DJAROUDIB, Khamsa (2016) Détection Multicritères des Anomalies sur des Mammographies. Doctoral thesis, Université de Batna 2.

Preview

Text These Khamsa DJAROUDIB.pdf Download (4MB) | Preview

Abstract

La vision par ordinateur est devenue un outil incontournable pour l’aide au diagnostic des experts médicaux. En particulier, les systèmes automatiques d’aide au diagnostic du cancer du sein (CAD) deviennent de plus en plus utilisés. L’étude menée sur les pathologies mammaires dans des images de mammographie, a montré que le diagnostic des masses mammaires et leur classification suscitent actuellement un grand intérêt. En effet, la complexité, la diversité des formes traitées et la difficulté rencontrée afin de les discerner nécessitent l’usage de descripteurs appropriés. Une revue des différentes méthodes de détection et/ou de segmentation des masses, nous a permis de distinguer tout d’abord entre les différents schémas des systèmes d’aide à la détection (CADe) et des systèmes d’aide au diagnostic (CADx) des anomalies. Pour nous orienter ensuite vers un premier modèle qui introduit le descripteur de texture extrait des matrices de cooccurrence de niveaux de gris (Grey Levels Cooccurrence Matrix, GLCM) dans une approche de détection par contours. Alors que le plus souvent, ces matrices sont utilisées seulement pour l’extraction des caractéristiques de texture dans les phases de segmentation ou de classification des masses. Le deuxième modèle proposé introduit les Modèles de Mixtures des Gaussiennes (GMM), l’Espérance- Maximisation (EM) et la méthode du Maximum de vraisemblance (ML) dans une approche de segmentation par régions des anomalies de cancer, c’est le modèle GMM/ML. L’algorithme consiste à initialiser les paramètres pour l’algorithme itératif EM par des statistiques sur le tissu suspect et des statistiques sur le tissu normal. Ce qui a permis d’ajuster au mieux les paramètres d’initialisation du modèle GMM classique. En plus de ces deux modèles proposés, et dans la continuité de ce travail, une contribution a été apportée aux problèmes d’amélioration des images de mammographie. Il s’agit d’extraire la région mammaire en coupant la région du muscle pectorale et la région bruitée du fond de l’image. L’extraction de ces deux dernières régions est une étape importante dans le processus global des systèmes d’aide au diagnostic CADx ou d’aide à la détection CADe. L’approche GLCM a été utilisée pour la détection des frontières du muscle pectorale et de la région mammaire et leur extraction. Les approches proposées sont à chaque fois testées et validées sur des images issues de mammographies de la base de données BIRADS MIAS. Et pour donner des résultats plus significatifs à cette étude, des tests ont été réalisés sur des images représentant différentes densités de tissu (Gras, Dense et Glandulaire). Enfin, une évaluation et une comparaison de ces approches avec des méthodes récentes de la littérature ont été réalisées.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Cancer du sein, Systèmes d’Aide à la Détection (CADe), Systèmes d’Aide au diagnostic (CADx), Détection, Contours, Segmentation, masse, muscle pectoral, région mammaire, Descripteurs de texture, Grey Levels Cooccurrence Matrix (GLCM), Modèle de Mixtures des Gaussiennes (GMM).
Subjects:	Informatique
Divisions:	Faculté des mathématiques et de l'informatique > Département d'informatique
Date Deposited:	23 Nov 2016 11:44
Last Modified:	23 Nov 2016 11:44
URI:	http://eprints.univ-batna2.dz/id/eprint/306

Actions (login required)

View Item