Machine Translated by Google

Cancers 2022, 14, 4399 16 sur 32

1. Coefficient de similarité des dés

: 2TP
(19)
2TP + FP +
FN

2. Distance Jaccard :
TP
(20)
TP + FP +
FN
3. Coefficient de corrélation
:

1 M N
Isi,j
Est − Igi,j − Ig σIg
∑∑ (21)
M×N σEst
je=1 j=1

4. Erreur quadratique moyenne (RMSE) :

1 M N
M×N ∑∑ (Isi,j − Igi,j)
2
(22)
je=1 j=1

où FP était le nombre de faux positifs, TP était le nombre de vrais positifs, FN était le nombre de
faux négatifs, Is faisait référence à l'image segmentée avec notre technique, Ig était l'image Ground
Truth, et M et N représentaient la taille de l'image .
Comme le coefficient de Dice et la distance de Jaccard sont deux métriques de similarité,
une méthode puissante devrait maximiser ces critères. Le critère de corrélation est également une
métrique de similarité, et varie entre -1 et +1 ; la corrélation positive parfaite est obtenue lorsque le
coefficient est égal à +1. RMSE est, d'autre part, une métrique de dissimilitude ; la valeur minimale
de RMSE est indicative d'une technique de segmentation robuste [74].

4. Analyse expérimentale
L'approche proposée de segmentation des tumeurs cérébrales a été évaluée à l'aide des
bases de données privées CIKA [75] et BraTS 2015 [16] . Cette section présente les spécifi cations
de chaque base de données utilisée. De plus, nous analysons les résultats obtenus à partir de
notre approche proposée et comparons les résultats avec d'autres approches classiques.

4.1. Expériences sur la base de données KICA

4.1.1. Description de la base de données
L'algorithme proposé a été mis en œuvre pour l'étude d'évaluation sur différentes images
IRM et Ground Truths obtenues à partir d'une base de données fournie par le centre d'imagerie
de Kouba - Alger (KICA) [75] - qui comprenait les images de tumeurs cérébrales et les images
Ground Truth correspondantes (complètes). zones tumorales). Au total, 223 personnes ont
contribué à la constitution de la base de données (120 Train/103 Test). Les images cérébrales
sans maladie utilisées étaient au format Digital Imaging and Communications in Medicine (DICOM)
et ont été sélectionnées dans les mêmes sections que les images de tumeurs cérébrales. Nous
avons sélectionné plusieurs images IRM, pour réaliser nos différentes expériences. Le travail
présenté est une collaboration entre plusieurs institutions algériennes et françaises. Les modèles
d'IRM Ground Truth ont été définis avec l'aide de radiologues, de neurologues et d'ingénieurs
biomédicaux du centre d'imagerie de Kouba à Alger (Algérie) et de l'hôpital de Tours (France).

4.1.2. Expériences
Cette section est divisée en deux parties. La première partie illustre le rôle essentiel de l'
ANOVA dans notre algorithme. Les résultats de la fonction de fitness basée sur l'ANOVA ont été
comparés à ceux obtenus avec la fonction de fitness SAD. Suivant le même concept de variabilité
expliqué ci-dessus, le bloc candidat qui a donné la valeur SAD maximale a été considéré comme le
bloc tumoral. Dans la deuxième partie de ce travail, nous avons comparé les résultats
expérimentaux de notre algorithme avec plusieurs techniques de segmentation bien connues, telles
que les C-
moyennes floues (FCM), les K-moyennes, le seuillage Otsu, le seuillage local et la segmentation des
bassins
 méthode ANOVA, en utilisant la fonction de fitness exprimée en (18). Comme la différence pouvait
Machine Translated by Google
également être mesurée avec n'importe quel critère de dissemblance, nous avons changé la fonction
de fitness utilisée de (18) et l'avons remplacée par le critère SAD, afin de prouver l'efficacité de notre
fonction de fitness basée sur l'ANOVA. La métrique SAD, aussi appelée norme L1 ou norme
Cancers 2022, 14, 4399
Manhattan, est un critère de dissemblance, utilisé pour comparer les intensités de deux blocs 1o7usur 32
images [74], et est définie comme suit :

A. Expérience #1 (23) La robustesse de toute technique basée sur les métaheuristiques

, ,
dernière est un paramètre décisif dans
d é p e nd de l a fo n ct io n d e fi tn e s s u t i lis é e : c et te
l'évalu a t io n de to u te s le s s ol u tio n s c a n d i d a te s o ù e t
derelparséosleuntitoefnonntgclleotisboSanblAleoaDcomspéectliesamuvnaérdéleeidl.aaDtmvsaaondrnsiaa
tnnbrésoilitlut'réienmeotaeudgcilehfafnéddireqiefufnléaecreetdunesmcuseebeusegrtnmactnréeetrniéeltebl
alsertiaobelnelno,tecrl'est ilmceleaannbgodleonidc-ddaecitsasf-
nadedcatiildniltaasétdldaeéettUelf'niirmtmneaeivngsaaselt.eidouenr delal'taubmseenucr
ecédreébmraalleadeitel,eisndbilqoucasnctolarrepsrépsoenndcaentds'udnaenstulm'imeaugr.ePsaarncsom
nsaélaqduieen;t,ulnaediimfféargeencseigdneifibcalotcive canddiodnant éenlatrevaeleuux rinmdaiqxuimaiat
lle'edxiestSeAncDead'éutnéectounmsieduérr.éNcooums maveolnesbeloucrteucmoourras l.àLlaa
sfitgautirseti1q3uemqouni tare la
méthode ANOVA,
également utilisant
être mesurée avecla des
fonction
imagesde fitness exprimée
originales avant etenaprès
(18). Comme la différence
les procédures pouvait
de prétraitement et
de segmentation avec n'importe quel critère de dissemblance, nous avons changé la fonction de
fitness utilisée de (18), la fonction de fitness utilisée était basée sur l'ANOVA et le critère SAD. et l'a
remplacé par le critère SAD, afin de prouver l'efficacité de notre ANOVA. Le tableau 4 montre les
dés,
la distance de Jaccard, la corrélation et les valeurs RMSE obtenues en fonction de la fonction de fitness.
La métrique
de fitness SAD,
testées aussi
par notreappelée
méthodenorme L1 ou norme de
de segmentation. Manhattan,
A partir est une
de la figure 13,avec
nousles deuxlefonctions
avons critère de
dissemblance, utilisé pour comparer les intensités de deux blocs ou images [74], et nous pouvons
non observer
pertinentsque l'utilisation
définis commede SAD
suit comme
: dans fonction
plusieurs casde fitness a donné
; cependant, des résultats
les résultats de segmentation
de segmentation
avec ANOVA étaient proches du sol

M N
Des vérités avec la plupart des TRISTE =
∑De∑pluI1si,,jn−ouI2si,pj ouvons observer (23)
à partir du . 4
images testées q ueAleNsOrVéAsuélttaatiseni=t 1plju=s1
taebc leau 100%
d e la s e g m e n ta t
é l ev és , e t p ro c h e s d eio n a v
dans la plupart des testés où I1 et I2 représentent les blocs candidats dans l'image de la tumeur
coceéfrféicbireanlet deet lceoarruéclautniocna, sl'imenaguetilidseanlat lme acloaedfifeic. ieent
tpdroecshiemdilear0it%é daeveDciclea, mlaédtriisqtuaencReMdSe EJ.aEccnard et le
dirfefévraenncchees, uSbAsDtanatideollneneéndtreeslerébsluolctactas npdriodmateettteluarsm,
amjoariistéunn'eétvaaitlepuarsSsAaDtiséfaleisvaénetea. mEnongturéisuendee
présenrcéecda'puintuelatutiomne, uilr.ePstacr lcaoirnqsuéequl'uetnilti,slaatifoonncdteioln'AdNeOfVitnA
ecsosmdmu ebloimc acgaendsiadnast amdaolandnieé idnedibqiueen la
demeilleurs
SAD a été résultats que ceux
considérée obtenus
comme avec
le bloc la fonction
tumoral. de fitness
La figure SADlaqui
13 montre a donné
tion, la valeur
démontrant maximale
la robustesse
et l'efficacité de la technique dans l'évaluation des images can originales avant et après les
procédures de prétraitement et de segmentation, où le didate bloque. la fonction de fitness utilisée
était basée sur l'ANOVA et le critère SAD.

Image 1

Image 2
Cancers 2022, 14, 4399 19 sur 33

Image 3
 Figure 13. Suite.

Image 4
Machine Translated by Google

Image 3
Cancers 2022, 14, 4399 18 sur 32

Image 4

image 5

Image 6

Image 7

Image 8

Figure 13. Suite.

