Les algorithmes génétiques pour la caractérisation du tissu osseux sur radiographies osseuses

Abstract

L’ostéoporose est une maladie silencieuse qui se développe sans symptôme apparent et n’est généralement détectée que lorsqu’une fracture survienne, d’où une perte de masse osseuse et dégradation des propriétés du tissu osseux. Pour l’évaluer, on doit mesurer la densité minérale osseuse (DMO) par absorptiométrie biphotonique à rayons X, qui nous permet d’avoir qu’une seule information mais ne conduit pas au diagnostic de cette maladie. Plusieurs recherches qui utilisent l'analyse texturale des images radiographiques osseuses, ont montré que c'est un bon moyen pour détecter la présence de l'ostéoporose. Un diagnostic précoce de l'ostéoporose peut prédire efficacement le risque de fracture. Il existe une forte demande pour prévenir cette maladie. Le but de cette étude est de distinguer les cas ostéoporotiques des sujets témoins sur des images 2D de radiographies osseuses, par usage de l’analyse de texture et des algorithmes génétiques (AG). La matrice de cooccurrence des niveaux de gris (GLCM), la matrice de longueur de plages (RLM) et les caractéristiques statistiques d'image binaire (BSIF) ont été utilisées pour l'analyse de texture. Les caractéristiques à extraire sont nombreuses mais les utilisateurs concernés peuvent sélectionner les caractéristiques d’entrée utiles pour le classifieur. Dans cette thèse, les AG ont été utilisés pour optimiser les deux paramètres de la matrice de cooccurrence (la distance entre les pixels, l'orientation ou la direction) et le nombre de niveaux de gris utilisés lors de l'étape de quantification du prétraitement des images. Ces algorithmes ont également été utilisés pour sélectionner la meilleure combinaison de caractéristiques extraites des matrices GLCM et RLM. Des expériences ont été menées sur une base d'images composée de patients ostéoporotiques et de sujets témoins. Les résultats montrent que les AG combinés aux caractéristiques GLCM et BSIF peuvent améliorer le taux de classification (ACC = 87,50%) par rapport à celui obtenu en n’utilisant que les caractéristiques de la matrice GLCM (ACC = 77,8%) et une surface de ROC plus grande (AUC = 95.06%) en utilisant le calssifieur ANN.