Les outils d’aide au diagnostic sont de nos jours au cœur de plusieurs protocoles cliniques car ils améliorent la qualité du diagnostic posé et des soins médicaux. Ce travail de recherche met en avant une architecture hiérarchique pour la conception d'un outil d'aide à la détection du cancer du sein robuste et performant. Il s’intéresse à la réduction des fausses alarmes en identifiant les régions potentiellement cancérogènes. La gamme dynamique des niveaux de gris des zones sombres est étirée pour améliorer le contraste entre la région du sein et l'arrière plan et permettre une meilleure extraction de celle-ci. Toutefois, le muscle pectoral demeure incrusté dans la région du sein et interfère avec l'analyse des tissus. Son extraction est à la fois difficile et complexe à mettre en œuvre à cause de son chevauchement avec les tissus denses du sein. Dans ces conditions, même en exploitant l'information spatiale pendant la clusterisation par un algorithme de fuzzy C-means ne produit pas toujours des résultats de segmentation pertinents. Pour s'affranchir de cette difficulté, une étape de validation suivie d'un ajustement de contour est mise sur pied pour détecter et corriger les imperfections de segmentation. La seconde étape est consacrée à la caractérisation de la densité des tissus. Pour faire face au problème de variabilité des distributions de niveaux de gris dans les classes de densités, nous introduisons une modification de contraste basée sur un transport optimisé de niveaux de gris. Grâce à cette technique, la surface relative de tissus denses estimée par simple segmentation est très fortement corrélée aux classes de densités issues d’un jeu de données étiquetées. / Computer-aided diagnosis systems are currently at the heart of many clinical protocols since they significantly improve diagnosis making and therefore medical care. This research work therefore puts forward a hierarchical architecture for the design of a robust and efficient CAD tool for breast cancer detection. More precisely, it focuses on the reduction of false alarms rate through the identification of image regions of foremost interest i.e potential cancerous areas. The dynamic range of gray level intensities in dark regions is, first of all stretched to enhance the contrast between tissues and background and thus favors accurate breast region extraction. A second segmentation follows since pectoral muscle which regularly tampers breast tissue analysis remains inlaid in the foreground region. Extracting pectoral muscle tissues is both hard and challenging due to its overlap with dense tissues. In such conditions, even exploiting spatial information during the clustering process of the fuzzy C-means algorithm does not always produce a relevant segmentation. To overcome this difficulty, a new validation process followed by a refinement strategy is proposed to detect and correct the segmentation imperfections. The second macro-step is devoted to breast tissue density analysis. To address the variability in gray levels distributions with of mammographic density classes, we introduce an optimized gray level transport map for mammographic image contrast standardization. Thanks to this technique, dense region areas computed using simple thresholding are highly correlated to density classes from an annotated dataset.
Identifer | oai:union.ndltd.org:theses.fr/2016LIL10152 |
Date | 05 October 2016 |
Creators | Feudjio Kougoum, Cyrille Désiré |
Contributors | Lille 1, Université de Yaoundé I, Colot, Olivier, Tiedeu, Alain, Klein, John |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0049 seconds