 Machine Translated by Google

Cancers 2022, 14,

4399 19 sur 32
Cancers 2022, 14, 4399 20 sur 33

Image 9

Image 10

(un) (b) (c) (ré)

Figure 13. L'efficacité de la segmentation des tumeurs cérébrales sur le jeu de données KICA : comparaison de l'ANOVA
Figure 13. L'efficacité de la segmentation des tumeurs cérébrales sur le jeu de données KICA : comparaison de l'ANOVA
et le s m é th o d e s b a sé e s s ur S A D . ( a) I m a g e s o r ig i na le s . (b ) P ré -
e t le s m é t h o d e s b a sé e s s u r S A D . ( a ) Im a g e s o ri g in a le s .
(tbra) iPtermée-tnrat.it(ecm) Neonttr.e(mc)éNthootdree mavéetchAodNeOaVvAe. c(rAé)NOVA. Notre méthode avec
SAD.
(d) Notre méthode avec SAD.

Tableau L4.eLteasbrleésauulta4tsmdoenntroetrelems éDthicoede,

ldaedsisetgamnecnetadtieonJasucrclaerjde,uladecdoorrnénléaetisoKnICetAl,eesnvuatilleisuarnst
lRa MsimSEilaoritbéteDnicuees co e ff ic ie n t ,
a v e c l es
d i st a nc e d e J a c ca r d, c o e ff ici e n t d e co r ré l at io n e t
d e u x fo n c ti o n s d e fi tn e s s t e s té e s p a r n o tr e m
m é t ri qu e R M S E a ve c d e u x f on c tio n s d e f itn e s s : ANOVA et SAD.
ét h o d e d e s eg m e n ta t io n . A p a rt ir d e l a fi g u re 13, nous
peut observer que l'utilisation de SAD comme fonction de fitness a donné des résultats de segmentation non pertinents dans
plusieurs cas; cependant, les résultats de la segmenCtoaetifoficnieanvt edec cAoNrréOlaVtioAn étaient proches des vérités
fondamentales
Distance Jaccard Mesure RMSE (%)
Images Coefficient de similarité des d és (% )
( % ) av ec la plupart des images testées. De plus, nous p(o−u1vào+n1s) observer à partir du tableau 4 que
les résultats
ANOVA 62,008 % deTRsISeTgE mentationANaOvVeAc TARNISOTEVA étaient plus éleAvNéOeVsA, et proches de 10TR0IS%TE dans
Image 1 la pluApNaOrVtAdes cas tesTtRéISsTE enSNuItRilisant le co4e4f,f9ic3i6e%nt de simSilaNrIRité de Dice,
78,997 %
Image 2 0la,67d3i0s6ta4 nce de Jacca0r,4d7e54t 7l8e coefficie0n,0t 0d0e66c4o7rrélatio0n,0,01e0t6p05rès à S0N%IR avec la
Image 3 73,276%
m6é5,t2r8iq5%ue RMSES.NEIRn revanche0,,7S9A01D16a donné des0r,3é8s6u16lt7ats
Image 4 83,265%
prome0t,0te00u0r1s5,8mais l0a,0m01a49jo3r4ité
24 ,4 32 % 5 7, 8 2 3 % 1 3 , 91 6 % 0 , 76 1 0 6 9 0 , 5 32 0 3 2
n 'é ta i e nt pas satisf a i s a n t es. En gu i s e d e récapitulati o n , il e s t clair que l'utili s a t i o n d e
0, 0 0 03 57 9 0 ,0 0 05 0 49
l'ANOVA c o m m e fonctio n d e fi tn ess
78 ,2 4 2 % 7 1 ,3 2 9 % 6 4,2 6 % 0 ,8 70 5 53 0 ,82 04 6 9
o n t d o nné des r é s u l t ats bien m e i lleurs que c e u x o btenus avec la fo n c tion
0 ,0 0 0 06 57 0 ,00 0 10 9 1
de fit 8n 1e %s s S 77
8 7,5
7 8 ,9 7 4%
AD,,9 dé
07%
m o n tr a nt
image 5 88,252% l ea t rl 'e
o b fficacité
ustesse d e la 0,897922 0,888510 blocs 0,0000398 0,0000464
technique dans l'évaluation des candidats.
Image 6 87,844% 85,748% 78,323% 75,051% 0,891440 0,865518 0,0000243 0,0000361
Image 7 91,919 % 88,809 % 85,046% 79,871% 0.925806 0.903027 0,0000686 0,0001325

94,535%
TCaobeflfeicaieun4t . Les rés8u9lt,6a3ts7%de notre 8m7é,9t5h9od%e de segme0n,9t5a2ti5o2n4 sur le jeu de
Image 8
Image 9 96,211% do0,n9n4é25e3s6KICA, en u0ti,l0is0a0n12t 2la3 similar0it,é00D0i2c4e02 d9e0,9436,959%3 9%2,,6d9i9st

%an0c,e95d3e6J6a3cc0a,0rd0,0c4o3e83f27fi,c5i9e8nt%de corrélation et métrique RMSE avec d0e,u6x63fo4n3ctions de

fitne0s,0s0:00498

Image 10 ANNORVSAA
95,154% SNIR 0,950669 0,94286 0,0000414 0,0133088

9e0t,7S5A6D%.
NRS signifie « segmentation non pertinente ».
Coefficient de similarité des dés Distance Jaccard Coefficient de corrélation (−1 à Mesure RMSE (%)
Images (%) (%) +1)
ANOVA TRISTE ANOVA TRISTE ANOVA TRISTE ANOVA TRISTE
B. Expérience #2
Image 62,008 SNIR 44,936% SNIR 0,673064 0,475478 0,0006647 0,0010605
1 %

Image 78,997 SNNIoRus avons é65v,a28lu5é% l'efficacitSéNIdRe notre algo0,r7it9h0m11e6 par rapport0,à38p61lu6s7 ieurs
%
2 se0g,0m00e0n1t5a8tions b0i,e00n14c9o3n4nues
techniques dans la deuxième expérience. Les images segmentées obtenues avec notre méthode,
Image 73,276% 24,432% 57,823% 13,916% 0,761069 0,532032 0,0003579 0,0005049
3
et d'autres méthodes de segmentation, sont illustrés à la figure 14. En outre, les tableaux 5 à 8 mettent en évidence
Image 83,265% 78,242% 71,329% 64,26 0,870553 0,820469 0,0000657 0,0001091
4 %
les résultats statistiques et les comparaisons de notre méthode et d'autres méthodes connexes, en utilisant
image 88,252% 87,581% 78,974% 77,907% 0,897922 0,888510 0,0000398 0,0000464
5
les ;
métriques suivantes : Coefficient de similarité des dés Distance de Jaccard ; Coefficient de corrélation;
Image 87,844% 75,051% 0,891440 0,865518 0,0000243 0,0000361
métr8iq5u,7e4R8 M
6 %S7E8. ,323 % et
91,919 % 88,8 09 % 8 5, 04 6 % 7 9 ,8 7 1% 0 .9 2 5 80 6 0 . 90 3 02 7
Image 7 O n peut ob s e r v er, à p a r t ir des com p a r a i sons quali t a t iv e s et
Image 8 94,535% 9 3 ,5 93 % 8 9 ,6 3 7 % 8 7,9 59 % 0 ,9 52 5 2 4
mé th o d e posée pe u t s e g menter la tu m eur cérébr a le t r è s
96,211% 9 0, 46 9 % 9 2,6 9 9 % 8 2, 59 8 % 0 ,95 3 6 6 3
Image 9 mé th o d e s, où leur s s e g mentat io n s n e sont pa s p e r t inentes ou
0 ,6 63 43 0, 0 0 00 49 8 90 , 756
0,0 0 0 4 3 3 7 S N IR
Image 10 p a s s atisfaisan
95,154% cas. SLNtaIR
e puissance
s d a ns lad em na%jotre
o r méth
i t é des
o d e réside es0s,e95n0t6ie69llement dans0,9le42p86oint
suiva0,n0t00:0l4a14premiè0,r0e13é3t0a8p8 e de
noNtRrede
résultats S sa iglngifoier«itstumorale
segmentation hemgmeexempts
en, taqtiude
oni toute
ndoéinformation
ntpeerrtmineinnte
non e»l.e ROI,
pertinente, tellene
quesegmente alors
l'os du crâne. que cette
Contrairement à
d'autres techniques de segmentation, telles que celles basées sur Otsu ou le seuillage local, certaines
des informations superflues restent sur l'image segmentée.
Machine Translated by Google

Cancers 2022, 14, 4399 20 sur 32

B. Expérience #2

Nous avons évalué l'efficacité de notre algorithme par rapport à plusieurs segmentations bien connues
techniques dans la deuxième expérience. Les images segmentées obtenues avec notre méthode,
et d'autres méthodes de segmentation, sont illustrés à la figure 14. En outre, les tableaux 5 à 8 mettent en évidence
les résultats statistiques et les comparaisons de notre méthode et d'autres méthodes connexes, en utilisant le
métriques suivantes : coefficient de similarité des dés ; Distance de Jaccard ; Coefficient de corrélation; et
Métrique RMSE.

Tableau 5. Comparaison entre les résultats de notre méthode de segmentation sur le jeu de données KICA et certains
techniques de segmentation bien connues utilisant le coefficient de similarité de Dice.

