Contributions aux méthodes d’extraction de caractéristiques discriminantes pour la classification des images médicales

Abstract

في هذه الأطروحة تم اقتراح وانجاز نظام تشخيصي جديد بمساعدة الكمبيوتر لتصنيف أورام الثدي في صور الماموغرام (صورالثدي بالأشعة السينية) على أنها خبيثة أو حميدة. يتكون النظام المقترح من ثلاث خطوات أساسية. أولاً : استخدام مجموعة من عمليات المعالجة الأولية لاستخراج المنطقة المهمة (ROI) المراد دراستها والتي تحتوي فقط على الثدي. تم حذف عضلة الصدر باستخدام طريقة جديدة تدمج بين خوارزمية تجزئة المنطقة (SRG) وخوارزمية تحديد المنطقة المثلثية التي تحتوي فقط على العضلة. ثانيا للحصول على الصفات المميزة لأورام الثدي يتم تحويل جميع المنطقة المهمة (ROI) التي تم الحصول عليها باستعمال تحويل جيب التمام المنفصل (DCT) أو تحويل المويجات المنفصلة (DWT) ، ثم يتم اختيار بعض المعاملات المحولة باستخدام طريقة تحليل قوة التمييز .(DPA) أخيرًا ، يتم استخدام الخصائص المحددة بواسطة المصنفات الآتية: شعاع الدعم الآلي ,(SVM)الشبكات العصبية الاصطناعية, (ANN) مصنف باييز , (Bayesian Naïve) و مصنف ك-أقرب الجيران (KNN) لتصنيف صور الماموغرام لقاعدة بيانات MIAS إلى أورام حميدة أو خبيث.

Dans cette thèse, un nouveau système de diagnostic assisté par ordinateur est proposé pour classer les tumeurs du sein dans les mammographies comme malignes ou bénignes. Le système proposé comprend trois étapes. Tout d'abord, un ensemble d'opérations de prétraitement sont utilisés pour extraire la région d'intérêt (ROI) contenant le sein. L'élimination du muscle pectoral est effectuée à l'aide de l'algorithme de segmentation SRG (Seeded Region Growing) appliqué dans une région triangulaire pré-localisée. Ensuite, toutes les ROI obtenues sont transformées par la transformée en cosinus discrète (DCT) ou la transformée en ondelettes discrète (DWT), puis certains coefficients transformées sont sélectionnés à l'aide d’une méthode d'analyse de la puissance de discrimination (DPA) de ces coefficients. Enfin, les caractéristiques sélectionnées sont utilisées par les classifieurs SVM (Support Vector Machine), ANN (Artificiel Neural Networks), NB (Naïve Bayésien) et KNN (K-Nearest Neighbors) pour classer les mammographies de la base de données MIAS en tumeurs bénignes ou malignes.

In the thesis we proposed and implemented a computer aided diagnosis (CAD) system to assist radiologists in the classification of mammogram images. The CAD system is composed of three main steps. The first step is image pre-processing and segmentation with the seeded region growing (SRG) algorithm applied on a localized triangular region to remove only the muscle. In the second step of the CAD system, we proposed a novel features extraction method, which consists of three stages. In the first, the discrete cosine transform (DCT) is applied on all obtained regions of interest (ROI) and then only the upper left corner (ULC) of DCT coefficients is retained. Secondly, we have applied the energy probability (EP) to the ULCs that is used as a criterion for selecting discriminant information. At the last stage, a new Most Discriminative power coefficient algorithm (MDPEP) has been proposed to select the most significant features. In the final step of the CAD, the Support Vector Machines (SVM), Naive Bayes (NB) and Artificial Neural Network (ANN) classifiers are used to make an effective classification. The evaluation of the proposed algorithm on the mini-MIAS database shows its efficiency over other recently proposed CAD systems in the literature