Développement d'une plateforme Web-CAD pour l'analyse et le diagnostic d'images cliniques

Abstract

De nos jours, le développement de plates-formes de diagnostic assisté par ordinateur (Web-CAD) sur le Web joue un rôle crucial dans le domaine médical qui fournit des outils d'accès rapides et faciles aux experts médicaux pour effectuer un traitement et une analyse conviviaux des images. Ainsi, nous nous engageons à développer un CAD-IAD Web en tant que plateforme d'analyse d'images et de diagnostic appliquée à l'imagerie thermique pour l'analyse et le diagnostic du cancer du sein. Pour y parvenir objectivement, deux phases différentes sont impliquées: les phases de détection et de diagnostic. Dans la phase de détection, un processus de segmentation à travers un processus adaptatif utilisant deux méthodes, l’adaptative de transformée de Hough(Adp-HT) et l’ adaptative de transformée de Hough Booster(Adp-BHT), a été exploré pour extraire la région mammaire d'intérêt (Brest- ROI). Le résultat qui passe à la prochaine phase de reconnaissance vise à l'analyser, avec / sans lésions, en utilisant deux approches différentes supervisées (classification) et non supervisées (appariement). Au cours des travaux, une base de données d'images accessible au public a été utilisée pour évaluer les performances des algorithmes, y compris les matrices de confusion et la mesure de similarité de correspondance. La précision des algorithmes basés sur des méthodes supervisées et non supervisées était parfaite pour obtenir une (classification / correspondence) correcte de l'image de Brest-ROI présentée (avec / sans) lésions. Sur la base des résultats obtenus, nous avons conclu que les algorithmes ont le potentiel d'être acceptés pour une utilisation pratique, et le Web CADIAD

développé peut être utilisé comme un outil de dépistage rapide et précis pour diagnostic du cancer du sein avec l'image thermique clinique pour aider les radiologues avec leurs activités médicales. Mots clés: Cancer du sein, détection, techniques supervisées et non supervisées, réseau neuronal, apprentissage profond, mesure des performances; Web-CAD