Département d'Electronique

Permanent URI for this collection

https://dspace.ummto.dz/handle/ummto/16

Browse

Browsing Département d'Electronique by Subject "Algorithme de Relief"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Traitement d'images comme outil de diagnostic du cancer de la peau
    (Université Mouloud Mammeri, 2017) Fekrache, Dalila
    Dans cette thèse, nous avons développé une chaine de traitement d’images de dermoscopie afin de classifier les mélanomes en tumeur bénigne ou maligne. Pour ce faire, nous avons utilisé une méthode de détection de contours basée sur l’algorithme d’optimisation des colonies de fourmis. Puis, nous avons appliqué successivement l’enveloppe convexe, un seuillage d’histogramme et un filtre morphologique afin d’obtenir le masque de la lésion qui est utilisé pour extraire les lésions, à partir de ces dernières, les attributs qui les caractérisent à savoir, la couleur, la texture et la forme des lésions sont extraits. Pour améliorer le taux de classification, l’algorithme de Relief a été mis en œuvre pour sélectionner les attributs les plus pertinents. Ces derniers sont utilisés comme entrées de deux classificateurs, l’un à base de réseaux de neurones et l’autre à base de la technique des K-plus proches voisins. Nous avons effectué les tests d’application et de validation de notre méthode sur la base de données DermIS et DermQuest, dans laquelle nous avons pris 172 images, dont 88 représentent des lésions malignes et 84 des lésions bénignes et qui contient le masque manuel de chaque lésion. Notre technique a permis d’atteindre un taux de classification de 93.60% en utilisant les réseaux de neurones et un taux de 84.27 % en utilisant les K-plus proches voisins. Ces taux sont largement supérieurs aux taux de 86.60 % et 83.62 % qui sont obtenus par les masques manuels en utilisant respectivement les mêmes classifieurs. Ces résultats montrent que les attributs extraits à partir des lésions segmentées par l’algorithme d’optimisation des colonies de fourmis et l’utilisation du classifieur basé sur les réseaux de neurones améliorent grandement le taux de bonne classification des lésions.