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. Cependant, la conception d'outils de détection assistée par ordinateur (CAD) pour la recherche des signes précurseurs du cancer du sein demeure une tâche difficile et laborieuse. En effet, il est difficile de conceptualiser le raisonnement d'un expert radiologue. Ce travail de recherche met en exergue une architecture hiérarchique pour la conception d'un outil d'aide à la détection (CAD) du cancer du sein robuste et performant. Il s'intéresse plus précisément à la réduction des fausses alarmes en identifiant les régions probables de l'image où les techniques plus élaborées doivent être appliquées pour la recherche des indices de cancer du sein. L'approche ainsi introduite repose sur deux macro-étapes. L'image mammographique brute est d'abord débarrassée des régions peu informatives et néfastes à l'analyse automatique des tissus mammaires et l'identification des indices de cancer. Ensuite, une analyse plus approfondie est réalisée sur l'image restante pour caractériser les tissus mammaires en fonction de leur densité en vue de déterminer les zones potentiellement cancérogènes La première partie de ce travail fournit des éléments nécessaires à l'analyse des mammogrames. La gamme dynamique des niveaux de gris des zones sombres est étirée pour améliorer le contraste entre la région mammaire et l'arrière plan. Cette amélioration de contraste permet une meilleure estimation de la région du sein et la suppression de toute entité superflue présente dans l'image de fond. Toutefois, un tissu musculaire capable d'interférer avec l'analyse des tissus mammaires demeure incrusté dans la région du sein: le muscle pectoral. Son extraction est à la fois difficile et complexe à mettre en œuvre à cause de diverses particularités liés aux vues de mammogrames et son chevauchement avec les tissus denses du sein. Dans de telles conditions, même en exploitant l'information spatiale pendant le processus de clusterisation par l'algorithme du fuzzy C-means ne permet pas toujours de produire 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 afin de produire une meilleure extraction de la région du muscle pectoral. La seconde partie de ce travail est consacrée à la caractérisation de la densité des tissus mammaires. Pour faire face au problème de variabilité des distributions de niveaux de gris constaté dans les classes de densités mammographiques, une modification de contraste basée sur la technique de transport optimal de la carte d'histogramme est appliquée aux images. Cette manœuvre a pour but d'uniformiser le contraste dans chaque classe de densité mammographique. Cependant, face au manque de cartes d'histogramme de références, des paramètres pertinents peuvent être extraits de chaque classe de densité pour modéliser l'histogramme cible. Cette technique permet ainsi de mettre en relief les zones de tissus denses facilitant de ce fait leur extraction par des méthodes de segmentation classiques.
Directeurs de thèse : Olivier COLOT et Alain TIEDEU Examinateurs : Ludovic MACAIRE, Christine FERNANDEZ MALOIGNE, Michèle ROMBAUT et John KLEIN Rapporteurs : Su RUAN et Didier WOLF Invités : Martin KOM et Samuel DOMNGANG
Thesis of the team SIGMA defended on 05/10/2016
français
English