UNIVERSITÉ DE YAOUNDÉ I UNIVERSITY OF YAOUNDE I

Faculté des Sciences Faculty of Sciences

Département d’Informatique Department of Computer Science

SEGMENTATION DES IMAGES ET

APPLICATION AU DIAGNOSTIC DU CANCER
DU SEIN

Mémoire rédigé en vue de l’obtention du diplôme de Master en

informatique

Présenté et soutenu par

Vincent DJOUM 12Y091

Sous l’encadrement de

Dr Jules WAKU
(Chargé de cours, Université de Yaoundé I)

 


ANNÉE ACADÉMIQUE 2020-2021 
 ♣ Dédicaces ♣

À mon père TCHUENTEU Siméon et à ma mère NGUEMOGNE Marguerite.

*

i
 ♣ Remerciements ♣

Je remercie le DIEU TOUT PUISSANT, qui m’a accordé santé, force, sagesse et
courage tout au long de ce travail.

Je remercie aussi tous ceux qui ont participé de près ou de loin à la réalisation de ce
travail. Je cite entre autres :

• Dr Jules WAKU qui a accepté d’encadrer ce travail et m’a permis de surmonter

toutes mes incompréhensions durant cette recherche.

• Tous les enseignants du département informatique de l’université de Yaoundé I

qui m’ont prodigué au fil de mon parcours des connaissances m’ayant permises
d’effectuer ce travail.
*

• La famille KOM pour son soutien.

• Toute ma famille pour leur soutien.

• Mes amis pour leur proximité dans un soutien quotidien et leur motivation respec-
tive. J’associe l’expression de ma reconnaissance à l’endroit de tous ceux dont mon
cœur ne saurait exprimer par des écrits, pour des efforts multiples consentis à mon
égard.

ii
 ♣ Table des matières ♣

Dédicaces i

Remerciements ii

Résumé v

Abstract vi

Table des Figures vii

Liste des tableaux viii

1 Introduction 1
*

2 Cancer du sein 3
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Anatomie du sein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Les maladies du sein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Les facteurs de risques du cancer du sein . . . . . . . . . . . . . . . . . . . 4
2.5 Dépistage du cancer du sein . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.6 Le diagnostic du cancer du sein . . . . . . . . . . . . . . . . . . . . . . . . 5
2.7 Méthodes préventives conte le cancer du sein . . . . . . . . . . . . . . . . . 5
2.8 Traitement du cancer du sein . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Etat de l’art 6
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Composition des systèmes DAOx . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Segmentation d’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3.1 Segmentation par l’algorithme de la ligne de partage des eaux
contrôlée par des marqueurs . . . . . . . . . . . . . . . . . . . . . . 7
3.3.2 Segmentation à l’aide d’un modèle de contour actif (ACM) . . . . . 9
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

4 Modèle 12
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 Base d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

iii
 TABLE DES MATIÈRES TABLE DES MATIÈRES

4.4 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.1 La segmentation par seuillage global . . . . . . . . . . . . . . . . . 14
4.4.2 La segmentation morphologique . . . . . . . . . . . . . . . . . . . . 15
4.4.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.4.2.2 Élément Structurant . . . . . . . . . . . . . . . . . . . . . 15
4.4.2.3 Dilatation morphologique . . . . . . . . . . . . . . . . . . 15
4.4.2.4 Érosion morphologique . . . . . . . . . . . . . . . . . . . . 16
4.4.2.5 Ouverture morphologique . . . . . . . . . . . . . . . . . . 16
4.4.2.6 Fermeture morphologique . . . . . . . . . . . . . . . . . . 16
4.4.3 Schéma de la méthode de segmentation . . . . . . . . . . . . . . . . 17
4.5 Extraction des descripteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.5.1 Les descripteurs morphologiques . . . . . . . . . . . . . . . . . . . . 18
4.5.2 Les descripteurs d’intensité . . . . . . . . . . . . . . . . . . . . . . . 19
4.5.3 Les descripteurs de texture . . . . . . . . . . . . . . . . . . . . . . . 19
4.6 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

5 Mise en œuvre 22
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.2 Résultats de la segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.3 Application à la classification . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.3.1 Extraction des descripteurs . . . . . . . . . . . . . . . . . . . . . . 24
5.3.2 Critères d’évaluation des classifieurs . . . . . . . . . . . . . . . . . . 24
5.3.3 Tests et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
*

5.3.4 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . . . . 26

5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Conclusion et perpectives 28

Références 29

Mémoire de Master II en Informatique iv UY1-YDE

c 2019-2020
 ♣ Résumé ♣

Le cancer du sein est le cancer le plus fréquent parmi ceux rencontrés chez les femmes
dans le monde. Il affecte 99% des femmes et 1% des hommes. L’efficacité du traitement
dépend de la détection précoce de la maladie. Le diagnostic assisté par ordinateur joue
un rôle de plus en plus important dans ce domaine. En particulier, le traitement des
images médicales est récemment devenue une discipline riche et variée, dans laquelle les
nombreuses méthodes existantes sont appliquées aux problèmes réels. Les travaux de ce
mémoire s’inscrivent dans le diagnostic assisté par ordinateur du cancer du sein basé sur
l’analyse des images d’histopathologie du sein. La tâche actuelle est de classifier celles-ci
comme bénigne ou maligne. Nous proposons une procédure de segmentation des noyaux
dans les images. Premièrement, nous effectuons une séparation des canaux de couleur
de l’image dans l’espace de couleur RGB. Ensuite un seuillage global est appliqué dans
chacun des trois canaux de couleur de l’image ; obtenant ainsi trois images qui seront
fusionnée en une seule grâce à l’opérateur logique « AND ». Enfin, nous employons
*

l’ouverture morphologique pour obtenir la segmentation finale. Un ensemble de 16

descripteurs extrait à partir des noyaux segmentés est employé dans la classification par
les classifieurs SVM, KNN et les arbres de décisions (DT), où nous avons obtenu respec-
tivement un taux de classification de 97.5% , 94.4% et 92.2%. L’approche a été examinée
sur 508 images d’histopathologie du sein obtenues à partir du dataset (BreakHis). Les
résultats de notre classification prouvent que des systèmes interactifs d’aide aux décisions
médicales basés sur notre méthode fourniraient de meilleures informations diagnostiques.

Mots-clés : Cancer du sein, Biopsie, Diagnostic assisté par ordinateur,

Segmentation d’image, Classification d’image.

v
 ♣ Abstract ♣

Breast cancer is the most common cancer among women in the world. It affects 99% of
women and 1% of men. The effectiveness of the treatment depends on the early detection
of the disease. Computer-assisted diagnosis plays an increasingly important role in this
field. In particular, the treatment of medical images has recently become a rich and varied
discipline, in which the many existing methods are apply to real problems. The work
of this thesis is part of the computer-assisted diagnosis of breast cancer based on the
analysis of histopathology images of breast. The current task is to classify these as benign
or malignant. We propose a procedure of segmentation of nuclei in the images. First,
we perform a separation of the color channels from the image in the RGB color space.
Then a global thresholding is applied in each of the three color channels of the image ;
thus obtaining three images that will be merged into one thanks to the logical operator
« AND ». Finally, we use morphological opening to obtain the final segmentation. A
set of 16 characteristics extracted from the segmented nuclei is used in the classification
*

by the classifiers SVM, KNN and decision trees (DT), where we obtained respectively
a classification rate of 97.5%, 94.4% and 92.5%. The approach was examined on 508
histopathology images of breast obtained from dataset (BreakHis). The results of our
classification show that interactive systems to support medical decisions based on our
method would provide better diagnostic information.

Keywords : Breast cancer, Biopsy, Computer-aided diagnosis, Image seg-

mentation, Image classification.

vi
 ♣ Table des figures ♣

3.1 Diagramme général d’un système DAOx . . . . . . . . . . . . . . . . . . . 7

3.2 Imposition de marqueurs et segmentation des noyaux par l’algorithme LPE.
A) Image originale. B) Canal d’hématoxyline. C) Image prétraitée (ca-
nal d’hématoxyline traité avec une série d’opérations morphologiques). D)
Transformation de symétrie radiale rapide (FRST). E) Marqueurs de pre-
mier plan et d’arrière-plan FRST. F) Segmentation LPE avec marqueurs
FRST. G) Marqueurs minima locaux de premier plan et d’arrière-plan. H)
Segmentation LPE avec des marqueurs minima locaux. Veta et al. [1] . . . 8
3.3 Vue d’ensemble schématique des différentes étapes de la méthode d’analyse
d’images automatisée pour la segmentation des noyaux. . . . . . . . . . . . 9
3.4 (a) Image originale (b) Image segmentée par le modèle de contour actif.
Jain et al. [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
*

4.1 Schéma du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4.2 Méthode de segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

5.1 courbe ROC du modèle SVM quadratique. . . . . . . . . . . . . . . . . . . 26

vii
 ♣ Liste des tableaux ♣

3.1 Résumé des différents algorithmes utilisés pour l’analyse des images d’his-
topathologie mammaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

4.1 Caractéristiques des cellules bénignes et malignes . . . . . . . . . . . . . . 18

5.1 Application du prétraitement sur une tumeur bénigne.(a)image origi-

nale.(b)image redimensionnée en niveau de gris.(c)image filtrée(filtre gaus-
sien). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.2 Application de la segmentation sur une image de tumeur bénigne.(a)image
de tumeur bénigne.(b)image dans le canal rouge.(c)image dans le canal vert.
(d)image dans le canal bleu.(e)image seuillée dans le canal rouge. (f)image
fusionnée.(g)image complementée.(h)image épurée.(i)image de noyaux seg-
mentés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
*

5.3 Application de la segmentation sur une tumeur maligne.(a)image de tumeur

maligne.(b)image fusionnée.(c)image de noyaux segmentées. . . . . . . . . 24
5.4 Descripteurs extraits de le tumeur bénigne de la figure (i) du tableau
5.2.(a)descripteurs morphologiques.(b)descripteurs d’intensité et de texture. 24
5.5 Résultats de la classification des modèles d’apprentissages . . . . . . . . . . 25
5.6 Résultats des tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

viii
 ? ? Chapitre un ? ?

