رسائل دكتوراة
English
2025
Features extraction and medical images description for breast cancer automatic diagnosis
=
Extraction de caractéristiques et description d'images médicales pour le diagnostic automatique du cancer du sein
Mohammed EL Amine Yermes, Khalifa Djemal, Mohammed Debakla
كلية العلوم الدقيقة-جامعة مصطفى اسطمبولى معسكر · الجزائر
Fighting breast cancer remains a major public health concern worldwide, affecting millions of lives each year. Early detection is essential to improve survival rates and treatment results.In recent years, advances in medical imaging, particularly mammography, combined with features-based methods, and deep learning techniques, have significantly improved the accuracy and efficiency of computer-aided diagnosis (CAD) systems. Breast masses and microcalcifications represent the most frequent anomalies with a high risk of malignancy. Most of descriptors found in the literature extract global features and fail to characterize spiculated masses.To address this problem, we focused on developing descriptor adapted to the context of breast cancer, and particularly spiculated masses. PATAR descriptor (Polygon Approximation Triangle-Area Representation) applies a geometric transformation on masses, to simplify the contour while keeping important characteristics like concave and convex spaces. Polygon approximation is done with the Ramer-Douglas-Peucker (RDP) algorithm. After RDP process Triangle-Area Representation (TAR signature) is calculated to quantify and measure spiculations. TAR signature calculates the area made by the corners of polygon.In recent years, deep learning-based models have gained ground in CADx systems. Models like DenseNet, ResNet, and Efficient Net based on Convolutional Neuronal Networks (CNNs) does not perform well facing microcalcifications. Stacking Ensemble learning is a technique that combine multiple model outputs, through meta-learner to make final prediction. We designed an optimal meta-learner composed of fully connected network. Experiment on CBIS- DDSM dataset demonstrate the efficiency of the meta-learner. Boosting is another ensemble learning strategy that learns multiple models sequentially and adjust samples weights after each iteration. In this context, a new boosting algorithm is proposed named Cost-Sensitive Boosting with Error Weighted Adjustments (CSB-EWA). The main contribution in this algorithm consist in using false positive and false negative rates to adjust samples weight to guarantee maximum balance between sensitivity and specificity.
(La lutte contre le cancer du sein reste un problème majeur de santé publique dans le monde entier, affectant des millions de vies chaque année. Le dépistage précoce est essentiel pour augmenter les chances de succès du traitement. Ces dernières années, les progrès de l'imagerie médicale, en particulier la mammographie, combinés aux méthodes basées sur les caractéristiques et aux techniques d'apprentissage profond, ont considérablement amélioré la précision et l'efficacité des systèmes de diagnostic assisté par ordinateur (DAO). Les masses mammaires et les microcalcifications représentent les anomalies les plus fréquentes avec un risque élevé de malignité. La plupart des descripteurs trouvés dans la littérature extraient des caractéristiques globales et ne parviennent pas à caractériser les masses spiculées. Pour résoudre ce problème, nous nous sommes concentrés à développer un descripteur adapté au contexte du cancer du sein, et en particulier aux masses spiculées. Le descripteur PATAR (Polygon Approximation Triangle-Area Representation) applique une transformation géométrique aux masses, afin de simplifier le contour tout en conservant les caractéristiques importantes telles que les espaces concaves et convexes. L'approximation en polygone est effectuée à l'aide de l'algorithme Ramer-Douglas-Peucker (RDP). Après le processus RDP, la signature TAR est calculée pour quantifier et mesurer les speculations. La signature TAR calcule la surface formée par les coins d'un polygone ce qui permet d’estimer le degré de malignité. Ces dernières années, les modèles basés sur l'apprentissage profond ont gagné du terrain dans les systèmes CADx. Les modèles tels que DenseNet, ResNet et EfficientNet, basés sur des réseaux de neurones convolutifs (CNN), ne donnent pas de bons résultats face aux microcalcifications. L'apprentissage d'ensemble par empilement est une technique qui combine les résultats de plusieurs modèles, par le biais d'un meta-learner, afin d'obtenir une prédiction finale. Nous avons conçu un meta-learner optimal composé des couches entièrement connecté. Des expériences sur la base de données CBIS-DDSM démontrent l'efficacité du méta-apprentissage. Le boosting est une autre stratégie d'apprentissage d'ensemble qui permet d’apprendre plusieurs modèles de manière séquentielle et d'ajuster les poids des échantillons après chaque itération. Dans ce contexte, un nouvel algorithme de boosting est proposé à l'adresse sous le nom de Cost-Sensitive Boosting with Error Weighted Adjustments (CSB-EWA). La principale contribution de cet algorithme consiste à utiliser les taux de faux positifs et de faux négatifs pour ajuster le poids des images afin de garantir un équilibre maximal entre la sensibilité et la spécificité)