Classification des images médicales : Application au diagnostic du cancer du sein dans les images mammographiques.

Abstract

Le cancer du sein représente d’un des enjeux prépondérants dans le domaine de la santé publique. En effet, il s’agit d’un fameux cancer menaçant la vie de la plupart des femmes. Le succès du traitement de ce cancer dépend fortement de la détection et du diagnostic précoce. La mammographie est l’une des principales techniques d’imagerie médicale pour la détection des signes précoces de cancer du sein. L’interprétation des images mammographiques est largement basée sur l’opinion des radiologues, ce qui nécessite de l’expérience et de la compétence de leur part. Cependant, il est difficile de maintenir l’intérêt requis pour l’interprétation d’un grand nombre d’images. Donc cela peut entrainer des diagnostics erronés dus à des erreurs humaines en raison d’une fatigue visuelle, ou de la complexité des images mammographiques. Récemment, des systèmes de diagnostic assistés par ordinateur (DAOx) ont été élaborés dans le but d’aider les radiologues à augmenter la précision du diagnostic. Généralement, l’utilisation d’un DAOx comme ‘prélecteur’ peut améliorer fortement la performance globale de la classification des tumeurs du sien en mettant en évidence les signes anormales qui ne sont pas visibles sur l’image. Il fournit donc des informations sur des régions suspectes et peu analyser automatiquement l’anomalie mammaire et la classifier en normal, bénigne ou maligne en se basant sur les caractéristiques significatives des images mammographiques. L’objectif de cette thèse est de concevoir de nouvelles méthodes, capables d’extraire des caractéristiques représentatives des images mammographiques permettant de classifier les différentes anomalies mammaires. Ces techniques doivent naturellement être robustes et fiables. Dans cette direction, deux contributions ont été apportées : En premier lieu, nous avons proposé une approche hybride dédiée à la classification des images mammographiques en normales/anormales. Il s’agit de l’application successive de la transformée en ondelette discrète (TOD) et des motifs binaires locaux uniformes (ULBP) pour l’extraction des caractéristiques représentatives des images mammographiques. Par la suite, l’analyse en composantes principales (ACP) est utilisée pour la réduction de dimensionnalité. Dans l’objectif de comparer différents descripteurs, une étude comparative entre deux classificateurs est effectuée : les séparateurs à vaste marge (SVM) et la méthode de K plus proches voisins. Les performances de la méthode présentée ont été évaluées sur la base de données publique de référence DDSM. En second lieu, nous avons introduit une nouvelle et simple approche pour le diagnostic du cancer du sein. Nous avons présenté un descripteur basé sur des primitives pertinentes, discriminantes et résistantes pour différencier entre les anomalies malignes et bénignes dans les images mammographiques. La méthode proposée introduit l’application de la transformée en cervelet et explore les propriétés de réduction de dimensionnalité LSDA (Locality Sensitive Discriminant Analysis). Après avoir LSDA, la dimensionnalité des primitives extraites est considérablement réduite. Pour assurer la classification, l’algorithme du plus proche voisin est appliqué. L’approche proposée a attesté de son efficacité sur les bases de données publiques de référence DDSM et INbreast. Les résultats obtenus durant cette thèse et leur comparaison avec les travaux de l’état de l’art utilisés dans le même contexte exploré dans cette thèse, illustrent l’efficacité des méthodes proposées pour le diagnostic des anomalies mammaires, et confirment l’intérêt de la réduction de dimensionnalité pour gagner en temps de calcul et en performances.