Introduction

L’interprétation des images médicales est l’un des domaines de recherche les plus encou-
rageants, étant donné qu’elle offre des facilités pour le diagnostic et les décisions théra-
peutiques de plusieurs pathologies à l’instar des cancers tel que le cancer du sein. Selon
l’organisation mondiale de la santé (OMS), le cancer du sein est le cancer le plus fréquent
chez les femmes dans le monde (avec 11 900 décès estimés en 2015) et représente 16%
de l’ensemble des cancers féminins. Bien que l’on considère cette maladie comme une
maladie du monde développé, une majorité (69%) de l’ensemble de décès par cancer du
sein survient dans les pays en développement (WHO Global Burden of Disease, 2004).
Au Cameroun 150 000 cas sont enregistrés chaque année avec un taux de mortalité de
80% (Run For a Cure Africa Cameroon). Plusieurs études (Filipczuk et al. [3], Kowal and
Filipczuk [4], Jain et al. [2]) ont montrées qu’un dépistage précoce reste le principal moyen
de lutter contre la maladie en ce sens qu’il permet d’améliorer les chances de survie ainsi
*

que l’issue du cancer du sein.

Le cancer du sein est une tumeur maligne qui se développe au niveau des cellules mam-
maires, lesquelles commencent à se proliférer de manière incontrôlées. Il peut exister sous
forme de masses ou de dépôts de sel de calcium appelées micro ou macro-calcifications.
Cependant les causes de cette pathologie demeurent en partie inconnues, toutefois on
admet une influence d’origine génétique et environnementale. Le dépistage de ce cancer
repose sur plusieurs techniques à savoir : la mammographie, l’échographie, l’imagerie par
résonnance magnétique (IRM).
La mammographie est l’examen radiographique par excellence pour repérer des anomalies
dans les seins des femmes. Elle permet grâce à de faibles doses de rayons X l’obtention de
clichés permettant de détecter les cellules cancéreuses dans la glande mammaire.
Très récemment, des méthodes ont été développées pour répondre aux différents problèmes
de diagnostic du cancer de sein. Parmi elles : une méthode diagnostique importante et
souvent utilisée est le prétendu triple-essai, qui est basé sur trois examens médicaux. Le
triple-essai inclut l’examen d’individu (palpation), la mammographie, et la biopsie d’ai-
guille fine (FNB) Underwood and Elphinstone [5]. La biopsie d’aiguille fine est un examen
qui consiste à obtenir les tissus directement de la tumeur. Les tissus rassemblés sont alors
examinés sous un microscope pour déterminer la prédominance des cellules de cancer.
Cette approche exige la connaissance et une expérience étendue du pathologiste respon-
sable du diagnostic.
Dans l’objectif d’assurer le dépistage précoce d’une telle tumeur, les pathologistes ont été
amenés à augmenter la fréquence des biopsies. Sur l’échelle mondiale, de nombreux pays
ont mis en œuvre des campagnes de dépistage systématique du cancer du sein. Ce qui a eu
pour conséquence une augmentation exponentielle du volume des données. Ainsi, la tâche

1
 CHAPITRE 1. INTRODUCTION

d’interprétation est devenue difficile et fastidieux à gérer par les pathologistes. Ceci en-
traine habituellement non seulement les risques d’erreurs dans la détection du cancer mais
également une consommation excessive en temps. Ceci est dû à l’interpretation manuelle
au microscope des images de biopsies, à la grande variabilité dans la forme des masses
mammaires malignes et bénignes, et au fait que les pathologies sont souvent cachées dans
les tissus mammaires.
Depuis peu de temps une grande quantité d’études a été entreprise sur le diagnostic as-
sisté par ordinateur du cancer de sein basée sur la formation d’image de mammographie
Ganesan et al. [6], Mohanty et al. [7]. Beaucoup de chercheurs ont étudiés la segmentation
des images de biopsies des tumeurs de sein, cependant, quelques-uns de ces chercheurs
ont examiné l’efficacité de leur méthodologie dans un système de classification automatisé
complet de cancer de sein. Jelen et al. [8] a présenté une approche basée sur la méthode
réglée de segmentation de niveau. L’efficacité de classification a été examinée sur 110 (44
malins, 66 bénins) images avec des résultats atteignant 82.6%. Niwas et al. [9] ont pré-
senté une méthode basée sur l’analyse de la texture des noyaux employant une vaguelette
transformée. L’efficacité de classification avec l’algorithme k-nearest neighbor sur 645 (311
malins, 334 bénins) images a atteint 93.9%. Une autre approche a été présentée par Malek
et al. [10]. Ils ont utilisés des découpes actives pour segmenter des noyaux et ont classi-
fiés 200 (80 malins, 120 bénins) images employant l’algorithme Fuzzy c-means, réalisant
l’efficacité de 95%. Le diagnostic du cancer de sein a été également étudié par Xiangchun
et al. [11]. La régression des moindres carrés partielle a été employée pour classifier 699
(241 malins, 458 bénins) images, rapportant à 96.57% l’efficacité. Cependant, les auteurs
n’ont pas décrit la méthode de segmentation employée pour extraire des noyaux.
Dans ce cas d’étude l’interêt est porté sur la construction d’un système de décision basé
*

sur le Diagnostic Assisté par Ordinateur (DAOx) du cancer du sein devant résoudre deux
principaux problèmes : le premier est lié à la segmentation des images cytologiques de
tissu de biopsie d’aiguille fine, tandis que le second concerne la classification des différents
cas de tumeurs comme bénin ou malin.
Afin de résoudre ce problème, dans ce document une méthode hybride basée sur le seuillage
global (utilisé par Filipczuk et al. [3] et Kowal and Filipczuk [4]) dans l’espace de couleur
RVB est employée pour la première étape de segmentation des noyaux. Ensuite, l’ouver-
ture morphologique est employée afin d’améliorer les résultats de la méthode précédente.
Enfin, nous montrons comment combiner ces différentes méthodes afin de construire un
système d’aide à la décision basé sur une segmentation robuste dont la finalité sera non
pas de remplacer le pathologiste mais de l’aider dans son diagnostic.
Le présent mémoire porte sur l’application de la segmentation des images au diagnostic
du cancer du sein, il est structuré en quatres chapitres et sera organisé comme suit :
Le chapitre 1 présente les généralités sur le cancer du sein afin de justifier l’importance
accordée à ce type de cancer.
Dans le chapitre 2, nous exposons quelques techniques connues de segmentation d’images
liées au diagnostic du cancer du sein ainsi que leurs insuffisances.
Le chapitre 3 présente et décrit le modèle de segmentation et de classification utilisé afin
de résoudre notre problème.
Au sein du chapitre 4 la mise en œuvre ainsi les résultats expérimentaux obtenus par
la méthode proposée seront abordés. Le document se termine par une conclusion et pers-
pectives.

Mémoire de Master II en Informatique 2 UY1-YDE

c 2019-2020
 ? ? Chapitre Deux ? ?

Cancer du sein

2.1 Introduction
Le cancer du sein est l’une des principales causes de mortalité féminine. Au Cameroun, il
représente 21,3% des 14.000 malades du cancer selon le comité national de lutte contre le
cancer pour l’année 2016. L’incidence du cancer du sein reste croissante au Cameroun. Bien
que le ministère de la santé publique initie fréquemment des programmes de dépistage de la
pathologie, cela reste insuffisant car ils ne ciblent que les femmes des grandes métropoles.
Du fait du diagnostic tardif de la maladie, il en résulte souvent un traitement lourd,
mutilant et coûteux qui s’accompagne d’un taux de mortalité élevé.

2.2 Anatomie du sein

*

Le sein est un organe pair et symétrique de forme hémisphérique, situé en avant du thorax,
entre la troisième et la cinquième côte, au-dessus du muscle grand pectoral. Sa fonction
biologique est de produire du lait afin de nourrir un nouveau-né. Il est essentiellement
constitué d’un tissu adipeux graisseux plus ou moins important qui lui donne sa forme
et son volume. La glande mammaire, noyée dans le tissu conjonctif, est composée d’une
vingtaine de lobules qui deviennent actives en période de lactation. Le lait sécreté est
déversé par des canaux galactophores séparés au niveau du mamelon. Le sein, parcouru
par une multitude de vaisseaux sanguins, est maintenu par la peau qui le recouvre et par
des fibres liées au muscle pectoral.

2.3 Les maladies du sein

Contrairement à ce que l’on croit, le terme de tumeur n’est pas automatiquement associé
à celui de cancer. Une tumeur est une prolifération de cellules qui se multiplient de façon
anarchique et forment une masse. On distingue deux types de tumeurs :

• Les tumeurs bénignes : elles résultent d’une simple anormalité, mais ne mettent pas
en danger la vie du sujet ;

• Les tumeurs malignes : elles sont cancéreuses et donc dangereuses.

