Caractérisation de texture pour annotation, classification et recherche d’images médicales par le contenu.

Abstract

Il est évident que l‟imagerie notamment médicale est en train de connaître une expansion phénoménale que ce soit du côté des technologies utilisées ou du côté de la masse d‟images produites. Ce développement a mis les professionnels du domaine médical tels que les radiologues dans une situation délicate caractérisée par au moins deux tâches difficiles à savoir : la recherche des images et le diagnostic des cas représentés par les images. Une telle situation a nécessairement engendré chez les dits professionnels le besoin d‟avoir des systèmes CBIR (Content Based Image Retrieval) et CAD (Computer Aided-Diagnostic) qui assurent ces deux tâches très importantes. Dans cette thèse nous avons élaboré un système complet de recherche d‟images médicales par le contenu qui permet, en plus de la recherche des images similaires à une image requête, de faire une annotation des images de la base. La partie de recherche vise des images médicales de différentes classes telles que le crâne, la main, la cage thoracique les vertèbres et les mammographies. Tandis que pour la partie d‟annotation, les images mammographiques sont spécialement analysées par rapport à la maladie du cancer dans un but d‟aide au diagnostic. Pour ce faire, nous avons proposé deux approches. Une pour la recherche d‟images médicales par le contenu et la deuxième pour l‟annotation des images mammographiques. La première approche consiste à combiner entre une phase de recherche et une phase de classification. Dans la phase de recherche, chaque image a été divisée en quatre zones équitables sur lesquelles, un traitement fréquentiel de la texture a été appliqué en utilisant successivement la version rapide de la méthode Bidimensional Emipirical Mode Decomposition (BEMD) et le filtre de Gabor. Nous avons choisi la moyenne et l‟écart-type pour caractériser les images ainsi que la distance euclidienne pour mesurer la similarité entre ces derniers et l‟image requête. Nous avons ajouté une deuxième phase de classification en utilisant le type LVQ (Learning Vector Quantization) des réseaux de neurones pour améliorer les résultats. Quant à l‟annotation. Nous avons choisi un traitement statistique de la texture en calculant la matrice de co-occurrences de l‟image entière dans l‟étape de détection des anomalies. Dans l‟étape d‟identification, la matrice de la région d‟intérêt (ROI) de l‟image classée comme anormal, est calculée. Dans les deux étapes, les attributs de l‟homogénéité, l‟énergie, le contraste et la corrélation ont été calculés et passés comme entrée au classificateur LVQ qui est censé donner la décision d‟appartenance de l‟image à la classe normale ou anormale pour l‟étape de détection. Quant à l‟étape d‟identification. Le classificateur doit décider si la tumeur est maligne ou bégnine. Finalement, notre approche a été testé sur deux échantillons d‟images tirées séparément à partir de la base „mini-MIAS‟ [MIAS] et la base „Digital Database for Screening Mammography‟ [DDSM]. Les taux 95%, 85% et 80% ont été respectivement atteint pour la recherche des images, la détection et l‟identification des anomalies. Ces résultats encourageants par rapport à ce qui se réalise dans la littérature reflètent l‟efficacité de nos propositions.