Images Notre méthode FCM K-Moyennes Seuil d'Otsu Seuil local Seuil du bassin versant

Image 1 62,008 % 2,9106 % 6,858% 0,044% 0,303% SNIR

Image 2 78,997 % NRS NRS NRS NRS SNIR
Image 3 73,276 % 1,127 % 6,690% NRS NRS SNIR
Image 4 83,265 % 25,948 % 24,823% 5,750% 0,906% 8,297%
image 5 88,252 % 38,213 % 38,137% 6,130% 20,762% 7,738%
Image 6 87,844 % 42,716 % 35,910% 4,683% 4,088% 5,357 %
Image 7 91,919 % 44,635 % 40,291% 10,921% 35,751% 13,968 %
Image 8 94,535 % 50,052 % 79,763% 25,940% 11,712% 27,638%
Image 9 96,211 % 1,476 % 56,53% 25,038% 23,014% 25,643%
Image 10 95,154 % 0,810 % 48,957% 18,878% NRS 28,530%

NRS signifie « segmentation non pertinente ».

Tableau 6. Comparaison entre les résultats de notre méthode de segmentation sur le jeu de données KICA et certains
techniques de segmentation bien connues utilisant la distance de Jaccard.

Images Notre Méthode FCM K-Moyennes Seuil d'Otsu Seuil local Seuil du bassin versant

Image 1 44,936 % 1,4768 % 3,551% 0,022% 0,151% SNIR

Image 2 65,285 % NRS NRS NRS NRS SNIR
Image 3 57,823 % 0,566 % 3,461% NRS NRS SNIR
Image 4 71,329 % 14,908 % 14,17% 2,96% 0,455% 4,328%
image 5 78,974 % 23,619 % 23,561% 3,161% 11,583% 4,025 %
Image 6 78,323 % 27,159 % 21,885% 2,398% 2,087% 2,752 %
Image 7 85,046 % 28,729 % 25,228% 5,776% 21,766% 7,508 %
Image 8 89,637 % 33,38 % 66,339% 14,903% 6,220% 16,035 %
Image 9 92,699 % 0,7438 % 39,402% 14,310% 13,003% 14,707%
Image 10 90,756 % 0,406 % 32,413% 10,423% NRS 16,639 %

NRS signifie « segmentation non pertinente ».

Tableau 7. Comparaison entre les résultats de notre méthode de segmentation sur le jeu de données KICA et certains
techniques de segmentation bien connues utilisant le coefficient de corrélation.

Images Notre Méthode FCM K-Moyennes Seuil d'Otsu Seuil local Seuil du bassin versant

Image 1 0,673064 0,157563 0,293867 0,275414 0,196262 0,214095

Image 2 0,790116 0,239039 0,250315 0,219895 0,138782 0,160484
Image 3 0,761069 0,182389 0,253495 0,243609 0,129738 0,243366
Image 4 0,870553 0,289513 0,417104 0,159479 0,175391 0,192943
image 5 0,897922 0,378542 0,561895 0,164128 0,249723 0,177235
Image 6 0,891440 0,502674 0,557390 0,135842 0,154660 0,142385
Image 7 0,925806 0,537026 0,560681 0,224682 0,356487 0,281344
Image 8 0,952524 0,474860 0,822597 0,328776 0,188492 0,3892
Image 9 0,966158 0,255578 0,593773 0,333411 0,236488 0,3951
Image 10 0,953663 0,300080 0,602117 0,271452 0,084133 0,3824
Machine Translated by Google

Cancers 2022, 14,

4399 21 sur 33
Cancers 2022, 14, 4399 21 sur 32

Figure 14. Suite.

Machine Translated by Google

Cancers 2022, 14, 4399 22 sur 32

Cancers 2022, 14, 4399 22 sur 33

Figure 14. Suite.

Machine Translated by Google

Cancers 2022, 14,

4399 23 sur 32
Cancers 2022, 14, 4399 23 sur 33

Images
Notre méthode FCM K signifie Otsu Seuil Bassin versant
originales
local

Figure 14. L'efficacité de la segmentation des tumeurs cérébrales sur l'ensemble de données KICA : comparaison entre la méthode basée sur l'ANOVA proposée et d'autres méthodes bien connues.

Figure 14. L'efficacité de la segmentation des tumeurs cérébrales sur l'ensemble de données KICA : comparaison entre la méthode basée sur l'ANOVA proposée et d'autres méthodes bien
connues méthodes.
Machine Translated by Google

Cancers 2022, 14, 24 sur 32

4399

Tableau 8. Comparaison entre les résultats de notre méthode de segmentation sur le jeu de données KICA et certains
techniques de segmentation bien connues utilisant la métrique RMSE.

Images Notre méthode FCM K-Moyennes Seuil d'Otsu Seuil local Seuil du bassin versant

Image 1 0.0006647 Image 2 0,0021345 0,0057836 0,0020789 0,0031144

0.0000158 Image 3 0.0Im00a3g5e749 0,0005815 0,0040139 0,0001327 0,0011636
0.0000657 Cancers 20I2m2a,g1e4,54399 0,0046264 0,0242370 0,0024103 0,0155236
00.0.0000369896ImImaaggee6800.0I.m00 0,0013554 0,0915980 0,0010545 0,058913265 sur
00a00g12e247233 0,0006572 0,0973590 0,0006525 33
0,0915326
Image 9 0.0001223 Im0a.g0e0091223
Image 9 0.0001223 Im0a.g0e0091223 0,0003564 0,1246628 0,0005443 0,1213210
0,0018533 0,0672948 0,0017184 0,0423277
0,0012972 0, 0 0 0 0 9 20 0,0008450,806306,40007 05798 0,000522 3
0 ,0 0 04 5 66 0 ,00 6 8 67 2
0 , 0 0 02296
0,0007301 00,,00702249038
0,0073548 0,0018346 0,1033327 0,0065827 0,0887
certaines techniques de segmentation bien connues utilisant la métrique RMSE.
0,0060980 0,0040885 0,1220065 0,0062485 0,0533
Otsu Local Bassin versant
Images Notre FCM K-Moyennes
méthode
On peut observer, à partir des comparaisons qualitatives et quantitSaetiuveil s, que le pro SeuSil euil
Image 1 0,0006647m0é,t0h0o2d1e34p50o,00s,0é01e025p97e782u3t6s0e,g0m02e0n7t8e9r
mlaéttuhmodeeusrdcoénrtélebsrasleegtmrèesnteaftfiiocnascenemseonntt, pcaosntrairement à la0,m00é3th1o14d4e
classique
Image 2 0,0000158pertinentes0o,0u0p0a0s9s2a0tisfaisantes0,d0a0n0s58la15majorit 0,0001327 0,0011636
é des0,0040139
Image 3 0,0003579c0a,s0.2L42a3p70u0i,ns0os0tar0e8n4ac5leg8odriethmnoet,rqeu0mi d,0éé0tte4hr6om2di6ne4erléesriedtoeuer
ssusrentiellement dans 0le,00p2o4in10t 3suivant : la0p,0r1e5m5i2è3r6e étape de
Image 4 0,0000657in0v,e0s9ti1s5s9e8m00e,nr0ét0,s0pu5ult7ais9ts8sedgemseengtme 0,0589136
eu0nn,ti0aq0tuio1enm35teu5nm4t coerattlee reéxgeiomnp, tcsedqeui rend le cervea0u,0010545
image 5 0,0000399toute inform0a,0ti0o0n5n2o2n3 pertinente0, t,e0l0le06q5u7e2l'os du 0,0006525 0,0915326
crân0e,.0C97o3n5tr9a0irement à
Image 6 0,0000243d'autres te0c,h00n0iq2u2e9s6 de segme0n,0t0a0ti3o5n6,4telles que c0e,1l2le4s66b2a8sées sur
Ot0s,u00o0u54le43seuillage lo0c,a1l2, 1c3e2r1ta0ines
0s,0re6s7t2en9t4s8u0r ,l0'im01a7g1e8s4egPmouerntcéoem. 0,0423277
Image 7 pléter les résultats ci-
0,0001223 emffiecat cdiatévadnetangoetreenméévtihdoednece la 0,0722
Image 8 robustesse
0,00d0e4s5s06u,06s0,04la,900f6i3g38u6r4e0175 ntre la f ig0eu,t0068672
0 ,0 0 1 83 46 re 15a–d, les r é s u l ta t s de notre
0 , 1 0 33 32 7 0,0887
Image 9
0,0065827
Image 0,0000414l'a0l,g1o2r2it0h0m650e,p0(l0bu6as0rfr9ae8ibs0lebleenueRsMdSaE0n,,0sp0ac4rh0ra8aq8p5upeorftigauuxrea)ustro
10
enst les plus élevés e0n,0D06ic2e4,8J5accard et co0rr,é0l5a3t3ion, et
techniques concurrentes, ce qui prouve l'efficacité et
robustePsosuer cdoemnploéttreer lmesértéhsouldtaets. Acii-ndessi,sutosu, lsa
lfeigsurreé1s5ulmtaettsdaevxapnétargime eenntéavuidxendcéemlaornotbruesntet sqsueeetla proposition
sulr'epfafiscsaecittéoudteesnoletrse amuétrtehsodmeéptrhoopdoesséec.oCnocmurmreentleesm. ontre la figure 15a–d,
les résultats de notre algorithme
rithm (barres bleues sur chaque figure) sont les plus élevés dans Dice, Jaccard et corrélation, et les plus bas dans
4.2. Expériences sur la base de données BraTS 2015
RMSE, par rapport aux autres techniques concurrentes, ce qui prouve l'efficacité et la robustesse
nessPdoeurnnootrues masésthuoredreq.uAeinnsoi,s troéussullteastsrépsréucltéadtsenetxsppéoruimvaeinetnatuêxtrdeég
méonnértraelinstéqs,uneoluasparovopnossiutitoilnisé un outil externe et très
enssuermpabslesedteoudtoensnléees saudtirffeicsilme éptohuordetesscteornlceusrrpeenrtfeosr.mances de l'approche
de segmentation basée sur PSO-ANOVA.
(un) (b)

Figure 15. Suite.