3
 2.4. LES FACTEURS DE RISQUES DU CANCER DU SEIN CHAPITRE 2. CANCER DU SEIN

2.4 Les facteurs de risques du cancer du sein

Malgré les progrès qui ont permis de mieux connaı̂tre les mécanismes de développement
des cancers, les causes du cancer du sein ne sont actuellement pas connues. Néanmoins,
les études ont mis en évidence certains facteurs de risque qui favorisent un cancer du sein.
On distingue différents types de facteurs de risque :

• L’âge : le cancer du sein atteint plus fréquemment les femmes de plus de 50 ans.

• L’hérédité : les antécédents familiaux du cancer du sein, si la mère ou la sœur d’une

femme a été frappée de cette affection avant la ménopause, 1 ou 2 gènes liés au
cancer du sein pourraient être en cause.

• L’âge au moment de la première grossesse : les femmes qui n’ont pas eu d’enfant ou
celles qui ont donné naissance à leur premier enfant quand elles avaient plus de 30
ans.

• L’apparition tardive de la ménopause, l’interruption du cycle menstruel après l’âge

55 ans accroı̂t le risque de cancer du sein.

• Des seins denses.

• Une radiothérapie au thorax, surtout si elle a été reçue avant l’âge de 30 ans.

• L’âge auquel les menstruations se sont établies, des menstruations survenant à un

jeune âge (soit moins de 12 ans).
*

• Une consommation exagérée d’alcool, de tabac, de sucres et de graisses d’origine

animale ainsi que l’obésité.

En revanche, le nombre de grossesses et l’allaitement prolongé pourraient diminuer le

risque de développer un cancer du sein.

2.5 Dépistage du cancer du sein

Le symptôme le plus évident pour dépister un cancer du sein est la présence d’une masse
solidaire de la peau dans le sein. Celle-ci est généralement détectable par le médecin lors
d’une palpation. Des symptômes annexes du cancer du sein sont parfois observés : rougeur,
lésion du mamelon,... Une douleur peut être ressentie mais ce n’est pas un symptôme pour
diagnostiquer un cancer du sein puisque beaucoup de femmes ressentent une douleur à
l’approche de leurs règles.
Les éléments à surveiller pour détecter un cancer du sein sont :

• Une modification de l’apparence du sein (changement de taille ou de forme, anoma-

lies de la peau).

• L’apparition dans le sein d’une boule de diamètre supérieur à 1 cm.

• L’apparition d’une grosseur sous l’aisselle.

Mémoire de Master II en Informatique 4 UY1-YDE

c 2019-2020
 2.6. LE DIAGNOSTIC DU CANCER DU SEIN CHAPITRE 2. CANCER DU SEIN

2.6 Le diagnostic du cancer du sein

Le diagnostic de certitude de cancer du sein est obligatoirement cytologique ou histolo-
gique : lorsqu’une anomalie mammaire a été dépistée, une ponction ou biopsie doit être
réalisée. En cas de cancer, c’est elle qui confirmera le diagnostic.
Même si la lésion est très suspecte en mammographie ou échographie, le diagnostic pré-
opératoire est aujourd’hui indispensable pour deux raisons :
• Il peut éviter de nombreuses chirurgies inutiles s’il ne s’agit pas d’un cancer.
• Il permet d’optimiser d’emblée la chirurgie s’il s’agit d’un cancer du sein : si ce
cancer est de petite taille.
Dans de très rares cas, ce diagnostic pré-opératoire n’est pas possible en raison de la
localisation des images radiologiques qui sont, par exemple, non accessibles à une biopsie.
La chirurgie permettra de poser le diagnostic.
En ce qui concerne le diagnostic cytologique ou histologique :
- Si la lésion est palpable : une ponction cytologique ou une biopsie peut être faite
avec le repère de la palpation (situation de plus en plus rare actuellement car la taille des
lésions diminue régulièrement).
- Si la lésion est une boule ou un nodule non palpable la ponction ou biopsie sera
faite sous repérage soit par échographie, soit par mammographie.
- S’il s’agit de microcalcifications : le diagnostic doit être fait par une biopsie sous
repérage mammographique.
*

2.7 Méthodes préventives conte le cancer du sein

Les bonnes habitudes de vie (exercice physique, saine alimentation comprenant suffisam-
ment de légumes et de fruits, arrêt du tabagisme, consommation d’alcool modérée etc) et
le maintien d’un poids santé contribuent à réduire le risque de plusieurs types de cancers,
incluant le cancer du sein. Les fruits et légumes sont une source importante de vitamines
anti-oxidantes dans l’alimentation. Par exemple le soja qui constitue la principale source
de protéines dans les pays asiatiques où on trouve un taux plus bas de cancer du sein
comparativement aux autres pays du monde.

2.8 Traitement du cancer du sein

La prise en charge du cancer du sein dépend du stade d’évolution de la tumeur, de ses
caractéristiques, de l’âge et de l’état de santé de la patiente.
Pour guérir le cancer du sein, on fait appel à la chirurgie, à la radiothérapie, à la chimio-
thérapie, à l’hormonothérapie, la thérapie ciblée ou encore à une association d’une ou de
plusieurs de ces modalités thérapeutiques.

2.9 Conclusion
Dans ce chapitre nous avons présenté des notions de base concernant l’anatomie, les causes
et les traitements associés au cancer du sein.
Dans le chapitre suivant nous allons présenté quelques méthodes et techniques utilisées
dans la littérature pour la segmentation des images d’histopathologie mammaires.

Mémoire de Master II en Informatique 5 UY1-YDE

c 2019-2020
 ? ? Chapitre Trois ? ?

Etat de l’art

3.1 Introduction
Traiter une image c’est la modifier pour améliorer son aspect visuel, la préparer à la
transmission par voie télématique ou la préparer à l’extraction d’une mesure. Par contre
analyser une image c’est en extraire une information, une mesure sur le contenu d’une
image. L’analyse et la classification font partie d’une chaı̂ne compacte indissociable de
traitement numérique et automatique (ou semi-automatique) intitulée le diagnostic as-
sisté par ordinateur (DAOx). Ainsi, une bonne évaluation de la performance d’une telle
partie de segmentation ou de classification nécessite la maı̂trise de toute la chaı̂ne de
diagnostic (présentée dans la figure 3.1). Ce chapitre présente des travaux et contribu-
tions existants dans la littérature qui s’intéressent au diagnostic du cancer du sein par
l’approche de segmentation. Cette littérature permettra une meilleure compréhension des
*

choix des méthodes de prétraitement, de segmentation et de classification adoptées par la

suite dans le chapitre 3.

3.2 Composition des systèmes DAOx

En pratique, le système de diagnostic assisté par ordinateur dédié à l’analyse d’images
mammographiques est une suite de phases qui doivent être exécutées l’une après l’autre,
depuis l’acquisition de l’image jusqu’à la prise de décision. Les étapes de traitement d’une
image de cellules mammaires peuvent se résumer en :

- Une étape de prétraitement qui sert à améliorer la qualité de l’image avant toutes
manipulations.

- Une étape de segmentation qui permet de détecter la lésion à étudier.

- Une étape de description qui a pour but de caractériser les lésions à travers des
formulations mathématiques.

- Une étape de classification et de prise de décision en utilisant un classifieur adéquat.

Ces différentes étapes sont résumées dans le diagramme représenté dans la figure 3.1. On
détaille dans les sections qui suivent l’état de l’art concernant l’étape de segmentation
d’un système de diagnostic assisté par ordinateur.

6
 3.3. SEGMENTATION D’IMAGE CHAPITRE 3. ETAT DE L’ART

Figure 3.1 – Diagramme général d’un système DAOx

3.3 Segmentation d’image

La segmentation est le point central dans le processus d’analyse d’images. C’est un traite-
ment de bas niveau qui précède l’étape de mesure, de compréhension et de décision. Son
objectif consiste à partitionner l’image en régions connexes et homogènes au sens d’un
critère d’homogénéité difficile à définir surtout dans le cas de régions texturées. Nous ne
segmentons correctement une image que si elle a été comprise, c’est-à-dire si nous sommes
capables de désigner les objets que nous jugeons intéressants dans cette image.
La détection des noyaux cellulaires et la classification des images d’histopathologie du
sein est une tâche difficile à cause de la structure complexe de ces images. Afin de pouvoir
réaliser cette détection, plusieurs techniques de segmentation ont été proposées par des
chercheurs à l’instar de Aswathy and Mohan [12] notamment l’agorithme de la ligne de
partage des eaux (LPE), le modèle de contour actif (ACM), le modèle caché de MARKOV
(HMM), le regroupement/classification au niveau des pixels ou d’une combinaison des élé-
*

ments ci-dessus, complétés par différentes étapes de prétraitement et de post-traitement.

Dans la suite de ce travail, nous présenterons quelques-unes de ces techniques.

