Segmentation entièrement automatique des anomalies gynécologiques à l'aide d'un nouveau modèle Viola–Jones

Mazin Abed Mohammed

Lien de l'article , Télécharger PDF

Résumé : L'une des tâches les plus complexes pour le diagnostic assisté par ordinateur (système de soutien à la décision intelligent) est la segmentation des lésions. Ainsi, cette étude propose une nouvelle méthode entièrement automatisée pour la segmentation des images échographiques des ovaires et des seins. Les principales contributions de cette recherche sont le développement d'un nouveau modèle Viola–James capable de segmenter les images échographiques des cas de cancer du sein et des ovaires. De plus, une approche a été proposée qui peut générer efficacement des régions d'intérêt (ROI) et de nouvelles caractéristiques pouvant être utilisées pour caractériser les contours des lésions. Cette étude utilise deux bases de données pour former et tester l'approche de segmentation proposée. La base de données sur le cancer du sein contient 250 images, tandis que celle de la tumeur ovarienne a 100 images obtenues dans plusieurs hôpitaux en Irak. Les résultats des expériences ont montré que l'approche proposée démontre de meilleures performances par rapport à celles d'autres méthodes de segmentation utilisées pour segmenter les images échographiques du sein et des ovaires. Le résultat de segmentation du système proposé par rapport aux autres techniques existantes dans l'ensemble de données sur le cancer du sein était de 78,8 %. En revanche, le résultat de segmentation du système proposé dans l'ensemble de données sur la tumeur ovarienne était de 79,2 %. Dans les résultats de classification, nous avons atteint une précision de 95,43 %, une sensibilité de 92,20 % et une spécificité de 97,5 % lorsque nous avons utilisé l'ensemble de données sur le cancer du sein. Pour l'ensemble de données sur la tumeur ovarienne, nous avons atteint une précision de 94,84 %, une sensibilité de 96,96 % et une spécificité de 90,32 %.

Mots-clés : modèle Viola–Jones ; segmentation du cancer du sein ; tumeur ovarienne ; segmentation de la tumeur ovarienne ; cancer du sein ; images échographiques ; contour actif ; modèle en cascade

Références :

1     W. Wein, S. Brunke, A. Khamene, M. R. Callstrom et N. Navab. (2008). “Enregistrement automatique CT échographique pour l'imagerie diagnostique et l'intervention guidée par image,” Analyse d'Image Médicale, vol. 12, no. 5, pp. 577–585.

2     L. Rundo, C. Militello, S. Vitabile, G. Russo, E. Sala et al. (2020). “Une enquête sur l'analyse d'images médicales inspirée de la nature : Un pas de plus dans l'intégration des données biomédicales,” Fundamenta Informaticae, vol. 171, no. 1–4, pp. 345–365.

3     M. K. Abd Ghani, M. A. Mohammed, N. Arunkumar, S. A. Mostafa, D. A. Ibrahim et al. (2020). “Schéma de fusion au niveau de la décision pour l'identification du carcinome nasopharyngé utilisant des techniques d'apprentissage automatique,” Neural Computing and Applications, vol. 32, no. 3, pp. 625–638.

4     M. A. Mohammed, B. Al-Khateeb, A. N. Rashid, D. A. Ibrahim, M. K. Abd Ghani et al. (2018). “Caractéristiques de réseau neuronal et de dimension multifractale pour la classification du cancer du sein à partir d'images échographiques,” Ordinateurs & Ingénierie Électrique, vol. 70, pp. 871–882.

5     S. Asgari Taghanaki, K. Abhishek, J. P. Cohen et G. Hamarneh. (2020). “Segmentation sémantique profonde d'images naturelles et médicales : Une revue,” Revue d'Intelligence Artificielle, vol. 6, no. 1, pp. 14006.

6     D. Mahapatra, B. Bozorgtabar et R. Garnavi. (2019). “Super-résolution d'image utilisant des réseaux antagonistes génératifs progressifs pour l'analyse d'images médicales,” Imagerie Médicale Informatisée et Graphiques, vol. 71, pp. 30–39.

7     N. Arunkumar, M. A. Mohammed, M. K. Abd Ghani, D. A. Ibrahim, E. Abdulhay et al. (2019). “Clustering K-means et réseau neuronal pour détecter et identifier l'anomalie d'une tumeur cérébrale,” Soft Computing, vol. 23, no. 19, pp. 9083–9096.

8     O. I. Obaid, M. A. Mohammed, M. K. Abd Ghani, S. A. Mostafa et F. Taha. (2018). “Évaluation des performances des techniques d'apprentissage automatique dans la classification du cancer du sein de Wisconsin,” Journal International d'Ingénierie & Technologie, vol. 7, pp. 160–166.

9     N. Arunkumar, M. A. Mohammed, S. A. Mostafa, D. A. Ibrahim, J. J. Rodrigues et al. (2020). “Approche de segmentation et de classification entièrement automatique basée sur un modèle pour les tumeurs cérébrales IRM utilisant des réseaux neuronaux artificiels,” Concurrency and Computation: Practice and Experience, vol. 32, no. 1, e4962.

10  J. R. England et P. M. Cheng. (2019). “Intelligence artificielle pour l'analyse d'images médicales : Un guide pour les auteurs et les examinateurs,” American Journal of Roentgenology, vol. 212, no. 3, pp. 513–519.

11  D. Blum, I. Liepelt-Scarfone, D. Berg, T. Gasser, C. la Fougère et al. (2019). “Initiative d'imagerie neurod'Alzheimer, débruitage basé sur des contrôles, une nouvelle approche pour l'analyse d'images médicales, améliore la prédiction de conversion à la maladie d'Alzheimer avec fdg-pet,” European Journal of Nuclear Medicine and Molecular Imaging, vol. 46, no. 11, pp. 2370–2379.

12  L. Fang, X. Wang et L. Wang. (2020). “Segmentation d'images médicales multimodales basée sur des modèles de contour actif à valeurs vectorielles,” Sciences de l'Information, vol. 513, pp. 504–518.

13  Z. Zhang et Y. Han. (2020). “Détection des tumeurs ovariennes dans l'imagerie échographique obstétricale utilisant un classificateur de régression logistique avec une approche avancée d'apprentissage automatique,” IEEE Access, vol. 8, pp. 44999–45008.