Machine Translated by Google

Cancers Cancers 2022 4, 31949, , 14,

4399 26 sur 25 sur 32 33

(c)
(ré)

Figure 15.
similarité Comparaison
Figure des résultats
15. Comparaison de segmentation
des résultats sur l'ensemble
de segmentation de données
sur l'ensemble CIKA basé
de données CIKA sur : (a)sur
basé Dice
: (a)
Coefficient de similarité Dice ; (b) Distance de Jaccard ; (c) coefficient de corrélation; (d) Métrique RMSE. coefficient;
(b) Distance de Jaccard ; (c) coefficient de corrélation; (d) Métrique RMSE.

2041.52.4E.2x.p1é. rDimesecnrtiapttiioonnsdseulralababsaesedededodnonnéneésesPBourar TS
garantirexterne
données que nosetrésultats précédents
The Medical Image puissent être
Computing généralisés,
and Computer nous avons
Assisted utilisé un ensemble
Intervention de tester
(MICCAI) pour
base de données officielle de l' approche cérébrale de la conférence. défi de segmentation IRM tumorale, 16]
les performances de la segmentation basée sur PSO-ANOVA fournies par la base de données BraTS [ et il; est
c'est la
également couramment utilisé par les chercheurs travaillant sur la segmentation IRM des tumeurs cérébrales. La
base de données BraTS est mise à jour chaque année depuis la version 4.2.1. Base de données Description le
challenge a été lancé en 2012.

Le Medical
données pourImage Computingdes
la segmentation andimages
Computer Assistedcérébrales
de tumeurs Intervention (MICCAI)
s'appelait con 2015.
BraTS L'ensemble de à
Il consistait
référencer la base de données BraTS [16] ; il s'agit de la base de données officielle des IRM des 54 gliomes de bas
grade (LGG) et des 220 gliomes de haut grade (HGG) de la conférence. Ces 274 images du défi de segmentation IRM
des tumeurs cérébrales, et il est également couramment utilisé par les chercheurs, étaient réservées à l'ensemble
de formation, tandis que 110 étaient pour l'ensemble de test. La taille totale de tous les travaux sur la segmentation
IRM des tumeurs cérébrales. La base de données BraTS a été mise à jour annuellement. Les images IRM étaient
de 240 × 240 × 155. Les quatre modalités d'IRM étaient T1, T1c, T2 et T2-FLAIR. allié depuis le lancement du
challenge en 2012.
Quatre classes intra-tumorales - œdème, tumeur rehaussée, tumeur non rehaussée et nécrose - L'ensemble de
données pour la segmentation des images de tumeurs cérébrales s'appelait BraTS 2015. Il consistait en une
«vérité terrain» segmentée. Le coefficient de similarité de Dice a été utilisé pour 54 gliomes de bas grade (LGG) et 220
gliomes de haut grade (HGG). Ces 274 im dans cette expérience pour évaluer et comparer les résultats de
segmentation avec certains âges récents étaient réservés pour l'ensemble d'apprentissage, tandis que 110 étaient
pour l'ensemble de test. La taille totale des méthodes de pointe publiées. Les trois modalités des régions tumorales
- complète,
T2 et T2 -centrale, toutes rehaussées
et les tumeurs les images IRM
- ontétaient de 240
été prises × 240 ×dans
en compte 155. le
Les quatre
calcul de modalités
la mesured'IRM étaient T1, T1c,
de performance. Le
FLEUR. Quatre
(ou entière) classes intratumorales
comprenant - œdème, tumeur
des noyaux rehaussés rehaussée, œdème,
et non rehaussés, tumeur non rehaussée
nécrose et zone
- ont été tumorale
fournies complète
sous forme de
«vnéorintéatmeréralioinr»anstesgémtaeienntéteto. uLse

dcaonesffilceiennot ydaeusaiméitléaruittéiliDséicdeaentslecsetnteécerxopséersie. nLcees pnoéucrroésveaslueet rleest

de s e g m e n ta ti on a v e
cnoomyapuaxrearmleésliorérasnutltsaetst M é t h od e s d e l'é t a t
cdecel'ratratinréecsermégmioennst .pSuebuliéleelsa. zLoensetrdoeislamroédgaiolitnésredheaurésgsiéoensa téutmé

oarpapleeslé—ectoummeurLraefhigauursesé1e6. met encéevnitdraelnecseeltersethroaiussmséoedsa-litoénst

déetérépgriisonesn tcuommoprateledsa. nLse lseccoarelcudledDeiclae paeérftoérmdéatnecrme ienné
spuopuerrlpeosstaunmt el'iumrsagceomdeplèsotersti,e anLtiecsipnééecsruorsel'ésteiqtuleesttecœseugrms
erenhtéaeusmséasnueet lnleomnerneth(acu'esssté-às-
dseiretrloaumvaeiesunrt eto).uVsédraiténstelarraréing)i.onnocyeanutxra, lœe.dSèemueles leat znoéncerodsees. la
eréngéiovnidreenhcaeulsesséteroaisémtéoddéasliitgénsédeesroéugsiolensntoummodrearleésg.ioLne rsechoaruesDséic
ee. a4.é2t.é2.dEéxteprémriimnéenetne slauptuemrpeousra. nLtal'fimiguargee 1d6e met
sonrtoieusanatvicoinpséemseunrél'idmeasgeexspeégrimenecnetés evimsuaenluleeslleemt qeunat.nCtitoamtivmese
(nco'eusst-là'a-dvoirnesGfaroituanvdeTc rlu'ethn)s.esmubr lle'endseedmobnlneédees dKoICnnAé, es
BraTS 2015, pour évaluer la performance de notre approche proposée de segmentation des tumeurs cérébrales. Un
sopuosu-ernmseemttrbeleendeévqiudaetnreceiml'éavgaelsuaTt2io-nFLvAisIuRe,llreep; rLéasefingtuarnet
1le7smtuomnteruerlseslersépsluulstartes ndceonntortéreesacplpinrioqcuheempernotp, oasééteédcehoisi,
segmcoennstaidtiéornésdecsomtummeeudresscgélrioémbreasledse,
àbal'asidgeradd'eim(aLgGeGs)I,RtaMndHisGqGueetleLsGgGr.aSdeesloInIIl'eOt MIVSs, olenst hgaraudteems eI nett
mII asolinnst et désmoonnt satprapteiolénsegslitobmaessé dseurhdaeust gturmadeeur(sHGcoGm).pNlèoteuss,
nqoutioinncsluqeunet llea tnyépcerodsees, el'gœmdeènmtaetieotnlecsonnsoidyaéuréx dreahnasucsestétes et non
rehaussés. De plus, le tableau 9 présente les performances de notre approche, en utilisant le coefficient de similarité
de Dice comme critère statistique, et compare nos résultats aux résultats de
Machine Translated by Google
Cancers 2022, 14, 4399
Cancers 2022, 14, 4399
Auteurs An
Havaei et al. [76] 2016
Pereira et al. [77] 2016
Tseng et al. [78] 2017
26 sur 32
approches publiées liées à l'ensemble de données difficile BraTS 2015. Pour faire une
comparaison par rapport à l'état de l'art, nous avons reporté dans le tableau 9 les résultats de
segm2e7nstuart3io3n des trois modalités de régions tumorales (c'est-à-dire, tumeurs complètes, centrales et
rehaussées).
Figure 16. Les trois modalités des régions tumorales : tumeurs complètes, centrales et rehaussées.
4.2.2. Expériences
Comme nous l'avons fait avec l'ensemble de données KICA, nous avons mené des expériences visuelles et quantitatives
sur l'ensemble de données BraTS 2015, pour évaluer la performance de notre segment de tumeur cérébrale proposé
approche de mentation. Un sous-ensemble de quatre images T2FLAIR, représentant le plus cliniquement
tumeurs rencontrées, a été choisi, pour mettre en évidence l'évaluation visuelle; La figure 17 montre la
résultats de notre approche proposée de segmentation des tumeurs cérébrales, en utilisant l'IRM HGG et LGG
images. Selon l'OMS, les grades I et II sont considérés comme des gliomes de bas grade (LGG),
tandis que les grades III et IV sont hautement malins et sont appelés gliomes de haut grade (HGG).
Notons que le type de segmentation considéré dans cette démonstration est basé sur la com
les tumeurs pleines, qui comprennent la nécrose, l'œdème et les noyaux rehaussés et non rehaussés.
De plus, le tableau 9 présente les performances de notre approche, en utilisant le Dice similarity co
efficace critère statistique, et compare nos résultats aux résultats de
approches publiées liées à l'ensemble de données difficile BraTS Pour faire une comparaison
fils par rapport à l'état de l'art, nous avons reporté dans le tableau 9 les résultats de segmentation de
Figure 16. Les trois modalités des régions tumorales : tumeurs complètes, centrales et rehaussées.
Figluesretr1oi6s.mLoedsatlirtoésisdmesordéagliioténss tduemsorraélgesio(ncs'estut-mà-doirraeleless
: tmumeuerus rcsomcopmlèptelsè,tecesn, tcraelnestraetleresheaturseshéeasu)s. sées.
tu
4.2.2. Expériences
Comme nous l'avons fait avec l'ensemble de données KICA, nous avons mené des expériences visuelles et quantitatives
sur l'ensemble de données BraTS 2015, pour évaluer la performance de notre segment de tumeur cérébrale proposé
approche de mentation. Un sous-ensemble de quatre images T2FLAIR, représentant le plus cliniquement
tumeurs rencontrées, a été choisi, pour mettre en évidence l'évaluation visuelle; La figure 17 montre la
résultats de notre approche proposée de segmentation des tumeurs cérébrales, en utilisant l'IRM HGG et LGG
images. Selon l'OMS, les grades I et II sont considérés comme des gliomes de bas grade (LGG),
tandis que les grades III et IV sont hautement malins et sont appelés gliomes de haut grade (HGG).
Notons que le type de segmentation considéré dans cette démonstration est basé sur la com
les tumeurs pleines, qui comprennent la nécrose, l'œdème et les noyaux rehaussés et non rehaussés.
De plus, le tableau 9 présente les performances de notre approche, en utilisant le Dice similarity co
efficace comme critère statistique, et compare nos résultats aux résultats de
approches publiées liées à l'ensemble de données difficile BraTS 2015. Pour faire une comparaison
fils par rapport à l'état de l'art, nous avons reporté dans le tableau 9 les résultats de segmentation de
les trois modalités des tumorales (c'est-à-dire les tumeurs complètes, centrales et rehaussées).
Figure 17. L'efficacité de notre proposition de méthode de segmentation des tumeurs cérébrales sur le BraTS 2015
jeu de données : (rangée du haut) images T2-FLAIR originales ; (rangée du bas) résultats de segmentation de tumeurs complètes.
Tableau 9. Les résultats de notre méthode de segmentation sur le jeu de données BraTS 2015, en utilisant la similarité Dice
coefficient appliqué sur les tumeurs complètes, centrales et rehaussées, et comparaison avec l'état de l'art.
Dé
Méthodes
Complet Cœur Améliorer
CNN (procédure de formation Patch-Wise en deux phases) 88% 79% 73%
CNN 87% 73% 68%
CNN (architecture codeur-décodeur) 85% 68% 68%
Machine Translated by Google

