Réduire Les Chevauchements En Mammographiepar Classification Par Apprentissage Profond

Le cancer du sein est la principale cause de décès par cancer chez les femmes. Le dépistageLa mammographie est la seule méthode actuellement disponible pour la détection fiable d'uncancer du seinprécoce etpotentiellement curable.Lesrecherches indiquent que le taux de mortalité pourrait diminuer de30% si les femmes âgées de 50 ans et plus passaient régulièrement des mammographies. Dans cette thèse, nous proposons unenouvelle méthode d'analyse des mammographies plein champ axée sur la caractérisation et l'identification des mammographies normales.mammographies normales. Une mammographie est analysée région par région et est classée comme normale ouanormale.Lesméthodes d'extraction de caractéristiques sont présentées dans cette thèse et sont utilisées pourdistinguer les régions normales et anormales d'un mammogramme.Dans cet ouvrage, un classificateur à réseau de neurones à convolution est utilisé pour améliorer la performance de la classification. performance de classification. Ce classificateur est plus performant que les classificateurs précédents. En effet, il montre plus de précision que les autres classificateurs, le taux de classification erronée des mammographies normales comme anormales.Cette approche donne de bons résultats sur le problème de chevauchement.

Autorentext

Travaillant dans le domaine du traitement de l'image, mon principal domaine de recherche comprend la détection des maladies grâce à divers modèles d'apprentissage automatique.