Aide au diagnostic dans l’imagerie cérébrale : Application dans la reconnaissance des AVC.

Abstract

Ce projet vise à résoudre la problématique de classification des Accident Vasculaire Cérébral (AVC) en utilisant une approche basée sur la méthode Grey level co-occurrence matrix (GLCM) combinée aux modèles de classification SVM et KNN. L'objectif principal est d'améliorer la détection précoce et la classification précise des AVC à partir d'images médicales. Dans ce projet, une méthodologie rigoureuse a été suivie. Des images médicales au format DICOM ont été collectées, puis des caractéristiques pertinentes ont été extraites à l'aide de la méthode GLCM, telles que le contraste, la corrélation, l'énergie, l'homogénéité et l'entropie. Ces caractéristiques ont été utilisées comme données d'entrée pour les modèles SVM et KNN. Les résultats obtenus ont été prometteurs. Le modèle SVM avec le noyau RBF a démontré une sensibilité et une spécificité élevées, avec un taux de classification satisfaisant pour les AVC. Le modèle KNN avec la distance euclidienne et un K égal à 5 a atteint une sensibilité parfaite, bien que sa spécificité soit légèrement inférieure. Cette étude apporte une contribution significative dans le domaine de la détection précoce et de la classification des AVC. Elle démontre l'efficacité de la méthode GLCM en combinaison avec les modèles SVM et KNN pour obtenir des résultats précis. L'application de cette approche peut avoir un impact considérable sur la prise en charge rapide des patients atteints d'AVC et sur la réduction des complications.