Analyse morphologique et classification Neuro-Génétique d'anormalités mammographique pour l'aide à la décision médicale

Abstract

L'augmentation anxiogène de l'incidence du cancer du sein dans le monde et particulièrement en Algérie, suscite notre intérêt pour promouvoir l'aide à la décision clinique. Cette thèse est destinée à une détection semi-automatique de néoplasmes su sein, prélevés à partir de mammogrammes numériques de la base MIAS. Notre approche technique inspirée par une vision clinique, fait l'objet d'une analyse minutieuse des signes pathologiques et sains du sein, pour une classification dirigée autour de deux modèles. le premier se fonde sur la discrimination neuro-génétique des masses et classification, répondant aux labels bénins versus malins. La seconde réflexion se focalise sur la distinction des tissus sains et des anormalités, par les séparateurs à vaste marge. Le système de radiodiagnostic appréhendé parcourt trois étapes clés, en amont de la décision. Les clichés radiographiques du sein sont en premier lieu, rehaussée par des opérateurs morphologique, pour mettre en exergue les signes cliniques. L'étape angulaire de l'étude, est l'extraction des régions d'intérêt. Elle est assujettie à plusieurs technique, pour leur atouts. Dans le cas de l'approche connexionniste, les lésions sont localisées suivant les modèles déformables adaptatifs, dont l'initialisation est guidée par la zone annotée. Dans le contexte de l'apprentissage de Vapnik, la délimitation minutieuse des structures normales, est obtenu par un regroupement spatial flou en coopération avec l'algorithme de Chan et Vese. La complexité des mammorgammes est astimée par la fusion d'attributs morphométriques et texturaux, pour générer leur signature. Cette paramétrisation, est intégrée dans l'ultime parcours systémique, à l'entrée de deux classifieurs. Le perceptron multicouche dont, les facteurs synaptiques sont optimisés par les algorithmes génétique, catégorise les anormalités malignes et bénignes. les séparateurs à vaste marge permenttent la labellisation des tissus sains et pathologique. La validation de la démarche adoptée, est réalisée en usant d'un ensemble significatif de clichés mammographiques. Ses performances fournissent une précision de 99.25% et, une sensibilité de 100%. Les résultats atteints, attestent du fort potentiel du système décisionnel proposé, pour une aide au diagnostic clinique.