Cancers 2022, 14, 4399 27 sur 32

Tableau 9. Suite

Dé
Auteurs An Méthodes
Complet Cœur Améliorer

Hussain et al. [39] 2018 ILinéaire 86% 87% 90%

Iqbal et al. [79] 2018 CNN (couches séquentielles multiples de réseau de neurones) 87% 86% 79%

Liu et al. [80] 2018 CNN (ResNet-50) 87% 62% 68%

Hu et Deng [81] 2019 MCCNN + CRF 87% 76% 75%

Li et al. [82] 2019 CNN (architecture U-Net modifiée) 89% 73% 73%

Elmezain et al. [83] 2022 CapsNet + LDCRF + Post-traitement 91% 86% 85%

Atia et al. 2022 Notre méthode 91% 87% 86%

D'après les évaluations visuelles et statistiques, nous pouvons observer que notre approche a donné
résultats de segmentation pertinents dans la plupart des cas testés, et que les résultats de segmentation étaient
près des images Ground Truth. Par ailleurs, nous pouvons observer à partir du tableau 9 que la segmentation
les résultats étaient plus élevés (moyenne ≈87 %) avec les trois modalités de régions tumorales utilisant le Dice
coefficient de similarité. Selon les régions complètes, notre approche a surpassé toutes
comparé des approches de pointe, comme CNN [76–78] et ILinear [39], tout en produisant
des résultats équivalents et compétitifs pour les zones tumorales principales et rehaussées. Enfin, comme
les résultats obtenus étaient similaires aux résultats obtenus avec l'ensemble de données CIKA, nous pouvons
en déduire que notre approche est une technique robuste et efficace.
Comme la majorité des résultats PSO-ANOVA étaient hautement compatibles avec les résultats privés
et ensembles de données publics, nous pouvons en déduire que les performances de notre segmentation des tumeurs
cérébrales approche est satisfaisante, et nous sommes convaincus qu'elle peut être mise en œuvre dans le monde réel
applications, pour aider les médecins à prendre des décisions cliniques.

5. Conclusions

Dans cet article, une nouvelle méthode de segmentation des tumeurs cérébrales a été proposée. Cette
méthode se compose de quatre étapes :

- L'os du crâne est précisément retiré de l'image, pour exclure les données non pertinentes.
- La technique d'optimisation par essaim de particules (PSO) est ensuite appliquée, pour détecter la
région d'intérêt (ROI) qui contient la lésion cérébrale.
- La fonction de fitness utilisée pour évaluer les blocs candidats est basée sur une
analyse de variance à effets fixes (ANOVA).
-
Enfin, dans la dernière étape de la méthode, la méthode de segmentation K-means est utilisée dans
le bloc lésionnel, pour le classer en deux catégories possibles : tumoral et non tumoral.

Une étude d'évaluation a été réalisée à l'aide d'une imagerie par résonance magnétique approfondie
(IRM) bases de données ; une évaluation visuelle et quatre mesures statistiques ont été utilisées pour évaluer
la performance de la segmentation tumorale. Les images représentant le plus cliniquement
les positions rencontrées ont été utilisées pour l'évaluation visuelle. Les résultats montrent que les approches concurrentes
ne fournissent pas de résultats de segmentation utilisables dans certains cas, alors que
notre approche est une solution prometteuse pour l'aide à la décision clinique. En effet, statistiquement,
les résultats montrent que la méthode proposée donne une précision de segmentation tumorale de 96%,
surpassant les autres méthodes de pointe. De plus, en comparant notre méthode avec la
segmentation manuelle et soigneuse effectuée par des experts pour obtenir ce qu'on appelle
Vérité' ne montre pas de différences significatives. En effet, la différence est d'environ 1%.
Les différents résultats, et la comparaison avec les méthodes de l'état de l'art, montrent que
notre approche peut être un outil utile pour la détection, le diagnostic et la radiothérapie du cancer du cerveau
planification du traitement. L'orientation future de nos recherches sur la segmentation des tumeurs cérébrales doit
remédier aux limites de l'approche non supervisée en : (1) combinant PSO, ANOVA et
un modèle CNN [84–90] ; (2) en utilisant des réseaux contradictoires génératifs [91–94] pour pré-traiter,
coloriser, corriger et améliorer les images avant de les présenter à l'algorithme de segmentation.
Machine Translated by Google

Cancers 2022, 14, 4399 28 sur 32

Contributions des auteurs : conceptualisation, KEK et AO ; analyse formelle, AB (Ayache Bouakaz) ;

financement acquisition, AB (Amir Benzaoui) ; enquête, NA et SJ ; méthodologie, AO et KEK
; administration du projet, AB (Ayache Bouakaz) et AO ; surveillance, KEK et AO ; validation,
AB (Amir Benzaoui), MH et AO ; rédaction—préparation du brouillon original, NA et MH ; l'écriture-
révision et édition, AB (Amir Benzaoui), SJ et AO Tous les auteurs ont lu et accepté les
version publiée du manuscrit.

Financement : Cette recherche n'a reçu aucun financement externe.

Déclaration du comité d'examen institutionnel : sans objet.

Déclaration de consentement éclairé : non applicable.

Déclaration de disponibilité des données : les données peuvent être partagées sur demande.

Conflits d'intérêts : Les auteurs ne déclarent aucun conflit d'intérêts.

