Critère d’évaluation d’un résultat de détection des microcalcifications

Dans le cas général, aucune vérité terrain n’est disponible pour évaluer un résultat de segmentation et de détection des microcalcifications mammaires. Nous proposons ici une méthode d’évaluation de la qualité d’un résultat de segmentation ne nécessitant aucune connaissance a priori sur les images à segmenter. On va présenter un critère utilisé généralement pour l’évaluation d’un résultat de segmentation dans un contexte non supervisé. L’objectif de l’évaluation est, étant donnés une image et une méthode de segmentation, de déterminer la performance de cette méthode au sens d’un critère défini. D’une part, le principe utilisé consiste à estimer l’homogénéité des régions de l’image segmentée. Dans l’élaboration d'un critère d’évaluation d’un résultat de segmentation, on doit tenir compte des deux propriétés suivantes :

• Une région de l’image segmentée ne doit contenir qu’une seule primitive (une texture ou un niveau de gris constant), ceci pour garantir qu’il n’y ait pas sous segmentation. Ainsi, une région est caractérisée par une des statiques en son sein.

• Deux régions limitrophes doivent contenir deux primitives différentes pour garantir qu’il n’y ait pas sur segmentation. Ceci correspond à une disparité des statistiques entre ces deux régions.

D’autre part, on a montré un autre objectif que l’emploi des chaînes de Markov cachées (HMM) est plus efficace pour la détection des microcalcifications. Pour les problèmes de détection de la microcalcification en médecine l’a priori de chaque décision n’est pas absolu mais basé sur le jugement de l’expert. Plus concrètement dans l’application, il s’agit de faire le compromis entre le risque de ne pas détecter un cancer et le désagrément de faire passer des examens supplémentaires sur un grand nombre de patientes. Nous proposons ici une méthode

d’évaluation de la qualité d’un résultat de détection ne nécessitant aucune connaissance a priori sur les images. La sensibilité qui est, en effet, le taux des vrais positifs (TVP), représente la capacité d’un examen diagnostic à fournir un résultat positif en présence de la maladie. La spécificité (1-TFP) représente la capacité d’un examen à fournir un résultat négatif en absence de la maladie [27] :

FN VP VP é Sensibilit TVP + = = ……….…..………..… (IV.1) VN FP FP é Spécificit TFP + = − =1 ………...….….… (IV.2) Où

VP désigne les vrais positifs (true positive), VN les vrais négatifs (true negative), FP désigne les faux positifs (false positive) ou erreur de type I (dans une terminologie de théorie de la décision), et FN désigne les faux négatifs (false negative) ou erreur.

IV.3. Base de données utilisée

Pour évaluer et valider les performances de notre approche de traitement, on a utilisé la base de données MIAS (Mammography Image Analysis Society, [25]) qui est le fruit de travail d’un groupe de chercheurs scientifiques britanniques qui s'intéressent à la mammographie. La base MIAS contient un ensemble de 322 images mammographiques numérisées de type MLO (incidence latérale oblique) qui explore le sein gauche et droite de 161 femmes. Ces images appartiennent à trois catégories : normales, bénignes et malignes, (Type bénin : il y a 63 cas ; Type malin : il y a 51 cas ; Type normal : il y a 208 cas). En outre, les cas anormaux sont divisés en six catégories : masses circonscrites, masses spéculaires, microcalcification, masses mal définies, distorsion architecturale et asymétrie. Parmi les caractéristiques de la base sont les films mammographiques ont été extraits de :« UK National Breast Screening Programme », numérisés avec une résolution de 200 µm par pixel. Chaque pixel est codé sur 8 bits. Toutes les images sont découpées de telle sorte qu’elles sont toutes de taille 1024x1024 pixels, et de niveau de gris qui varie entre 0 et 255. Tous les noms des mammogrammes ont la forme suivante : mdbXXXBS, où :

XXX : représentent le nombre de l'image, allant de 001 à 322 ;

B est le côté du sein, il prend la valeur «L» pour le sein gauche (‘Left’) ou «R» (‘Right’) pour le sein droit.

S est la taille de l'image qui peut être «s» pour la petite image (1600x4320 pixels), «m» pour des images de taille moyenne (2048x4320 pixels), «l» pour les grandes images (2600x4320 pixels) et «x» pour les très grandes images (4000x5200 pixels).

La base de données est constituée de 322 images classées en trois types : Pour chaque image, les radiologues experts ont décrit le type de la pathologie (calcifications, des masses, le mammogrammes normaux, ainsi que d'autres types d'anomalies) répartis selon le type du tissu mammaire (gras, glandulaire, ou dense), sa localisation en donnant les coordonnées du centre de la pathologie, le diamètre d’une surface entourant la pathologie, sa taille, l’échelle, et d’autres informations utiles.

Un fichier joint à la base de données décrit en détails les images. Il est organisé en sept colonnes de la manière suivante :

1ère colonne : le numéro de référence de l’image dans la base de données MIAS 2ème colonne : Le type de la densité mammaire. Il y a trois types :

F : Graisseux (Fatty)

G : Glandules Graisseux (Fatty-glandular) D : Dense (Dense-glandular)

3ème colonne : Le type de la lésion si elle existe CALC: Calcification (Calcification)

CIRC : Well-defined/circumscribed masses SPIC : Spiculated masses

MISC : Other, ill-defined masses ARCH : Architectural distortion ASYM : Asymmetry

NORM : Normal

4ème colonne : La nature de la lésion B : Benin

M : Malin

5ème, 6ème et7ème colonne : La localisation de lésion

Les cordonnées de centre de la lésion(X, Y), L’origine de l’image est le coin supérieur gauche. Rayon approximatif (en Pixel) d’un cercle enfermant l’anomalie.

La détection des calcifications est très complexe due d'une part, à la diversité de leurs formes et d’autre part, aux frontières mal définies entre le tissu sain et la zone cancéreuse.

Dans ce but, nous avons proposé de sélectionner plusieurs images de la base MIAS. On a considéré uniquement les images incluant des microcalcifications.