3.3.1 Segmentation par l’algorithme de la ligne de partage des

eaux contrôlée par des marqueurs
Cet algorithme a été proposé par Veta et al. [1] pour la segmentation des images d’his-
topathologie mammaires. Son schéma de principe est présenté à la figure 3.3. L’ensemble
de la procédure peut être divisé en quatre étapes principales : 1) prétraitement, 2) seg-
mentation LPE contrôlée par des marqueurs, 3) post-traitement et 4) fusion des résultats
à plusieurs niveaux.
Le prétraitement a pour objectif d’éliminer le contenu non pertinent tout en préservant
les limites des noyaux. Le prétraitement commence par le démixage des couleurs pour la
séparation des tâches d’hématoxyline de l’image RVB (les noyaux sont teints par cette
tâche ; figure 3.2.B). La version en niveaux de gris de l’image d’hématoxyline est ensuite
traitée avec une série d’opérations morphologiques afin de supprimer les structures non
pertinentes (figure 3.2.C).
La partie centrale de la procédure est la segmentation LPE contrôlée par des marqueurs.
Deux types de marqueurs nucléaires sont utilisés : des marqueurs extraits à l’aide d’une
transformation d’image qui mettent en évidence des structures de symétrie radiale éle-
vée (figure 3.2.D à F) et des minima locaux de l’image prétraitée (figure 3.2.G et H).
Les marqueurs sont requis pour contrôler l’algorithme de la ligne de partage des eaux
(en anglais, Watershed algorithm). Ces marqueurs sont les positions des cellules ou des
noyaux obtenu en utilisant une transformation radiale rapide. Cette segmentation utilise
deux marqueurs qui se concentrent sur deux types particuliers de noyaux. L’un utilise

Mémoire de Master II en Informatique 7 UY1-YDE

c 2019-2020
 3.3. SEGMENTATION D’IMAGE CHAPITRE 3. ETAT DE L’ART

les marqueurs FRST (Fast Radial Symmetry Transform) et l’autre les marqueurs minima
régionaux. L’ensemble des rayons R (rayon de l’élément structurant utilisé pour les opé-
rations morphologiques) peut être obtenu par le calcul de la FRST S. Cette disposition
des rayons reflète la taille des noyaux qui ont été bien représenté dans le prétraitement
d’image. Les marqueurs de noyaux sont extraits des minima de S en utilisant un paramètre
par défaut h = 0,4. La transformée des h-minima de la FRST, S est défini par l’équation
3.1 :
Sh = ρS (S + h) (3.1)
Où ρ est le facteur de niveaux de gris et  est l’opérateur d’érosion.
Dans l’étape de post-traitement, les régions peu susceptibles de représenter les noyaux sont
supprimées et les contours des régions restantes sont paramétrés en ellipses. En variant la
taille de l’élément structurant dans l’étape de prétraitement, la procédure de segmentation
peut être réglée pour rechercher des noyaux à différents niveaux, permettant une analyse
à plusieurs niveaux. Les résultats de segmentation des échelles multiples et deux types
de marqueurs sont ensuite fusionnés en résolvant des régions simultanées pour donner la
segmentation finale.
La figure 3.2 montre les résultats de la segmentation utilisant l’algorithme de la ligne de
partage des eaux contrôlée par des marqueurs.
*

Figure 3.2 – Imposition de marqueurs et segmentation des noyaux par l’algorithme

LPE. A) Image originale. B) Canal d’hématoxyline. C) Image prétraitée (canal
d’hématoxyline traité avec une série d’opérations morphologiques). D) Transformation
de symétrie radiale rapide (FRST). E) Marqueurs de premier plan et d’arrière-plan
FRST. F) Segmentation LPE avec marqueurs FRST. G) Marqueurs minima locaux de
premier plan et d’arrière-plan. H) Segmentation LPE avec des marqueurs minima
locaux. Veta et al. [1]

La procédure a été développée sur un ensemble de 21 cas de cancer du sein et testée

sur un ensemble de validation distinct de 18 cas. L’évaluation a été effectuée en termes
de précision de détection (sensibilité et valeur prédictive positive) et de précision de seg-
mentation. Le taux de réussite de cet algorithme se situe autour de 81.2%.
Cependant, l’inconvenient majeur de cette technique de segmentation est qu’elle n’est

Mémoire de Master II en Informatique 8 UY1-YDE

c 2019-2020
 3.3. SEGMENTATION D’IMAGE CHAPITRE 3. ETAT DE L’ART

Figure 3.3 – Vue d’ensemble schématique des différentes étapes de la méthode

d’analyse d’images automatisée pour la segmentation des noyaux.

adaptée que pour certains types d’images. En effet, pour des spécimens d’histopatholo-
*

gie contenant un très grand nombre de noyaux se chevauchant d’une part et des noyaux
accolés aux cellules d’autre part, le résultat de la segmentation est de mauvaise qualité.

3.3.2 Segmentation à l’aide d’un modèle de contour actif (ACM)

Jain et al. [2] ont proposé un algorithme pour la segmentation des images d’histopathologie
mammaires basé sur l’utilisation du modèle de contour actif. Ce modèle utilise deux
fonctions : l’une basée sur les régions et l’autre sur les contours.
La technique de seuillage est la méthode de base utilisée dans le modèle de contour actif.
Un seuil est une valeur numérique correspondant à un paramètre de l’image (exemple : le
niveau de gris), le seuillage a pour objectif de segmenter une image en deux ou plusieurs
classes. Le principe géneral du seuillage est donné par la formule 3.2.
Soit p un pixel et V une fonction définissant le niveau de gris et S un seuil :


 0 si V (p) < S
V (p) =  (3.2)
 1 si V (p) ≥ S

Toutefois, Jain et al. [2] affirment que la technique du seuillage bien qu’étant simple, n’est
pas parfaite pour séparer les cellules qui se chevauchent. Dans ce contexte, certaines mé-
thodes peuvent être utilisé pour trouver les bords entre les cellules qui se chevauchent.
Le modèle ACM est d’autant plus important, particulierement lorsque des formes spora-
diques (par exemple des cellules malignes) sont présentes dans l’image. Dans cette tech-
nique, ils ont commencé avec des contours prédéfinis, caractérisés par une fonction appro-
priée. Ces contours sont définis dans les deux régions qui sont à l’intérieur et à l’extérieur

Mémoire de Master II en Informatique 9 UY1-YDE

c 2019-2020
 3.3. SEGMENTATION D’IMAGE CHAPITRE 3. ETAT DE L’ART

du contour. Ces contours sont croissant à partir d’une fonction de définition de niveau
prédéfini. Les spécifications de cette fonction de définition de niveau prédéfini peuvent
être modifiée pour obtenir l’optimisation requise.
Chan and Vese [13] ont utilisé une technique adaptée à la segmentation des images d’his-
topathologie. Contrairement au modèle de contour actif, cette technique ne dépend pas
de l’emplacement de la frontière. Dans le modèle de Chan and Vese [13], une opération
d’énergie est utilisée avec les quatre paramètres d’accompagnement :

• La différence de niveaux de gris / RVB à l’intérieur du contour donné,

• La différence de l’échelle de gris / RVB à l’extérieur du contour donné,

• Le périmètre de la région à l’intérieur du contour,

• La surface de la région à l’intérieur du contour.

L’initialisation du contour s’éffectue via l’équation 3.3

πx πy
φ(x, y) = sin( ). sin( ) (3.3)
10 10
où x et y représentent les coordonnées d’un point du contour.

La figure 3.4 montre les résultats de la segmentation utilisant le modèle de contour actif
de Jain et al. [2].
Le taux de réussite de l’algorithme proposé par Jain et al. [2] se situe autour de 83.47%
*

réalisé via un classifieur basé sur les réseaux de neurones.

Cependant, cette technique de segmentation comporte deux limites : la première est
qu’elle ne fonctionne pas pour des images contenant un taux de bruit élevé. Deuxième-
ment, si les images contiennent plusieurs noyaux qui se chevauchent, la segmentation
échoura.

Figure 3.4 – (a) Image originale (b) Image segmentée par le modèle de contour actif.
Jain et al. [2]

Mémoire de Master II en Informatique 10 UY1-YDE

c 2019-2020
 3.4. CONCLUSION CHAPITRE 3. ETAT DE L’ART

Le tableau 3.1 présente un résumé des différents algorithmes de segmentation étudiés

dans la littérature.

Auteurs Algorithme d’analyse Exactitude Difficultés de la méthode

Algorithme LPE contrôlé
par des marqueurs et
Veta et al. [1] Transformé de symétrie
radiale rapide (FRST).
Pas recommandé pour des
images ayant un grand
81.2% nombre de noyaux se
chevauchant et accolés
aux cellules.

Modèle de contour actif Echoue dans les images ayant

(basé à la fois région ) un bruit élévé et plusieurs
Jain et al. [2] et contour) avec pour 83.47% noyaux se chevauchant.
classifieur les réseaux
de neurones.

Tableau 3.1 – Résumé des différents algorithmes utilisés pour l’analyse des images
d’histopathologie mammaires.

Parvenu au terme de cette littérature, il en ressort que chacun des deux modèles pro-
*

posés par Veta et al. [1] et Jain et al. [2] présente tous des limites liées aux noyaux qui
se chevauchent dans les image segmentées. Cependant, celui de Jain et al. [2] basé sur le
modèle de contour actif offre non seulement une exactitude de résultat de segmentation
élevée, mais aussi est basée sur une technique assez simple (le seuillage). Toutefois ce
seuillage possède un inconvenient majeur à savoir : la possibilité d’obtenir des cellules ac-
colées. Une façon de pallier à ce chevauchement serait donc de faire recours aux opérations
morphologiques utilisées par Veta et al. [1].
Il apparait donc que notre méthode de segmentation dédiée à l’analyse d’images d’histo-
pathologie mammaire est une association entre une technique de seuillage global pour un
début de segmentation et l’utilisation des opérations de morphologie mathématique pour
une post-segmentation faisant ainsi d’elle une méthode hybride.

