Détection des Cancers Gynéco-mammaire par approches de l’Intelligence Artificielle

Abstract

Les travaux de cette th`ese ont ´et´e effectu´es dans le cadre de l’analyse et du traitement des images m´edicales et plus pr´ecis´ement le diagnostic des cancers gyn´eco-mammaire, qui repr´esentent les premi`eres cause de mortalit´e chez les femmes `a travers le monde. Plusieurs ´etudes ont montr´e l’efficacit´e de la d´etection pr´ecoce des cancers, ces ´etudes permettent un meilleur traitement en augmentant les chances de survie et par cons´equent r´eduire le taux de mortalit´e. Cette d´etec tion peut ˆetre assur´ee en soumettant les femmes `a des diagnostics radiographiques tous les deux ans. Cependant, l’analyse des clich´es par le radiologue n’est pas pour autant une tˆache simple et triviale. En effet, de nombreux facteurs pouvant conduire `a de fausses interpr´etations dues aux artefacts affectant le processus d’imagerie comme le mouvement de la patiente durant l’examen, l’´eclairage, la densit´e etc. Le diagnostic assist´e par ordinateur (DAO) offre aux radiologues un moyen fiable et efficace en contribuant `a un d´epistage pr´ecoce des cancers gyn´eco-mammaires. Dans ce cadre, nous proposons un syst`eme d’aide au diagnostic bas´e sur des approches de l’Intel ligence Artificielle, cette derni`ere est une discipline scientifique qui a montr´ee son apport `a divers domaines en particulier ceux li´es `a la sant´e. Les objectifs de ce syst`eme d’aide au diagnostic est la segmentation des zones tumorales (r´egion d’int´erˆet) et la classification des anomalies en deux cat´egories : b´enignes et malignes. La premi`ere ´etape de segmentation est une ´etape assez d´elicate et cruciale vu que les ´etapes post´erieures `a savoir la caract´erisation et la classification y sont d´ependantes. Par cons´equent, une mauvaise segmentation peut mener `a une mauvaise prise de d´ecision. Un tel cas peut survenir en raison de l’impr´ecision ´emanante de la prise des clich´es. C’est pour cette raison que nous proposons une phase de pr´etraitement tr`es attentive et minitieuse per mettant d’am´eliorer la qualit´e des images. Par la suite, on proc`ede `a la segmentation qui consiste `a localiser la tumeur et `a identifier la zone tumorale. Une fois les r´egions d’int´erˆet sont segment´ees, nous passons `a la phase de classification bas´ee sur les algorithmes de machine learning ainsi que l’apprentissage par transfert en se basant sur l’apprentissage profond. En outre, ces m´ethodes utilisent essentiellement les descripteurs pour caract´eriser les anomalies et d´ecider de leur degr´e de malignit´e. La validation et l’´evaluation de ces techniques sont r´ealis´ees en utilisant les r´egions d’int´erˆet extraites de la base MIAS et de notre propre base FP Dataset. Les r´esultats obtenus sont int´e ressants et les comparaisons effectu´ees avec l’´etat de l’art ont mis en ´evidence la performance de 14 nos diff´erentes approches propos´ees