INTERPRETATION DES IMAGES DE MAMMOGRAPHIE.

Abstract

Le cancer du sein est l’une des causes les plus courantes de décès chez la femme. Une femme sur huit risques d’en être atteinte durant sa vie. Son dépistage à un stade précoce avant que la maladie n’ait chance de s’étendre, revêt une importance capitale. Du fait de son diagnostic tardif, il en résulte souvent un traitement douloureux. Grâce à la mammographie numérique et aux systèmes d’aide à la décision, les chances de survies ont été considérablement augmentées. Le défi est de détecter des cancers qui risquent d’être manqués par le radiologue. L’objectif de ce thème est le développement d’un système de détection et de classification des anomalies suspectes sur des clichés mammographiques. Le système qu’on propose se voit divisé en plusieurs étapes : une phase de prétraitement qui vise à améliorer la qualité des images de mammographie pour aider à la détection du cancer du sein à l’aide de 5 (cinq) algorithmes d’approche floue. Ensuite, la segmentation à l’aide de la méthode de seuillage de Otsu permet de trouver des sections plus petites à couper et à analyser à l’étape suivante afin de segmenter les structures suspectes. La troisième étape est l’extraction des caractéristiques, après avoir essayé certaines fonctionnalités, nous avons retenus 6 caractéristiques qui représentent au mieux les images mammographiques. Nous avons utilisé la méthode MCNG (Matrice de co-occurrence de niveau gris) pour le calcul de ces caractéristiques. Enfin l’étape de classification dans laquelle nous utilisons un système basé sur la classification à l’aide des réseaux de neurones qui divise 6 entrées de l’extraction de fonctionnalités en deux sorties (normale et cancer) avec une taille de couche cachée égale à 5. Nous avons appliqué notre système sur plusieurs images mammographiques, les résultats obtenus sont encourageants