Segmentation des tumeurs du sein à base des approches variationnelles et deep learning

fr

Date

Abstract

L'imagerie médicale s'est développée rapidement et a constitué un important domaine de recherche interdisciplinaire attirant des experts de toutes les disciplines scientifiques. En utilisant de plus en plus les modalités de l'imagerie médicale pour faciliter le diagnostic et le traitement médical, les images médicales en 2D et 3D montrent des tissus, des organes ou des parties du corps vivants. L'objectif principal de l'imagerie biomédicale est d'effectuer des traitements et des manipulations pour visualiser des caractéristiques cachées difficiles à diagnostiquer. Le travail élaboré au cours de la présente thèse consiste à concevoir et a développé une méthode automatique de détection des tumeurs dans les images de mammographie, cette approche consiste à construire un modèle de détection qui commence par la méthode d'Otsu : l'étape de seuillage, suivie de l'estimation du nombre de classes en fonction de la technique des modèles binaires locaux (LBP). Pour automatiser la tâche d'initialisation, nous avons proposé d'appliquer la classification par la dynamique k-means améliorée par la méthode de Markov. L'image de la tumeur est le résultat de la corrélation maximale. Une deuxième contribution qui est basée sur un flux vectoriel de gradient de contours actifs (GVF) avec une initialisation quasi automatique appliquée à la structure qui résulte de la décomposition structure/texture de l'image pour classer. La troisième est une comparaison entre la première contribution et la technique d'apprentissage profond en appliquant le modèle U-net pour la segmentation de l'image cérébrale. Les résultats expérimentaux ont été effectués sur la même base de données publiques BraTS2019.

Description

Keywords

Segmentation, détection , tumeurs , images mammographies, prétraitement Otsu , Markov, Décomposition structure/texture, conteurs actifs, Deep learning, Images cérébrales

Citation