3.4 Conclusion
Ce chapitre nous a permis d’étudier les différentes étapes d’un système de diagnostic assisté
par ordinateur. Une telle étude est nécessaire afin de faire des choix appropriés pour le
traitement des images de tissus mammaires. En effet, le fait d’aborder quelques méthodes
de segmentation a permis d’étudier les limites de chaque méthode et par la suite, cela nous
a permis de choisir une méthode plus appropriée pour notre application. Une présentation
plus ou moins générale concernant l’étape de description dans une chaı̂ne DAOx est menée
dans l’objectif de préparer le terrain à une étude des différents descripteurs dans le chapitre
suivant. Ces différentes étapes sont des outils, à la fois utiles et nécessaires pour réussir le
diagnostic automatique du cancer du sein grâce aux images d’histopathologie mammaires.

Mémoire de Master II en Informatique 11 UY1-YDE

c 2019-2020
 ? ? Chapitre Quatre ? ?

Modèle

4.1 Introduction
Ce chapitre dresse la synoptique de la démarche préconisée qui comprend cinq étapes
essentielles qui sont : le procédé d’acquisition des images médicales utilisées pour l’essai,
le prétraitement éffectué sur les images de biopsie du sein, ensuite la méthode de seg-
mentation employée afin de localiser les noyaux est présenté. L’étape suivante est celle de
l’extraction des descripteurs des noyaux cellulaires de l’image segmentée et enfin le cha-
pitre se termine par la classification des images en deux catégories : maligne ou bénigne.
L’organigramme du système est présenté par la figure 4.1.
*

Figure 4.1 – Schéma du système

12
 4.2. BASE D’IMAGES CHAPITRE 4. MODÈLE

4.2 Base d’images

Les images utilisées dans ce mémoire proviennent du site www.prevencaoediagnose.com.br,
BreakHis (Breast Cancer Histopathological Image Classification) composé de 7909
d’images (2480 tumeurs bénignes et 5429 tumeurs malignes) microscopiques de biopsies
mammaires collectées sur 82 patients de définition 700 × 460 pixels au format PNG.
Les images acquises ont été déjà teintées afin de visualiser les différentes structures cel-
lulaires telles que les cellules, les noyaux et le cytoplasme des tissus. Certaines teintes
spéciales ont été employées pour relier sélectivement certains composants particuliers. Les
noyaux ont été teintées en bleu avec l’hematoxyline tandis que les composants cellulaires
supplémentaires étaient dans le rose dû à la teinte d’éosine.

4.3 Prétraitement
L’étape qui suit l’acquisition des images est celle du prétraitement, elle se déroule en deux
étapes suivantes :

• Le redimensionnement d’image : cette étape a pour but d’enlever le cadre et d’autres

objets façonnés qui pourraient être observés sur les parties internes de celles-ci.

• Le filtrage : cette opération a pour but de réduire le bruit causé par le dispositif
électronique d’acquisition des images. Afin de réduire ce bruit, les images sont filtrées
à l’aide d’un filtre passe-bas gaussien (Nixon et Aguado, 2012) qui s’exprime par
l’équation 4.1 :
*

!
(x2 + y 2 )
hg (x, y) = exp − (4.1)
2σ 2
Où σ = 0.85, et hg est le masque du filtre ayant pour taille 3 × 3 (Kowal and Filipczuk
[4]).

4.4 Segmentation
L’étape succédant au prétraitement d’images est la segmentation. La segmentation va
mettre en évidence des segments qui correspondent à des objets, des parties d’objets ou
des groupes d’objets qui apparaissent dans une image. Dans le cas présent les objets qui
devront être mis en exergue sont les noyaux cellulaires. Pour faire face à la segmentation
des noyaux, une étape de présegmentation de l’image par sélection de couleurs est
effectuée, elle consiste à extraire des plages de pixels ayant une certaine couleur. Ensuite,
un procédé de segmentation hybride est proposé. Il repose sur deux techniques de
segmentation à savoir : le seuillage global à seuil fixe et l’ouverture morphologique
basée sur les opérations de dilatation morphologique et d’érosion morphologique. Notre
technique de segmentation est donnée par la formule 4.2.


 (1) Seuillage global à seuil f ixe
Segmentation =  (4.2)
 (2) Ouverture morphologique

Mémoire de Master II en Informatique 13 UY1-YDE

c 2019-2020
 4.4. SEGMENTATION CHAPITRE 4. MODÈLE

4.4.1 La segmentation par seuillage global

La procédure entière commence à partir de la conversion de l’image couleur origi-
nale Icolor en trois images en niveau de gris IgR , IgV , IgB dans chacun des canaux
de couleur Rouge(R), Vert(V) et Bleu(B). Cette conversion a pour but de créer des
sous ensemble d’objets de l’image originale. Ensuite, une opération de seuillage est
appliquée à chacune des trois images résultante avec des seuils respectifs Sr , Sv et Sb .
Enfin une fusion des trois images seuillées est effectuée à l’aide de l’opérateur logique
« ET », cette dernière opération produit une image binaire IBW dans laquelle sont visibles
les différents noyaux accentuées. L’algorithme de seuillage utilisé se definit ainsi qu’il suit :

Algorithme seuillage global

Entrée : I = Image couleur de biopsie du cancer du sein
Sortie : ISum = Image segmentée
Extraire la composante rouge de I dans l’espace de couleur RVB = IgR
Extraire la composante verte de I dans l’espace de couleur RVB = IgV
Extraire la composante bleue de I dans l’espace de couleur RVB = IgB
Pour k = 1 jusqu’à 3
Pour i = 1 jusqu’à hauteur(I)
Pour j = 1 jusqu’à largeur(I)
*

Si Igk (i,j) > Sk alors

Igk (i,j) = 1
Sinon
Igk (i,j) = 0
Fin si
Fin pour
Fin pour
Fin pour
ISum = ISr & ISv & ISb

Où k représente chaque composante de couleur extraite de l’image I, Igk (i,j) est la
valeur de luminance du pixel de coordonnées (i,j) de la composante k l’image originale I
en niveau de gris et S le seuil. Le seuil Sk est une valeur entière comprise entre 0 et 255,
ISr la composante seuillée de IR , ISv la composante seuillée de IB et ISb la composante
seuillée de IB .
Après l’opération de seuillage, un autre traitement est nécessaire pour supprimer le bruit
sur l’image précedemment segmentée, cette tâche est réalisée en utilisant une opération
morphologique appelée ouverture. Cependant, les noyaux segmentées de l’image sont de
couleur noir dans un fond blanc or il est plus intuitif de travailler avec des objets blancs
sur un fond noir ; cette tâche est réalisée par le complement de l’image. Ensuite les trous
se trouvant dans les régions segmentées sont remplis.

Mémoire de Master II en Informatique 14 UY1-YDE

c 2019-2020
 4.4. SEGMENTATION CHAPITRE 4. MODÈLE

4.4.2 La segmentation morphologique

La morphologie mathématique est une théorie non linéaire, fondée sur les ensembles.
Son principe de base consiste à comparer une forme inconnue à une forme de référence
connue, appelée élément structurant. Cet élément balaye tout l’ensemble et permet en
chaque point d’effectuer une comparaison à travers des relations telles que l’union, l’in-
tersection, l’inclusion et la complémentation. L’approche de morphologie mathématique
vise à déterminer les caractéristiques d’un objet, simplifier l’image en supprimant certaines
structures géométriques, séparer des objets collés, comparer deux formes en utilisant l’élé-
ment structurant. Cette théorie utilise deux opérations de bases qui sont l’érosion et la
dilatation.

4.4.2.1 Définitions
Les transformations morphologiques reposent sur le concept de transformation géomé-
trique d’une image par un élément structurant. L’élément structurant (ES) est un
masque de forme quelconque dont ses éléments forment un motif.

4.4.2.2 Élément Structurant

Soit B un sous-ensemble de E, nommé élément structurant. Si x est un élément de E,
alors on définit l’ensemble Bx , le déplacement de B en chaque point x de l’espace E :

Bx = {b + x | b ∈ B}
*

On introduit aussi le symétrique de B, noté Bs : Bs = {−b, ∀ b ∈ B}

Si l’élément structurant est symétrique, on a : Bs = B

4.4.2.3 Dilatation morphologique

Soit X un sous-ensemble de E. La dilatation morphologique de X par un élément
structurant B, noté δB (X), est définie comme la somme de Minkowski :

δB (X) = X ⊕ B = {x + b | b ∈ B, x ∈ R2 } =
S
x∈R2 Bx

Algorithme dilatation d’une image binaire par un élement structurant de taille 3 × 3

Entrée : I = Image segmentée
Sortie : Idilate = Image dilatée
Pour i = 1 jusqu’à hauteur(I)
Pour j = 1 jusqu’à largeur(I)
Si I(i,j) = 0 et est différent de l’un de ses 8 voisins alors
Idilate (i, j) = 1
Fin si
Fin pour
Fin pour
retourner Idilate

Mémoire de Master II en Informatique 15 UY1-YDE

c 2019-2020
 4.4. SEGMENTATION CHAPITRE 4. MODÈLE

4.4.2.4 Érosion morphologique

L’érosion morphologique d’un ensemble X par un élément structurant B, noté B (X), est
l’ensemble des points x de l’espace pour lesquels Bx est contenu dans X :

B (X) = X B = {x ∈ R2 , Bx ⊂ X}

Algorithme érosion d’une image binaire par un élement structurant de taille 3 × 3

