Proposition d’Outils Analyse et de Classification de Texture : Application au diagnostic des tissus Osseux par Images Médicales

ZEHANI, Soraya (2018) Proposition d’Outils Analyse et de Classification de Texture : Application au diagnostic des tissus Osseux par Images Médicales. Doctoral thesis, Université Mohamed Khider - Biskra.

Preview

Text 01 memoire z s.pdf Download (7MB) | Preview

Abstract

Le présent travail s’intéresse au développement d’outils d’analyses de textures en vue de la détection et classification pour la prise de décision en imagerie médicale. Application visée concerne l’aide au diagnostic basé sur l’analyse de textures des tissus osseux. L’objectif principal de cette thèse est la classification et le dépistage de l’ostéoporose à partir d’images IRM et CT-Scan, en se basant sur des textures osseuses de classifier ces images en classe saine ou pathologique. L’ostéoporose est une maladie osseuse caractérisée par une fragilité osseuse et sert la cause de fractures toutes les 20 secondes à l’échelle mondiale. Différentes techniques d’analyse texturales seront considérées. Pour ce faire, afin de mieux caractériser la texture osseuse, nous avons introduit des nouvelles techniques de prétraitement des données pour réduire les redondances et éliminer le bruit issu des capteurs d’acquisition avant l’utilisation de l’analyse fractale. Nous avons appliqué l’analyse fractale dans l’espace spatial et fréquentiel utilisant la transformée en ondelettes discrète (DWT) ou la transformée en cosinus discrète (DCT). Et enfin, nous avons fait une étude sur l’anisotropie de la texture osseuse de différentes modalités (IRM et CT-scan) et quelques images de la base de Brodatz, qui présente une structure complexe, utilisant l’analyse fractale dans le domaine spatial et fréquentiel. Dans le même contexte, mais cette fois avec la base de données Brodatz, l’analyse fractale dans le domaine fréquentiel pour classifier des textures directionnel de Brodatz à l’aide de réseau de neurones artificielle (RNA). Les performances de la classification ont été évaluées à l’aide de l’analyse des courbes de ROC (Receiver Operating Characteristic) et la matrice de confusion. Cette méthode a donnée aussi des résultats satisfaisants en termes de séparation des deux classes, avec un taux de classification pour toutes les données est de 91,7%. Et enfin une étude comparative sera considérée.

Actions (login required)

View Item