affine ces informations avec un module de « guidage de contours » qui produit une carte de bords nette — essentiellement, un fin tracé de la lésion. Le second composant, Swin-UMamba, se concentre sur la structure globale de l’image. Il utilise des idées modernes de traitement de séquences, développées à l’origine pour le texte long et les séries temporelles, pour relier l’information provenant de parties éloignées de l’image et comprendre la forme et la texture complètes de la lésion. Ensemble, les modules axés sur les contours et sur le contexte se renforcent mutuellement, conduisant à des contours plus propres et plus fiables.

Entraîner le système avec des images cutanées réelles

Pour évaluer l’efficacité de leur approche, l’équipe l’a testée sur trois collections d’images dermoscopiques largement utilisées : ISIC-2017, ISIC-2018 et Ph2. Chaque jeu de données comprend des photos de peau accompagnées de masques tracés par des experts indiquant où commence et se termine la lésion. Les chercheurs ont d’abord généré des cartes de bords simples à partir des masques existants en utilisant une technique classique appelée détecteur de contours de Canny. Ces cartes, ainsi que les images originales, ont ensuite été introduites dans le modèle hybride. Les performances ont été mesurées à l’aide de scores standards qui comparent la segmentation automatique aux tracés experts, y compris le score Dice, qui tend vers 1,0 lorsque la correspondance est presque parfaite.

Des résultats qui rivalisent avec le tracé des experts

Sur les trois ensembles de données, le modèle hybride a surpassé des alternatives bien connues telles que U-Net, des réseaux à mécanisme d’attention et d’autres architectures récentes et légères. Sur les collections ISIC-2017 et ISIC-2018, les scores Dice étaient d’environ 0,97, et sur les images haute qualité de Ph2 ils atteignaient environ 0,98, indiquant une très forte concordance avec les contours tracés par des humains. La méthode a également montré une sensibilité élevée (peu de pixels de lésion manqués), une spécificité élevée (peu de pixels sains étiquetés à tort comme lésion) et une forte précision globale. Des cartes de chaleur visuelles ont révélé que le système se concentre naturellement sur la frontière de la lésion — la zone qui intéresse le plus les cliniciens — plutôt que d’être distrait par des artefacts de fond.

Vers des contrôles cutanés plus rapides et plus cohérents

Les auteurs concluent que leur cadre hybride LEDNet–Swin-UMamba offre un outil puissant et efficace pour délimiter automatiquement les lésions cutanées dans les images dermoscopiques. En combinant un tracé fin des bords avec une compréhension globale de la forme de la lésion, la méthode fournit des segmentations à la fois nettes et fiables, même pour des grains de beauté irréguliers ou complexes. Sans remplacer les dermatologues, un tel système pourrait devenir un assistant précieux — accélérant l’examen des images, réduisant les désaccords entre experts et aidant à détecter et surveiller le plus tôt possible les changements suspects de la peau.

Citation: Naeem, M.A., Yang, S., Saleem, M.A. et al. A hybrid approach for accurate skin lesion segmentation using LEDNet and Swin-UMamba. Sci Rep 16, 5415 (2026). https://doi.org/10.1038/s41598-026-38056-y

Mots-clés: cancer de la peau, mélanome, imagerie médicale, apprentissage profond, segmentation de lésions