Abréviations
Les abréviations et acronymes suivants sont utilisés dans ce manuscrit :
Analyse de variance ANOVA
Défi de segmentation des tumeurs cérébrales multimodales BRATS
Réseaux de neurones convolutifs CNN
FSC
Liquide cérébro-spinal
Imagerie numérique DICOM et communications en médecine
FCM Fuzzy C-Means
Récupération par inversion atténuée par fluide FLAIR
FN Faux négatifs
PF Faux positifs
Géorgie
Algorithme génétique
Dieu Agents de contraste à base de gadolinium
Gliomes de haut grade HGG (HGG)
LGG Gliomes de bas grade (LGG)
Centre d'imagerie KICA Kouba—Alger
IRM
Imagerie par résonance magnétique
Erreur quadratique moyenne RMSE
OSP
Optimisation de l'essaim de particules
ROI
Région d'intérêt
SVM
Soutenir les machines vectorielles
SA
Recuit simulé
TRISTE Somme des différences absolues
ESS
Erreur somme des carrés
FSS
Somme factorielle des carrés
RSS
Somme résiduelle des carrés
SST
Somme totale des carrés
T1
Séquence d'imagerie pondérée en T1
T2
Séquences d'imagerie pondérées en T2
T1c
Contraste pondéré T1
ET Temps d'écho
TR
Temps de répétition
TP Vrais positifs
OMS Organisation mondiale de la santé

Références
1. Parc, JH ; de Lomana, ALG ; Marzese, DM ; Juarez, T.; Feroze, A.; Hothi, P.; Cobbs, C.; Patel, AP ; Kesari, S.; Huang, S.; et coll.
UN Approche systémique du traitement des tumeurs cérébrales. Cancers 2021, 13, 3152. [CrossRef] [Pub Med]
2. Sandler, CX ; Matsuyama, M.; Jones, TL ; Bashford, J.; Langbeker, D.; Hayes, SC Activité physique et exercice chez les adultes
diagnostiqué avec un cancer du cerveau primaire: Une revue systématique. J. Neuro-Oncol. 2021, 153, 1–14. [Référence croisée] [Pub Med]
3. Kanmounye, États-Unis ; Karekezi, C.; Nyalunja, AS ; Awad, AK ; Laeke, T.; Balogun, JA Tumeurs cérébrales chez l'adulte en Afrique
subsaharienne : Un examen de la portée. Neuro-Oncol. 2022, noac098. [Référence croisée] [Pub Med]
Machine Translated by Google

Cancers 2022, 14, 4399 29 sur 32

4. Ali, S.; Li, J.; Pei, Y.; Khurram, R.; Rehman, KU; Mahmood, T. Une enquête complète sur le diagnostic des tumeurs cérébrales à l'aide d'apprentissage en profondeur et de
techniques hybrides émergentes avec une image IRM multimodale. Cambre. Calcul. Méthodes Ing. 2022. [Référence croisée]
5. Bai, X.; Zhang, Y.; Liu, H.; Wang, Y. Intuitionistic Center–Free FCM Clustering for MR Brain Image Segmentation. IEEE J. Biomed.
Informer sur la santé. 2019, 23, 2039-2051. [Référence croisée]
6.
Li, S.; Liu, J.; Song, Z. Segmentation des tumeurs cérébrales basée sur la localisation et la segmentation assistées par région d'intérêt U–Net. Int. J
Mach. Apprendre. Cyber. 2022, 13, 2435-2445. [Référence croisée]
7.
Di Ianni, T. ; Airan, RD Deep-fUS : une plate-forme d'apprentissage en profondeur pour l'imagerie ultrasonore fonctionnelle du cerveau à l'aide de données éparses.
IEEE Trans. Méd. Imagerie 2022, 41, 1813–1825. [Référence croisée]
8.
Sastry, R.; Bi, WL; Pieper, S.; Frisken, S.; Kapur, T.; Wells, W.; Golby, AJ Applications des ultrasons dans la résection des tumeurs cérébrales. J. Neuroimagerie 2017, 27, 5–15.
[Référence croisée]
9.
Guetbi, C. ; Kouamé, D.; Ouahabi, A.; Remenieras, JP Nouvelles méthodes de détection des emboles [échographie Doppler]. Dans Actes des Actes du Symposium IEEE Ultrasonics
1997, An International Symposium (Cat. No.97CH36118), Toronto, ON, Canada, 5–8 octobre 1997; pages 1119–1122.

10.
Girault, JM ; Kouamé, D.; Ouahabi, A.; Patat, F. Estimation du décalage de fréquence Doppler sanguin par un paramètre paramétrique variant dans le temps
approcher. Ultrasons 2000, 38, 682–687. [Référence croisée]
11.
Girault, JM ; Ossant, F.; Ouahabi, A.; Kouamé, D. ; Patat, F. Estimation spectrale autorégressive variant dans le temps pour l' atténuation des ultrasons dans la caractérisation des
tissus. IEEE Trans. Ultrason Ferroélectr. Fréq. Contrôle 1998, 45, 650–659. [Référence croisée]
12.
Girault, M. ; Kouamé, D. ; Ouahabi, A.; Patat, F. Détection de micro-emboles : point de vue du traitement du signal Doppler par ultrasons.
IEEE Trans. Biomédical. Ing. 2000, 47, 1431–1439. [Référence croisée]
13.
Mesfin, FB ; Al-Dhahir, MA; Gliomes. Treasure Island 2022. Disponible en ligne : https://www.ncbi.nlm.nih.gov/books/NBK441
874/ (consulté le 5 juin 2022).
14.
Disponible en ligne : https://www.arcagy.org/infocancer/localisations/autres--types--de--cancers/tumeurs--cerebrales/formes- -de--la--maladie/les--gliomes.html/ (consulté le 6 juillet
2022).
15.
QUI. Tumeurs du système nerveux central. Dans Classification OMS des tumeurs, 5e éd.; OMS : Genève, Suisse, 2022 ; Tome 8.
16.
Menze, BH; Jakab, A.; Bauer, S.; Kalpathy-Cramer, J.; Farahani, K.; Kirby, J.; Burren, Y.; Porz, N.; Slotboom, J.; Wiest, R.; et coll. La référence de segmentation d'images de tumeurs
cérébrales multimodales (BRATS). IEEE Trans. Méd. Imagerie 2015, 34, 1993–2024. [Référence croisée]
17.
Le, NQK; Pendu, TNK ; Faire, DT ; Lam, LHT ; Dang, LH ; Huynh, TT Modèle d'apprentissage automatique basé sur Radiomics pour classer efficacement les sous-types de
transcriptome chez les patients atteints de glioblastome à partir de l'IRM. Calcul. Biol. Méd. 2021, 132, 104320. [Référence croisée]
18.
Lam, LHT ; Faire, DT ; Diep, DTN; Nguyet, DLN; Truong, QC ; Tri, TT ; Thanh, HN ; Le, NQK Classification des sous-types moléculaires des gliomes de bas grade à l'aide de la
radiomique basée sur l'imagerie par résonance magnétique et de l'apprentissage automatique. RMN Biomed. 2022, e4792. [Référence croisée]

19.
Yaseen, SF ; Al-Araji, AS ; Humaidi, AJ Segmentation et classification des tumeurs cérébrales : une revue d'une décennie. Int. J. Non linéaire
Anal. Appl. 2022, 13, 1879–1891.
20.
Ouahabi, A. Débruitage d'images par ondelettes : application en imagerie médicale. Dans Advances in Heuristic Signal Processing et
Applications; Chatterjee, A., Nobahari, H., Siarry, P., Eds. ; Springer : Bâle, Suisse, 2013 ; p. 287–313.
21.
Razzak, I. ; Imran, M.; Xu, G. Segmentation efficace des tumeurs cérébrales avec des neurones conventionnels multi-échelles à deux voies
Réseaux. IEEE J. Biomed. Informer sur la santé. 2019, 23, 1911-1919. [Référence croisée]
22.
Zehani, S.; Ouahabi, A.; Oussalah, M.; Mimi, M.; Taleb – Ahmed, A. Caractérisation de la microarchitecture osseuse basée sur la fractale

analyse en imagerie dans le domaine des fréquences spatiales. Int. J. Système d'imagerie. Technol. 2021, 31, 141–159. [Référence croisée]
23.
Vishnuvarthanan, G. ; Rajasekaran, député ; Subbaraj, P.; Vishnuvarthanan, A. Une méthode d'apprentissage non supervisée avec une approche de regroupement pour l'identification
des tumeurs et la segmentation des tissus dans les images cérébrales par résonance magnétique. Appl. Calcul doux. 2016, 38, 190-212. [Référence croisée]

24.
Sujan, M.; Alam, N.; Abdullah, S.; Jahirul, M. Un système automatisé basé sur la segmentation pour la détection des tumeurs cérébrales. Int. J. Comput.
Appl. 2016, 153, 41–49. [Référence croisée]
25.
Ilhan, U. ; Ilhan, A. Segmentation des tumeurs cérébrales basée sur une nouvelle approche de seuil. Process Comput. Sci. 2017, 120, 580–587.
[Référence croisée]

26.
Djeddi, M. ; Ouahabi, A.; Batatia, H.; Basarab, A.; Kouame, D. Transformée discrète en ondelettes pour la classification de textures multifractales : application à l'imagerie ultrasonore.
Dans Actes de la Conférence internationale IEEE 2010 sur le traitement d'images (ICIP), Hong Kong, Chine, 26–29 septembre 2010 ; pages 637–640.

