Classification automatique de la densité des tissus mammaires

Show simple item record

dc.contributor.author El Habib Boukhobza, Mohamed -
dc.contributor.author Mimi, Malika -
dc.date.accessioned 2019-09-09T13:42:02Z
dc.date.available 2019-09-09T13:42:02Z
dc.date.issued 2016 -
dc.identifier.citation El Habib Boukhobza, Mohamed ; Mimi, Malika ; Classification automatique de la densité des tissus mammaires. Traitement du signal, 2016, 33, 4, p. 441-459, . -
dc.identifier.issn 0765-0019 -
dc.identifier.uri http://hdl.handle.net/2042/70436
dc.description.abstract Le cancer du sein est un problème de santé publique. L’imagerie médicale est l’un des éléments clés dans le diagnostic. Cependant, la qualité d’interprétation d’une mammographie reste variable. Une des caractéristiques de l’anatomie et de la physiologie du sein est la densité du tissu mammaire qui est importante pour deux raisons principales : (1) la densité mammaire accrue est associée à une diminution de sensibilité de la mammographie pour la détection du cancer du sein (Schetter, 2014), (2) la densité du sein est l’un des plus importants facteurs de risque connus pour le cancer du sein (Prevrhal et al., 2002 ; Boyd et al., 1995). Le classement automatique de la densité des tissus est donc un processus important dans le diagnostic. De plus, le système de classification BI-RADS identifie quatre niveaux de densité du sein, mais la base de données mini-MIAS est divisée en trois catégories de densité. Dans cet article, nous décrivons une méthode pour la classification de la densité globale du sein en utilisant les réseaux de neurones artificiels. Cette approche présente l’avantage de ne pas nécessiter d’étape de prétraitement et de s’adapter aux différentes bases de données de mammographies. La validité de notre méthode est démontrée en utilisant 240 mammographies de la base de données DDSM et 180 mammographies de la base de données mini-MIAS, avec un taux de classification correcte de 87,50 % et 86,11 %, respectivement. fr
dc.description.abstract Breast cancer is an international public health concern. Medical imaging is one of the key elements in diagnosis. However, the quality of the interpretation of mammograms remains variable. One of the important characteristics in breast anatomy and physiology is breast tissue density. Density is important for two main reasons: first, increased breast density is associated with decreased mammographic sensitivity for the detection of breast cancer (Schetter, 2014). Second, breast density is one of the strongest known risk factors for breast cancer (Prevrhal et al., 2002; Boyd et al., 1995). For these reasons, automatic tissue density classification is an important process in diagnosis. Moreover, the BI-RADS (Breast Imaging-Reporting And Data System) classification system identifies four levels of breast density, but the mini-MIAS (Mammographic Image Analysis Society) database is divided into three density categories. In this article we describe a method for overall breast density classification using artificial neural networks. This approach has the advantages of not requiring a preprocessing step and the ability to be adapted to different mammography databases. The validation of our method is demonstrated using 240 mammograms from the DDSM database and 180 mammograms from mini-MIAS database, with the correct classification rate of 87.50% and 86.11%, respectively. en
dc.language.iso fr -
dc.publisher Lavoisier -
dc.relation.ispartofseries Traitement du signal -
dc.rights Accès libre - Licence d'utilisation : http://irevues.inist.fr/utilisation -
dc.source Traitement du signal [Trait. Signal], ISSN 0765-0019, 2016, 33, 4, p. 441-459 -
dc.subject classification automatique fr
dc.subject réseau de neurones artificiel fr
dc.subject histogramme fr
dc.subject automatic classification en
dc.subject artificial neural networks en
dc.subject histogram en
dc.title Classification automatique de la densité des tissus mammaires fr
dc.type Article -
dc.contributor.affiliation Laboratoire signaux et systèmes, Université Abdelhamid Ibn Badis de Mostaganem l’UABM, Algérie -
dc.identifier.doi https://doi.org/10.4267/2042/70436


Files in this item

PDF TraitSignal_2016_33_4_441_Boukhobza.pdf 2.608Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search