Entrée : I = Image segmentée
Sortie : Ierode = Image érodée
Pour i = 1 jusqu’à hauteur(I)
Pour j = 1 jusqu’à largeur(I)
Si I(i,j) = 1 et est différent de l’un de ses 8 voisins alors
Ierode (i, j) = 0
Fin si
Fin pour
Fin pour
retourner Ierode

4.4.2.5 Ouverture morphologique

*

L’ouverture morphologique d’un ensemble X, noté X ◦ B, est l’érosion par Bs suivie

d’une dilatation avec B :

X ◦ B = δBs (B (X))

Avec l’utilisation de l’élément symétrique, cela revient à effectuer les deux opérations
avec le même noyau. L’ouverture se définit donc comme étant :

X ◦ B = δB (B (X))

L’ouverture morphologique est appliquée à l’image binaire obtenue à l’étape précédente

de segmentation afin de supprimer le bruit et de rompre les points d’unions qui constituent
les chevauchements entre les cellules. L’élement structurant utilisé pour cette opération
est un disque de rayon R = 2, cette forme ainsi que la valeur du rayon se justifient
respectivement par la morphologie et la taille des noyaux que l’on veut conserver par
rapport au bruit (élement indésirable). Le disque permet de lisser le contour des noyaux.
En inversant l’ordre des opérations utilisées pour définir l’ouverture, nous obtenons une
nouvelle opération appelée fermeture.

4.4.2.6 Fermeture morphologique

La fermeture morphologique d’un ensemble X, noté X • B est l’enchaı̂nement d’une
dilatation suivie d’une érosion par le même élement structurant B :

X • B = B (δB (X))

Mémoire de Master II en Informatique 16 UY1-YDE

c 2019-2020
 4.5. EXTRACTION DES DESCRIPTEURS CHAPITRE 4. MODÈLE

4.4.3 Schéma de la méthode de segmentation

La méthode de segmentation utilisée est illustrée par la figure 4.2.
*

Figure 4.2 – Méthode de segmentation

Le but de la segmentation est l’extraction des descripteurs importants des noyaux

cellulaires, desquels l’information peut facilement être perçue.

4.5 Extraction des descripteurs

La quantification des descripteurs extrait aide à différencier les cellules malignes des cel-
lules bénignes. Le tableau 4.1 fait une distinction entre les cellules begnines et les cellules
malignes. Pour chaque noyau isolé, 16 descripteurs sont extrait (selon Aswathy and Mo-
han [12]), les descripteurs choisis peuvent être divisés en trois groupes : les descripteurs
morphologiques liés à la taille et à la forme des noyaux, les descripteurs d’intensité qui
fournissent les informations au sujet de l’histogramme d’intensité des pixels situés dans
les noyaux, et les descripteurs de texture donnant les informations liées à la variation
d’intensité d’une surface.

Mémoire de Master II en Informatique 17 UY1-YDE

c 2019-2020
 4.5. EXTRACTION DES DESCRIPTEURS CHAPITRE 4. MODÈLE

Type de cancer Image cellulaire Critères d’anormalité

Benin - Taille et forme régulière des noyaux

(Non cancereux) - Noyau rond et simple
- Grand cytoplasme
- Noyaux monochromatiques
- Structure de la chromatine fine
- Chromocentre lisse
- Présence de cellules myoépithéliales
sur la membrane externe.

Malin - Noyaux agrandis et irréguliers

(Cancereux) - Multinuclées et forme multiple et ir-
régulière du noyau
- Diffusion du cytoplasme dans tout le
tissu
- Noyaux hyperchromatiques et enve-
loppe nucléaire hyperchromatique
- Structure de la chromatine grosse
- Grand chromocentre
- Les cellules myoépithéliales ne sont
pas présentes
- Modification de la densité du groupe
de noyaux
*

Tableau 4.1 – Caractéristiques des cellules bénignes et malignes

4.5.1 Les descripteurs morphologiques

Les descripteurs morphologiques extraits des images segmentées sont les suivants :

• La surface(A) : est le nombre de pixels couvrant la surface de chaque noyau détecté.

n X
X m
A= B(i, j)
i=1 j=1

B est l’image segmentée de dimensions i × j.

• Le périmètre : est le nombre de pixels délimitant le contour de chaque noyau.

• La surface convexe : est le nombre de pixel dans l’image convexe.

• Longueur d’axe principale(LAP) : est la longueur de l’axe principal de l’ellipse qui

a les mêmes seconds moments normalisés centraux que le noyau.
q
LAP = (x1 − x2 )2 + (y1 − y2 )2

avec (x1 , y1 ) et (x2 , y2 ) qui sont les points délimitant le segment de l’axe principale.

Mémoire de Master II en Informatique 18 UY1-YDE

c 2019-2020
 4.5. EXTRACTION DES DESCRIPTEURS CHAPITRE 4. MODÈLE

• Longueur d’axe secondaire(LAS) : est la longueur de l’axe secondaire de l’ellipse qui

a les mêmes seconds moments normalisés centraux que le noyau.
q
LAS = (x2 − x1 )2 + (y2 − y1 )2

avec (x1 , y1 ) et (x2 , y2 ) qui sont les points délimitant le segment de l’axe secondaire.

• L’excentricité : est la grandeur scalaire qui indique le rapport entre la distance focale
de l’ellipse qui a les mêmes moments secondaire que le noyau et la longueur de l’axe
principale.

• La circularité ou compacité : est une formule mathématique, elle tend vers 1 pour
les formes parfaitement rondes et est d’autant plus basse que la forme est plus
irrégulière, autrement éloignée de celle d’un cercle. A partir du calcul du périmètre
(P) et de l’aire (S), la circularité ou la compacité (C) est calculée :

4πS
C=
P2

• La solidité : elle mesure la proportion de pixel dans la « convexhull » (matrice de p

lignes et 2 colonnes qui spécifie le plus petit polygone que peut contenir la région)
qui sont également dans la région.
surf ace
solidité =
*

surf aceconvexe

4.5.2 Les descripteurs d’intensité

Les descripteurs d’intensité sont extrait à partir du niveau de gris ou de l’histogramme de
couleur de l’image. Ceux-ci inclut :

• L’intensité maximale : est la valeur du pixel ayant la plus grande intensité du noyau.

• L’intensité minimale : est la valeur du pixel ayant la plus petite intensité du noyau.

• L’intensité moyenne : est la moyenne des intensités des pixels du noyau.

• L’écart type : est la mesure du contraste.

v
u N
u 1X
σ= t (xi − µ)2
N i=1

4.5.3 Les descripteurs de texture

La texture est un ensemble connecté de pixels qui se produit à plusieurs reprises dans une
image. Les techniques d’analyse de texture sont basées sur la matrice de Co-occurrence
de niveau gris (GLCM) (Haralick et autres, 1973).
La matrice P de dimension N × N , où N est le nombre de niveaux gris, est définie sur une
image pour être la distribution des valeurs de Co-occurrence des pixels à un excentrage
donné. En d’autres termes, chaque élément de P indique le nombre de fois oú un pixel

Mémoire de Master II en Informatique 19 UY1-YDE

c 2019-2020
 4.6. CLASSIFICATION CHAPITRE 4. MODÈLE

avec la valeur i de niveau de gris arrive décalé par une distance donnée à un pixel avec la
valeur j. ici, nous calculons la moyenne de quatre caracteristiques de la GLCM déterminés
pour des décalages correspondant à 0˚, 45˚, 90˚et 135˚utilisant huit niveaux de gris. Dans
la suite, p est la matrice normalisée de Co-occurrence :

• Le contraste : il mesure l’intensité du contraste entre un pixel et ses voisins.

N
X
Contraste = |i − j|p(i, j)
i,j=1

• La correlation : est une mesure de la dépendance de niveau de gris de l’image.

N
X (i − µi )(j − µj )p(i, j)
Correlation =
i,j=1 σi σj

• L’énergie ou uniformité : est la somme des carrés des éléments dans la matrice de
co-occurrence de niveau de gris (GLCM).
N
p(i, j)2
X
Energie =
i,j=1

• L’homogénéité : elle mesure la proximité de la distribution des éléments de la GLCM

à la diagonale de GLCM.
*

N
X p(i, j)
Homogénéité =
i,j=1 1 + |i − j|

4.6 Classification
La classification est considérée comme étant la dernière étape dans un système de diagnos-
tic assisté par ordinateur (DAOx). Elle exploite le résultat de l’extraction des descripteurs
(qui lui même exploite le résultat de la segmentation) pour pouvoir décider de la nature
pathologique des images. La notion de classification signifie l’affectation d’une étiquette à
des échantillons d’une base de données en utilisant un certain nombre de caractéristiques.
Ces caractéristiques doivent bien évidemment être capable d’identifier chaque échantillon.
En traitement d’images, l’échantillon peut désigner un pixel, une zone dans l’image, un
objet représenté dans l’image ou l’image elle-même. Selon l’application, le but de la clas-
sification est soit de :
• Classifier les pixels de l’image en différentes zones. Dans ce cas, le problème de
classification revient à un problème de segmentation d’images en différents objets.