27.
Deng, W. ; Xiao, W.; Deng, H.; Liu, J. Segmentation des tumeurs cérébrales par IRM avec méthode de croissance de région basée sur les gradients et les variances le long et à
l'intérieur de la courbe limite. Dans Actes de la 3e Conférence internationale 2010 sur le génie biomédical et l'informatique, Yantai, Chine, 16-18 octobre 2010 ; p. 393–396.

28.
W˛egli ´nski, T. ; Fabija ´nska, A. Segmentation des tumeurs cérébrales à partir d'ensembles de données IRM en utilisant une approche de croissance de région. Dans les Actes du
2011 Perspective Technologies and Methods in MEMS Design, Polyana, Ukraine, 11-14 mai 2011 ; p. 185–188.
29.
Biratu, ES ; Schwenker, F.; Debelee, TG ; Kebede, SR ; Negera, WG; Molla, HT Enhanced Region Growing for Brain Tumor MR Image Segmentation. J. Imaging 2021, 7, 22.
[CrossRef]
30.
Khosravanian, A. ; Rahmanimanesh, M.; Keshavarzi, P.; Mozaffari, S. Fast Level Set Method for Glioma Brain Tumor Segmentation Based on Super Pixel Fuzzy Clustering and
Lattice Boltzmann Method. Calcul. Méthodes Programmes Biomed. 2021, 198, 105809.
[Référence croisée]
Machine Translated by Google

Cancers 2022, 14, 4399 30 sur 32

31.
Hamiane, M. ; Saeed, F. Classification SVM des images cérébrales IRM pour le diagnostic assisté par ordinateur. Int. J. Electr. Calcul. Ing.
2017, 7, 2555-2564. [Référence croisée]
32.
Zhang, N. ; Ruan, S.; Lebonvallet, S.; Liao, Q. ; Zhu, Y. Kernel sélection de fonctionnalités pour fusionner des images IRM multispectrales pour une tumeur cérébrale
segmentation. Calcul. Vis. Compréhension de l'image. 2011, 115, 256–269. [Référence croisée]
33.
Koley, S.; Sadhu, AK ; Mitra, P.; Chakraborty, B.; Chakraborty, C. Délimitation et diagnostic des tumeurs cérébrales à partir d' images IRM pondérées en T1 après contraste à
l'aide d'un calcul granulaire approximatif et d'une forêt aléatoire. Appl. Calcul doux. 2016, 41, 453–465. [Référence croisée]
34.
Srinivasu, Pennsylvanie ; SivaSai, JG; Ijaz, MF; Bhoi, AK ; Kim, W.; Kang, JJ Classification des maladies de la peau à l'aide de neurones d'apprentissage en profondeur
Réseaux avec MobileNet V2 et LSTM. Capteurs 2021, 21, 2852. [CrossRef]
35.
Ijaz, MF ; Attique, M.; Son, Y. Modèle de prédiction du cancer du col de l'utérus basé sur les données avec détection des valeurs aberrantes et suréchantillonnage
Méthodes. Capteurs 2020, 20, 2809. [CrossRef]
36.
Ali, F. ; El–Sappagh, S.; Islam, RSM ; Kwak, D.; Ali, A.; Imran, A.; Kwak, KS Un système de surveillance intelligent des soins de santé pour la prédiction des maladies cardiaques
basé sur l'apprentissage en profondeur d'Ensemble et la fusion de fonctionnalités. Inf. Fusion 2020, 63, 208–222. [Référence croisée]
37.
Havaei, M.; Davy, A.; Warde-Farley, D. ; Biard, A.; Courville, A.; Bengio, Y.; Pal, C.; Jodoin, PM; Larochelle, H. Tumeur cérébrale
segmentation avec les réseaux de neurones profonds. Méd. Image anale. 2017, 35, 18–31. [Référence croisée]
38.
Ma, C.; Luo, G.; Wang, K. Forêts aléatoires concaténées et connectées avec un modèle de contour actif piloté par patch multi-échelles pour la segmentation automatisée des
tumeurs cérébrales des images IRM. IEEE Trans. Méd. Imagerie 2018, 37, 1943–1954. [Référence croisée]
39.
Hussain, S.; Anwar, Segmentation SM des tumeurs de gliome dans le cerveau à l'aide d'un réseau de neurones à convolution profonde. Neuroinformatique
2018, 282, 248-261. [Référence croisée]
40.
Li, Q. ; Yu, Z.; Wang, Y.; Zheng, H. TumorGAN : Un cadre d'augmentation des données multimodales pour la segmentation des tumeurs cérébrales.
Capteurs 2020, 20, 4203. [CrossRef] [Pub Med]
41.
Arora, A.; Jayal, A.; Gupta, M.; Mittal, P.; Satapathy, segmentation des tumeurs cérébrales SC des images IRM à l'aide d'une image traitée
Architecture U-Net pilotée. Ordinateurs 2021, 10, 139. [CrossRef]
42.
Nabizadeh, N. ; Kubat, M. Segmentation automatique des tumeurs en IRM à spectre unique à l'aide d'un algorithme basé sur la texture et sur le contour . Système expert. Appl.
2017, 77, 1–10. [Référence croisée]
43.
Ben George, E.; Rosline, G.; Rajesh, D. Segmentation des tumeurs cérébrales à l'aide de l'optimisation de la recherche de coucou pour les images par résonance magnétique.
Dans Actes de la 8e conférence et exposition du GCC de l'IEEE 2015, Mascate, Oman, 1er au 4 février 2015 ; p. 1–6.
44.
Karnan, M.; Logheshwari, T. Amélioration de la mise en œuvre de la segmentation des images IRM cérébrales à l'aide du système de colonies de fourmis. Dans Actes de la
conférence internationale IEEE 2010 sur l'intelligence computationnelle et la recherche informatique (ICCIC), Coimbatore, Inde, 28-29 décembre 2010 ; p. 1–4.

45.
Larson, MG Analyse de la variance. Diffusion 2008, 117, 115–121. [Référence croisée] [Pub Med]
46.
Soleil, H. ; Wang, W. Un nouvel algorithme pour la segmentation d'images non supervisée basé sur le modèle D – MRF et l'ANOVA. Dans Actes de la Conférence internationale
IEEE 2009 sur l'infrastructure réseau et le contenu numérique (IC–NIDC), Pékin, Chine, 6–8 novembre 2009 ; pp. 754–758.

47.
Farshi, TR ; Drake, JH; Özcan, E. Une approche multimodale basée sur l'optimisation d'un essaim de particules pour la segmentation d'images. Expert
Syst. Appl. 2020, 149, 113233. [Référence croisée]
48.
Bonabeau, E. ; Dorigo, M.; Theraulaz, G. Swarm intelligence : Des systèmes naturels aux systèmes artificiels. Relier. Sci. 2002, 14, 163–164.
49.
Eberhart, RC; Kennedy, J. Optimisation de l'essaim de particules. Dans Actes de la conférence internationale IEEE de 1995 sur les neurones
Networks (ICNN), Perth, WA, Australie, 27 novembre-1er décembre 1995 ; pp. 1942–1948.
50.
Kirkpatrick, S.; Gelatt, CD; Vecchi, MP Optimisation par recuit simulé. Sciences 1983, 220, 671–680. [Référence croisée]
51.
Mirjalili, S. ; Mirjalili, SM; Lewis, A. Optimiseur de loup gris. Adv. Ing. Logiciel 2014, 69, 46–61. [Référence croisée]
52.
Salleh, MNM ; Hussain, K.; Cheng, S.; Shi, Y.; Muhammad, A.; Ullah, G.; Naseem, R. Mesure de l'exploration et de l'exploitation dans les algorithmes métaheuristiques basés
sur les essaims : une analyse empirique. Dans les progrès des systèmes intelligents et de l'informatique ; Ghazali, R., Deris, MM, Nawi, NM, Abawajy, JH, Eds. ; Springer
International Publishing : Berlin/Heidelberg, Allemagne, 2018 ; p. 24–32.
53.
Boussaid, I. ; Lepagnot, J.; Siarry, P. Une enquête sur les métaheuristiques d'optimisation. Inf. Sci. 2013, 237, 82-117. [Référence croisée]
54.
Thangaraj, R. ; Pantalon, M. ; Abraham, A.; Bouvry, P. Optimisation des essaims de particules : perspectives d'hybridation et expériences
illustrations. Appl. Math. Calcul. 2011, 217, 5208-5226. [Référence croisée]
55.
Abdulraqeb, ARA ; Al-Haidri, WA ; Sushkova, LT Un nouvel algorithme de segmentation pour les images IRM de tumeurs cérébrales. Dans Actes du Symposium de l'Oural
2018 sur le génie biomédical, la radioélectronique et les technologies de l'information (USBEREIT), Ekaterinbourg, Russie, 7-8 mai 2018 ; p. 1–4.

56.
Dhanve, V.; Kumar, M. Détection d'une tumeur cérébrale à l'aide d'une segmentation k-means basée sur un algorithme d'étiquetage d'objet. Dans Actes de la Conférence
internationale IEEE 2017 sur l'ingénierie de l'alimentation, du contrôle, des signaux et de l'instrumentation (ICPCSI), Chennai, Inde, 21-22 septembre 2017 ; pp. 944–951.

