Abstract:
L’image représente une richesse inestimable vue la diversité des informations qu’elle
recèle en elle à travers ces nombreux contours et détails. L’image médicale est donc une
source de diagnostic très importante pour le médecin traitant. Les images obtenues à partir des
appareils numériques doivent être donc interprétées correctement. La mammographie est une
technique de radiographie, particulièrement adaptée aux seins de la femme. Elle a pour but de
déceler au plus tôt des anomalies avant qu’elles ne provoquent des symptômes cliniques. La
mammographie est non seulement pratiquée dans les campagnes de dépistage du cancer du
sein, mais aussi pour le diagnostic et la localisation lors d’interventions chirurgicales. Les
microcalcifications en mammographie sont considérées comme le principal premier signe
fiable du cancer du sein et leur détection précoce est essentiel pour améliorer sa prévision. Les
microcalcifications sont de fins dépôts calcaires visibles uniquement en mammographie, qui
peuvent correspondre à des lésions bénignes ou malignes. L’objectif de notre travail est
l’automatisation de la détection des microcalcifications par des traitements des images
mammographiques. Ceci permet d’aider les experts dans leur travail parce que le nombre
d’image à expertiser est très grand. Ce travail de thèse s’inscrit dans ce but et propose une
nouvelle approche pour la détection des grappes de microcalcification. La mammographie est
prétraitée en utilisant un algorithme impliquant une amélioration de la qualité de la
mammographie (amélioration du contraste local). Ensuite, les grappes de microcalcification
sont identifiées en utilisant une analyse stochastique basée sur des chaînes de Markov
cachées, sur la base d'une analyse Hilbert-Peano des images médicales. Une telle procédure
permet de détecter les composants nodulaires tels que la microcalcification avec précision en
introduisant des informations sur la taille. L'efficacité de l'algorithme proposé pour la
détection de microcalcification est confirmée par différents résultats expérimentaux en
utilisant la base MIAS.
