Fusion collaborative de classifieurs : application à la détection de pathologies en mammographie

Collaborative combination of classifiers : application to microcalcification detection in mammograms

• Auteur / Autrice : Asma Touil
• Direction : Basel Solaiman, Mohamed Ali Mahjoub
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 29/11/2021
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire en cotutelle avec Institut supérieur d'informatique et des techniques de communication (Hammam Sousse, Tunisie)
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Département lmage et Traitement Information - Laboratoire de traitement de l’information médicale (Brest, Finistère) - Institut Supérieur d'informatique et des Techniques de Communication [Hammam Sousse]
• Jury : Président / Présidente : Ali Khenchaf
• Jury : Examinateurs / Examinatrices : Basel Solaiman, Mohamed Ali Mahjoub, Imed Riadh Farah
• Jury : Rapporteurs / Rapporteuses : El-Hadi Zahzah, Asma Ben Abdallah

Mots clés

Mots clés contrôlés

Imagerie médicale

Morphologie mathématique

Mammographie

Mots clés libres

Mammographie

Détection des microcalcifications (MCs)

Morphologie mathématique

Croissance de régions conditionnelle

Combinaison collaborative

Propagation des connaissances

Mammography

Microcalcification (MC) detection

Mathematical morphology

Conditional region growing

Collaborative combination

Knowledge propagation

Résumé

Ce travail s'intéresse à l'interprétation d'images mammographiques pour la détection des MCs. Partant d'un prétraitement, nous proposons une première méthode basée sur la morphologie mathématique et l'indice de similarité structurelle SSIM. Elle se trouve capable de gérer la diversité des MCs en termes de formes et de contrastes. Dans l'idée d'étudier l'effet d'une analyse locale à base de connaissances a priori, nous avons proposé une deuxième méthode. Exploitant le concept de croissance de régions conditionnelle, elle part des maximas régionaux et intègre des connaissances a priori sous la forme de contraintes. Dans l'idée d'améliorer davantage la qualité des résultats obtenus, nous avons conçu une nouvelle approche de combinaison collaborative qui vise à minimiser le nombre de détection faux négatif. Elle opère sur l'image entière divisée en superpixels utilisés pour identifier des zones suspectes et des objets candidats à partir des résultats des méthodes de détection (détecteurs). Les deux méthodes proposées ainsi que deux autres issues de la littérature sont utilisées comme détecteurs. Un processus de classification collaborative s'applique et permet de faire collaborer les détecteurs et de mettre en cause leurs décisions initiales. Ce raffinement met à jour les étiquettes des objets candidats à l'aide d'une analyse locale et contextuelle. D'une itération à une autre, ce processus réduit le désaccord entre les détecteurs et estime des termes de fiabilité locaux. Le résultat final est obtenu par combinaison conjonctive des nouvelles décisions obtenues.

This thesis aims at detecting MCs. Starting from a pre-processing scheme, we propose a first method, based on mathematical morphology and the SSIM structural similarity index, that deals with MC diversities in terms of shapes and contrasts. In order to examine the efficienty of a local knowledge-based analysis, we have proposed a second detection method. Based on the conditional region growing concept, it starts from selected regional maxima and integrates prior knowledge as constraints. With the idea of further improving the quality of the obtained results, we proposed the third contribution that deals with a collaborative combination approach and aims at minimizing the false negative detections. It operates on the entire image divided into superpixels used to identify both suspicious areas and candidate objects from the results of the used detection methods (called detectors). The two proposed methods as well as two other existing methods are used as detectors. A collaborative classification process is, then, applied and makes the different MC detectors collaborate to refine their initial results on the basis of the shared information and knowledge. The applied refinement consists of iteratively updating the candidate object labels of each detector following a local and contextual analyses based on prior knowledge. This process iteratively reduces the disagreement between different detectors and estimates local reliability terms for each superpixel. The final result is obtained by a conjunctive combination of the new detector decisions reached by the collaborative process.