57.
Girault, JM ; Kouamé, D. ; Ouahabi, A. Formulation analytique de la dimension fractale des signaux stochastiques filtrés. Signal
Traitement 2010, 90, 2690–2697. [Référence croisée]
58.
Ferroukhi, M. ; Ouahabi, A.; Attari, M.; Habchi, Y.; Taleb–Ahmed, A. Codage vidéo médical basé sur des ondelettes de 2e génération : évaluation des performances. Électronique
2019, 8, 88. [CrossRef]
59.
Mahdaoui, AE ; Ouahabi, A.; Moulay, MS Débruitage d'image à l'aide d'une approche de détection compressive basée sur la régularisation
Contraintes. Capteurs 2022, 22, 2199. [CrossRef]
Machine Translated by Google

Cancers 2022, 14, 4399 31 sur 32

60.
Haneche, H. ; Ouahabi, A.; Boudraa, B. Nouvelle conception de système de communication mobile pour les environnements Rayleigh basée sur le codage de source de
détection compressé. IET Commun. 2019, 13, 2375–2385. [Référence croisée]
61.
Haneche, H. ; Boudraa, B.; Ouahabi, A. Une nouvelle façon d'améliorer le signal vocal basé sur la détection compressée. Mesure 2020,
151, 107–117. [Référence croisée]
62.
Haneche, H. ; Ouahabi, A.; Boudraa, B. Schéma de codage de détection et de parole compressé pour les communications mobiles. Circuits Syst.
Processus de signalisation. 2021, 40, 5106–5126. [Référence croisée]
63.
Kim, J. ; Wang, Q.; Zhang, S.; Yoon, S. Imagerie ultrasonore à super résolution basée sur la détection compressée pour une acquisition plus rapide et des images de haute
qualité. IEEE Trans. Biomédical. Ing. 2021, 68, 3317–3326. [Référence croisée]
64.
Ouahabi, A. Revue du débruitage en ondelettes en imagerie médicale. Dans Actes du 8e Atelier international 2013 sur les systèmes, le traitement du signal et leurs
applications (WoSSPA), Alger, Algérie, 12-15 mai 2013 ; p. 19–26.
65.
Sidahmed, S. ; Messali, Z.; Ouahabi, A.; Trépout, S.; Messaoudi, C.; Marco, S. Méthodes de débruitage non paramétriques basées sur la transformée de contourlet avec
localisation de fréquence précise : application aux images de microscopie électronique à faible temps d'exposition.
Entropie 2015, 17, 3461–3478.
66.
Ouahabi, A. Analyse multirésolution du signal et de l'image, 1ère éd. ; ISTE–Wiley : Londres, Royaume-Uni, 2012.
67.
Demirhan, A. ; Torü, M.; Güler, I. Segmentation de la tumeur et de l'œdème ainsi que des tissus sains du cerveau à l'aide d'ondelettes
et les réseaux de neurones. IEEE J. Biomed. Informer sur la santé. 2015, 19, 1451–1458. [Référence croisée]
68.
Smith, SM Extraction cérébrale automatisée rapide et robuste. Hum. Cartographie du cerveau. 2002, 17, 143–155. [Référence croisée]
69.
Iglesias, JE ; Liu, CY; Thompson, PM ; Tu, Z. Extraction cérébrale robuste à travers des ensembles de données et comparaison avec des données accessibles au
public méthodes. IEEE Trans. Méd. Imagerie 2011, 30, 1617–1634. [Référence croisée]
70.
Ashburner, J. ; Friston, KJ Segmentation unifiée. Neuroimage 2005, 26, 839–851. [Référence croisée]
71.
Vishnuvarthanan, A.; Rajasekaran, député ; Vishnuvarthanan, G.; Zhang, Y.; Thiyagarajan, A. Une approche hybride automatisée utilisant le regroupement et la technique
d'optimisation inspirée de la nature pour améliorer la segmentation des tumeurs et des tissus dans les images cérébrales par résonance magnétique . Appl. Calcul doux.
2017, 57, 399–426. [Référence croisée]
72.
Akkus, A. ; Galimzianova, A.; Hoogi, A.; Rubin, DL; Erickson, BJ Apprentissage en profondeur pour la segmentation de l'IRM cérébrale : état de
l'art et orientations futures. J. Digit Imaging 2017, 30, 449–459. [Référence croisée]
73.
Cai, J. ; Pan, WD Sur des algorithmes d'estimation de mouvement basés sur des blocs rapides et précis utilisant l'optimisation par essaim de particules. Inf.
Sci. 2012, 197, 53–64. [Référence croisée]
74.
Goshtasby, A. Enregistrement d'images : principes, outils et méthodes ; Springer Science & Business Media : Berlin/Heidelberg, Allemagne, 2012.
75.
Centre d'imagerie de Kouba, Algérie Base de données. Disponible en ligne : https://figshare.com/articles/brain_tumor_dataset/1512427 (consulté le 24 mars 2022).

76.
Havaei, M.; Dutil, F.; Pal, C.; Larochelle, H.; Jodoin, PM Une approche de réseau neuronal convolutif pour la segmentation des tumeurs cérébrales.
Dans les lésions cérébrales : gliome, sclérose en plaques, accident vasculaire cérébral et lésions cérébrales traumatiques ; Springer : Cham, Suisse, 2016 ; p. 195–208.
77.
Pereira, S.; Pinto, A.; Alves, V.; Silva, CA Deep Convolutional Neural Networks pour la segmentation des gliomes en IRM multiséquence. Dans les lésions cérébrales :
gliome, sclérose en plaques, accident vasculaire cérébral et lésions cérébrales traumatiques ; Springer : Cham, Suisse, 2016 ; p. 131–143.
78.
Tseng, KL ; Lin, YL; Hsu, W.; Huang, CY Apprentissage de séquences articulaires et convolution intermodalité pour la segmentation biomédicale 3D. Dans Actes de la
conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR), Honolulu, HI, États-Unis, 21-26 juillet 2017.

79.
Iqbal, S. ; Ghani, MU ; Saba, T.; Rehman, A. Segmentation des tumeurs cérébrales en IRM multispectrale à l'aide de neurones
convolutifs Réseaux (CNN). Microsc. Rés. Technol. 2018, 81, 419–427. [Référence croisée]
80.
Liu, D. ; Zhang, H.; Zhao, M.; Yu, X.; Yao, S.; Zhou, W. Segmentation des tumeurs cérébrales basée sur des réseaux d'affinage à convolution dilatée.
Dans Actes de la 16e Conférence internationale de l'IEEE sur la recherche, la gestion et l'application en génie logiciel, Kunming, Chine, 13-15 juin 2018 ; p. 113–120.

81.
Hu, K. ; Deng, SH Segmentation des tumeurs cérébrales à l'aide de réseaux de neurones convolutifs en cascade multiples et d'un traitement aléatoire
conditionnel Champ. Accès IEEE 2019, 7, 2615–2629. [Référence croisée]
82.
Li, HC; Li, A.; Wang, MH Une nouvelle méthode de segmentation des tumeurs cérébrales de bout en bout utilisant des réseaux entièrement convolutifs améliorés . Calcul. Biol.
Méd. 2019, 108, 150–160. [Référence croisée]
83.
Elmezain, M. ; Mahmoud, A.; Mosa, DT ; Said, W. Segmentation des tumeurs cérébrales à l'aide d'un réseau de capsules profondes et de champs aléatoires
conditionnels dynamiques latents. J. Imaging 2022, 8, 190. [CrossRef]
84.
Adjabi, I. ; Ouahabi, A.; Benzaoui, A.; Taleb-Ahmed, A. Passé, présent et futur de la reconnaissance faciale : un examen. Électronique 2020, 9, 1188.
[Référence croisée]

85.
Adjabi, I. ; Ouahabi, A.; Benzaoui, A.; Jacques, S. Images statistiques multi-blocs couleur-binarisées pour la reconnaissance faciale à échantillon
unique. Capteurs 2021, 21, 728. [CrossRef] [Pub Med]
86.
El Morabit, S.; Rivenq, A.; Zighem, MOI ; Hadid, A.; Ouahabi, A.; Taleb-Ahmed, A. Estimation automatique de la douleur à partir des expressions faciales : une analyse
comparative à l'aide d'architectures CNN standard. Électronique 2021, 10, 1926. [CrossRef]
87.
Khaldi, Y. ; Benzaoui, A.; Ouahabi, A.; Jacques, S.; Taleb–Ahmed, A. Reconnaissance auditive basée sur un apprentissage actif profond non
supervisé. IEEE Sens. J. 2021, 21, 20704–20713. [Référence croisée]
88.
Arbaoui, A. ; Ouahabi, A.; Jacques, S.; Hamiane, M. Détection et surveillance des fissures dans le béton à l'aide d'une analyse multirésolution basée sur l'apprentissage
en profondeur. Électronique 2021, 10, 1772. [CrossRef]