• Classifier l’image ou les objets de l’image selon différentes catégories. A titre

d’exemple, on peut classifier les cellules qui se trouvent dans les images en malignes
ou bénignes.
On distingue deux catégories de méthodes de classification : les classifications non su-
pervisées et celles supervisées. Pour la classification des images de biopsie, nous avons
utilisée trois classifieurs à apprentissage supervisé : les k plus proche voisins (kNN), les

Mémoire de Master II en Informatique 20 UY1-YDE

c 2019-2020
 4.7. CONCLUSION CHAPITRE 4. MODÈLE

séparateurs à vaste marge (SVM) en utilisant un noyau polynômial de second ordre et

les arbres de décisions (DT). Il est à noter que ces trois classifieurs ont été utilisé par
Aswathy and Mohan [12] dans leurs travaux, obtenant ainsi de meilleurs résultats (KNN :
99.33%, SVM : 97.56% et Arbres de décision : 91.56%).

4.7 Conclusion
Ce chapitre nous a permis d’exposer les différentes parties de notre modèle du diagnostic
assisté par ordinateur. Le prétraitement d’images a été la première phase où nous avons
redimensionner et filtrer les images à l’aide d’un filtre gaussien, ensuite nous avons pré-
senté la méthode de segmentation utilisée pour extraire les noyaux de l’image. Dans cette
méthode nous avons exposé les techniques de binarisation ou seuillage et celles basées sur
les opérateurs de morphologie mathématique que sont l’érosion et la dilatation. Par la
suite, nous avons procedé à l’extraction des différents descripteurs des noyaux dans les
images segmentées qui nous permettront de les classer. Enfin, nous avons ouvert une fe-
nêtre sur la classification supervisée en mentionnant les trois méthodes qui seront utilisées
pour catégoriser les images de biopsies mammaires : les k plus proches voisins (KNN), les
arbres de décision et la classification par les séparateurs à vaste marge (SVM).
*

Mémoire de Master II en Informatique 21 UY1-YDE

c 2019-2020
 ? ? Chapitre Cinq ? ?

Mise en œuvre

5.1 Introduction
Dans ce dernier chapitre nous présentons les résultats obtenus des applications de la
méthode de segmentation des images de biopsies mammaires. La classification de ces
images en tant que tumeurs bénignes ou malignes grâce aux algorithmes de classification
supervisée (kNN, SVM et les arbres de décision) sera également présentée. Ce chapitre
se termine par l’évaluation des résultats de la méthode proposée. L’environnement de
programmation qui nous a permis de mettre en œuvre nos algorithmes et de créer les
interfaces graphiques est la version R2017a de Matlab « Matrix Laboratory » fonctionnant
sur Windows 10 64 bits.
*

5.2 Résultats de la segmentation

L’étape succédant au prétraitement d’images qui consiste à filtrer l’image est la segmen-
tation. Nous allons implémenter la technique de segmentation citée précédemment pour
détecter les différents noyaux présents dans l’image. Par la suite nous détaillons les résul-
tats obtenus de l’application de cette technique sur notre base d’images.

(a) (b) (c)

Tableau 5.1 – Application du prétraitement sur une tumeur bénigne.(a)image

originale.(b)image redimensionnée en niveau de gris.(c)image filtrée(filtre gaussien).

Il est à noter que la valeur du seuil dans le canal de couleur rouge (e) a été fixé à 0.53
et à 0.25 dans les canaux de couleur vert et bleu.

22
 5.2. RÉSULTATS DE LA SEGMENTATION CHAPITRE 5. MISE EN ŒUVRE

(a) (b) (c)

*

(d) (e) (f)

(g) (h) (i)

Tableau 5.2 – Application de la segmentation sur une image de tumeur

bénigne.(a)image de tumeur bénigne.(b)image dans le canal rouge.(c)image dans le canal
vert. (d)image dans le canal bleu.(e)image seuillée dans le canal rouge. (f)image
fusionnée.(g)image complementée.(h)image épurée.(i)image de noyaux segmentés.

Mémoire de Master II en Informatique 23 UY1-YDE

c 2019-2020
 5.3. APPLICATION À LA CLASSIFICATION CHAPITRE 5. MISE EN ŒUVRE

(a) (b) (c)

Tableau 5.3 – Application de la segmentation sur une tumeur maligne.(a)image de

tumeur maligne.(b)image fusionnée.(c)image de noyaux segmentées.

5.3 Application à la classification

5.3.1 Extraction des descripteurs
L’extraction des descripteurs dans les images de biopsies segmentées est une phase im-
portante car la classification dépend de ces primitives. Le tableau 5.4 présente un aperçu
des descripteurs extraits. Après l’extraction des descripteurs, la moyenne de chaque des-
cripteur des noyaux est calculée pour chaque image afin de procéder à la classification.
*

(a) (b)

Tableau 5.4 – Descripteurs extraits de le tumeur bénigne de la figure (i) du tableau

5.2.(a)descripteurs morphologiques.(b)descripteurs d’intensité et de texture.

5.3.2 Critères d’évaluation des classifieurs

Les trois classifeurs(kNN, SVM et les arbres de décision) seront évalués en fonction de
leur sensibilité, spécificité, taux de classification et la courbe ROC (Receiver operating
characteristic).

1. Sensibilité (Se) : Représente la probabilité que le test soit positif si la tumeur est
maligne.
VP
Sensibilite =
(V P + F N )
2. Spécificité (Sp) : Représente la probabilité que le test soit négatif si la tumeur est
bénigne.
VN
Specif icite =
(V N + F P )

Mémoire de Master II en Informatique 24 UY1-YDE

c 2019-2020
 5.3. APPLICATION À LA CLASSIFICATION CHAPITRE 5. MISE EN ŒUVRE

3. Taux de classification : Représente la probabilité que la tumeur soit bien classé.

VP +VN
T aux de classif ication =
(V P + F P + V N + F N )

Avec VP, VN, FP et FN qui représente respectivement :

- Vrai positif : une tumeur maligne classée maligne ;

- Vrai négatif : une tumeur bénigne classée bénigne ;

- Faux positif : une tumeur bénigne classée maligne ;

- Faux négatif : une tumeur maligne classée bénigne.

La courbe ROC représente l’évolution de la sensibilité (taux de vrais positifs) en fonction

de (1 - spécificité).

- C’est une courbe croissante entre le point (0,0) et le point (1,1) et en principe au-
dessus de la première bissectrice.

- Une prédiction random donnerait la première bissectrice.

- Meilleure est la prédiction, plus la courbe est au-dessus de la première bissectrice.

- Une prédiction idéale est l’horizontale y=1 sur ]0,1] et le point (0,0).
*

- L’aire sous la courbe ROC (AUC, Area Under the Curve) donne un indicateur de
la qualité de la prédiction (1 pour une prédiction idéale, 0.5 pour une prédiction
random).

5.3.3 Tests et résultats

Le système a été examiné avec 508 images médicales de biopsie mammaires constituées
280 images de tumeurs malignes et 228 images de tumeurs bénignes. Ces images ont été
partitionées en deux échantillons : le premier échantillon constitué de 358 images a été
utilisé pour l’apprentissage des modèles de prédiction et le dernier échantillon constitué
de 150 images sera utilisé pour la validation des différents modèles.
En ce qui concerne l’entrainement des modèles d’apprentissages, une validation croisée
avec pour paramètre de partitionnement (n = 5) a été éffectuée sur les 358 images. Les
résultats obtenus pour les trois modèles sont présentés dans le tableau 5.5.

SVM(%) kNN (%) DT (%)

Taux de classification 97.5 94.4 92.2

Tableau 5.5 – Résultats de la classification des modèles d’apprentissages

Les résultats obtenus de la classification des images de la base de test par les kNN,
SVM et les arbres de décision sont représentés dans le tableau 5.6.

Mémoire de Master II en Informatique 25 UY1-YDE

c 2019-2020
 5.3. APPLICATION À LA CLASSIFICATION CHAPITRE 5. MISE EN ŒUVRE

Figure 5.1 – courbe ROC du modèle SVM quadratique.

Méthode Taux de classification(%) Spécificité (%) Sensibilité (%)

SVM 96.66 93.24 100
KNN 95.33 90.54 100
DT 93.33 87.83 98.68

Tableau 5.6 – Résultats des tests

*

5.3.4 Interprétation des résultats

Le tableau 5.5 présente les résultats de la classification des modèles d’apprentissage dans
lequel il en ressort que, pour les 358 images traitées, le modèle SVM quadratic enregistre
un taux de classification de 97.5% avec un taux d’erreur (taux de faux positif) de 2.5%.
Ensuite, les k-proches voisins suivent avec un taux de classification de 94.4% pour un taux
d’erreur de 5.6% et enfin les arbres de décision avec un taux de classification de 92.2% avec
un taux d’erreur élevé de 7.8%. En observant la courbe ROC du modèle SVM quadratique
de la figure 5.1, on constate qu’elle se trouve au-dessus de la première bissectrice et que
la surface en dessous de celle-ci (AUC) est proche de 1, ce qui donne un indicateur d’une
meilleure qualité de prédiction de ce modèle par rapport aux deux autres pour les 358
images. En revanche le taux d’erreur du modèle SVM (de 2.5%) peut s’expliquer par la
présence dans les images, des noyaux qui n’ont pas été bien segmentés augmentant ainsi
le taux de faux positifs au niveau de la classification.
Cependant, au niveau des résultats de tests dans le tableau 5.6, pour les 150 images,
les résultats obtenus sont les suivants : SVM (96.66%) avec une spécificité de 93.23% et
une sensibilité de 100%, kNN (95.33%) avec une spécificité de 90.54% et une sensibilité
de 100% et enfin les arbres de décision (93.33%) avec une spécificité de 87.83% et une
sensibilité de 98.68%. Concernant le taux de classification des 150 images testées, celui-
ci suit pratiquement la même tendance que celle des 358 images pour l’entraı̂nement
du modèle. Cette legère différence de ce taux peut s’expliquer par la quantité d’images
utilisées pour l’entrainement et pour les tests. Il en ressort également ici que pour les
patients souffrant d’une tumeur maligne, les tests avec les algorithmes SVM et KNN seront

Mémoire de Master II en Informatique 26 UY1-YDE

c 2019-2020
 5.4. CONCLUSION CHAPITRE 5. MISE EN ŒUVRE

toujours positifs, ceci garantit que ces deux modèles prédisent correctement les tumeurs
malignes, expliquant ainsi les taux de sensibilité de 100% pour ces deux algorithmes. Par
contre, en utilisant le meilleur de ces algorithmes (SVM), pour les 150 patients testés,
on peut garantir qu’il sera susceptible d’enregistrer des erreurs se chiffrant autour de 6
patients testés positifs alors que ceux-ci sont réelement négatifs (faux positif) ; ce qui
justifie le taux de spécificité de 93.23% de cet algorithme.

