Détection et Classification du Cancer du Sein dans les Images Mammographiques en utilisant des Caractéristiques Locales

Abstract

Des études récentes ont prouvé que le cancer du sein demeure la principale cause de décès chez les femmes. S'il est détecté tôt, 9 cas sur 10 peuvent être guéris, et il n'existe actuellement aucune méthode efficace de réduction à long terme autre que la prévention. Pour cela, des campagnes de dépistage des femmes asymptomatiques sont régulièrement organisées, où des centaines de mammographies sont analysées. Cependant, l'analyse de ces images par la perception visuelle du radiologue a tendance à manquer de véritables lectures positives, ce qui nécessite l'introduction d'outils automatisés pour prendre en charge ces grandes quantités de données. Les aides à la détection sont un outil très important que les radiologues peuvent utiliser comme deuxième lecteur pour la mammographie afin de détecter précocement toute trace de cancer en recherchant des signes très spécifiques de pathologie, tels que des nodules mammaires. Ce mémoire aborde ce problème en construisant un système automatisé pour aider à détecter les masses dans les mammographies. Dans ce travail, nous montrons comment améliorer les performances pour détecter les masses dans les mammographies en choisissant une solution inspirée de l’entropie de Shannon, tout en exploitant le descripteur LBP qui sera appliqué à la représentation une image. Cette exploitation permet de donner naissance à un nouveau descripteur appelé Entropy-Local Binary Pattern (H-LPB). Nous avons évalué l'efficacité de l'approche proposée sur les ensembles de données MIAS. Les résultats expérimentaux montrent que notre approche donne des résultats encourageants pour résoudre cette problématique.