5.4 Conclusion
Parvenu au terme de ce chapitre, où nous avons détaillé l’implémentation de notre ap-
proche de segmentation issue du seuillage et de l’ouverture morphologique en vue de
la détection des noyaux de cellules dans les images d’histopathologie mammaires. Par
ailleurs, nous avons extrait des descripteurs morphologiques, d’intensité et de texture à
partir des images segmentées. Ces descripteurs nous ont permis d’utiliser trois algorithmes
d’apprentissage supervisé kNN, SVM et les arbres de décision pour la classification de nos
images afin de différencier les tumeurs malignes des tumeurs bénignes. Les résultats ob-
tenus après l’entraı̂nement ainsi que ceux des tests se situent au-dessus de ceux étudiés
dans la littérature par Veta et al. [1] et Jain et al. [2] qui étaient respectivement de 81.2%
et 83.47%.
*

Mémoire de Master II en Informatique 27 UY1-YDE

c 2019-2020
 ♣ Conclusion et perpectives ♣

Le cancer du sein touche des milliers de femmes chaque année dans le monde. Au Ca-
meroun, l’incidence de ce cancer reste croissante et représente 21.3% des 14.000 malades
du cancer selon le comité national de lutte contre le cancer pour l’année 2016. Selon Run
For a Cure Africa Cameroon, le cancer du sein représente un taux de mortalité de 80%
des cas dépistés. L’efficacité du traitement dépend de la détection précoce de la maladie.
Malgré les évolutions des nouvelles technologies pour améliorer la qualité des images de
cytologies, l’interprétation et l’analyse de ces images restent une tâche difficile même pour
un pathologiste étant donné que ces images sont fortement texturées et diffèrent d’un pa-
tient à un autre. D’où le besoin de développer des systèmes d’analyse et d’interprétation
automatique d’images d’histologies numériques qui serviront d’outil d’aide à la décision.
Ce qui aura pour conséquence d’augmenter la fiabilité de l’interprétation de ces images
par un expert.
Dans ce mémoire où l’objectif était de construire un système d’aide au diagnostic du can-
*

cer du sein basé sur la segmentation des images, nous avons commencé par présenté la
description de quelques notions médicales sur le cancer du sein. Puis nous avons passé en
revue quelques méthodes de segmentation et classification connus avec leurs insuffisances
par rapport au problème à résoudre.
Par la suite, nous avons développé un algorithme afin de détecter les noyaux présents dans
les images. Dans un premier temps, les images de biopsies originales ont été prétraitées,
afin de réduire le bruit causé par le dispositif électronique d’acquisition des images, en-
suite nous sommes passé à l’étape de segmentation dont le but était d’extraire les noyaux.
Cette opération était fondée sur deux approches essentielles que sont le seuillage des trois
canaux de couleur (rouge, vert et bleu) et la morphologie mathématique. A la suite de la
segmentation, nous avons procédé à l’extraction des trois types de descripteurs des noyaux
segmentés à savoir : les descripteurs morphologiques, d’intensités et de textures qui ont
été utilisés par la suite pour la classification des images d’histopathologie mammaires.
Enfin, la dernière partie de ce mémoire, nous a permis de mettre en œuvre notre al-
gorithme, où nous avons procedé à la classification de nos images en deux catégories :
bénigne et maligne. Pour y parvenir, nous avons utilisé trois classifieurs les machines à
support de vecteurs (SVM), les k-proches voisins (kNN), et les arbres de décision avec des
taux de classification respectifs de 97.5%, 94.4% et 92.2%. Cette étude nous a donnée des
résultats satisfaisants au vu des résultats présentés dans la littérature.
Ce mémoire a permis de dégager de nombreuses perspectives que nous résumons dans ces
quelques lignes :
• L’amélioration de la segmentation en utilisant d’autres approches. Dans ce contexte,
nous proposons d’implémenter des algorithmes se basant sur la segmentation
d’images basée sur les statistiques des rangs des niveaux de gris, la segmentation

28
 5.4. CONCLUSION CHAPITRE 5. MISE EN ŒUVRE

d’images basée sur un modèle fonctionnel et la fusion à l’aide de régions floues des
régions précédemment segmentées.

• Les descripteurs que nous avons utilisés restent très simple, donc il serait possible
de les enrichir par d’autres attributs de plus haut niveau à l’instar de l’entropie, la
dissimilarité, la densité, etc.

• Une forte liaison relie le concept de segmentation à celui de la classification : après

l’étape d’extraction des descripteurs pertinents une classification peut être envisagée
non plus pour seulement catégoriser les images en deux classes (benigne et maligne)
mais d’identifier également le stade d’avancement du cancer (tumeur maligne).

• Des travaux futurs seront également focalisés pour améliorer le système en dévelop-
pant des méthodes de segmentations hybrides tel que le système hybride de segmen-
tation non supervisée d’images par des Chaı̂nes de Markov cachées. D’ailleurs, nous
projetons agrandir l’ensemble d’images d’essai et de réduire également le taux de
faux positif.
*

Mémoire de Master II en Informatique 29 UY1-YDE

c 2019-2020
 ♣ Références ♣

[1] Veta, D. Van, Kornegoor, Huisman, Viergever, and Pluim, “Automatic nuclei seg-
mentation in h & e stained breast cancer histopathology images.” PloS ONE, vol. 8,
no. 7, p. e70221, 2013.

[2] Jain, Atey, S. Vinayak, and Srivastava, “Cancerous cell detection using histopatholo-
gical image analysis.” International Journal of Innovative Research in Computer and
Communication Engineering, vol. 2, no. 12, pp. 7419–26, 2014.

[3] P. Filipczuk, K. Marek, and O. Andrzej, “Fuzzy clustering and adaptive threshol-
ding based segmentation method for breast cancer diagnosis,” Computer Recognition
Systems 4, pp. 613–622, 2011b.

[4] M. Kowal and P. Filipczuk, “Nuclei segmentation for computer aided diagnosis of
breast cancer.” International Journal for Application Mathematics and Computer,
*

vol. 24, no. 1, pp. 19–34, 2014.

[5] Underwood and J. C. Elphinstone, Introduction to Biopsy Interpretation and Surgical

Pathology. Springer-Verlag, 1987.

[6] K. Ganesan, A. Rajendra, C. K. Chua, M. L. Choo, A. Thomas, and K.-H. Ng,

“Computer-aided breast cancer detection using mammograms,” A review, IEEE Re-
views in Biomedical Engineering, vol. 6, no. 8, pp. 77–98, 2013.

[7] A. K. Mohanty, S. M. Ranjan, and L. S. Kumar, “An improved data mining tech-
nique for classification and detection of breast cancer from mammograms,” Neural
Computing and Applications, vol. 22, pp. S303–S310, 2013.

[8] L. Jelen, F. Thomas, and K. Adam, “Classification of breast cancer malignancy using
cytological images of fine needle aspiration biopsies,” International Journal of Applied
Mathematics and Computer Science, vol. 18, no. 1, pp. 75–83, 2010.

[9] I. Niwas, Palanisamy.P, Sujathan.K, and B. Ewert, “Analysis of nuclei textures of

fine needle aspirated cytology images for breast cancer diagnosis using complex dau-
bechies wavelets,” Signal Processing, vol. 93, no. 10, pp. 2828–2837, 2013.

[10] J. Malek, S. Abderrahim, M. Souhir, T. Kholdoun, and T. Rached, “Automated

breast cancer diagnosis based on gvfsnake segmentation, wavelet features extraction
and fuzzy classification,” Journal of Signal Processing Systems, vol. 55, no. 1-3, pp.
49–66, 2009.

30
 [11] X. Xiangchun, K. Yangon, B. Yuncheol, R. D. Wong, and K. Soo-Hong, “Analysis
of breast cancer using data mining & statistical techniques,” in 6th International
Conference on Software Engineering, Artificial Intelligence, Networking and Paral-
lel/Distributed Computing 1st ACIS International Workshop on Self-Assembling Wi-
reless Networks, Towson, 2005, pp. 82–87.

[12] Aswathy and J. Mohan, “Detection of breast cancer on digital histopathology images :
Present status and future possibilities.” Informatics in Medicine, pp. 74–79, 2017.

[13] T. Chan and L. Vese, “Active contours without edges.” IEEE Trans Image Proc,
vol. 10, no. 2, pp. 266–77, 2001.
*

31