Titre : |
Reconnaissance automatique des plasmocytes pour l’aide au diagnostic du Myélome |
Type de document : |
texte imprimé |
Auteurs : |
Baghli, Ismahan, Auteur ; chikh, Abdelkrim, Auteur |
Editeur : |
Université tlemcen |
Année de publication : |
2018 |
Importance : |
83 p. |
Présentation : |
ill. |
Format : |
30 cm |
Accompagnement : |
cd |
Langues : |
Français (fre) Langues originales : Français (fre) |
Résumé : |
La maladie du Myélome multiple appelée aussi maladie de Kahler, est parmis
les maladies du cancer du sang. Ce type de cancer est caractérisé par la
prolifération des globules blancs de type plasmocyte. Le diagnostic précoce
de cette maladie, améliore le taux de survie du patient atteint. Le diagnostic
manuel repose sur l’examination visuelle, par le pathologiste, des images microscopiques
de la moelle osseuse pour chercher des signes de prolifération de
cellules. Cette analyse nécessite des efforts considérables pour une détection
fiable et précise, ce qui la rend à la fois lente et fastidieuse.
Les systèmes automatiques basés sur l’identification et le comptage des
globules blancs, peuvent donner des résultats plus précis que les méthodes manuelles.
Ces systèmes sont basés principalement sur deux étapes essentielles : la
segmentation des cellules, et la caractérisation et la classification des globules
blancs. Dans le modèle automatique que nous proposons, les images microscopiques
de la moelle osseuse sont tout d’abord segmenetées par la transformation
watershed et ensuite les régions sont fusionnées par l’intégration de
l’incertitude sur la couleur via la théorie de l’évidence. Ces globules blancs segmentés
sont caractérisés par les attributs de formes du noyau et de la cellule,
et les attributs de textures couleurs du noyau et du cytoplasme, et au finale
ces attributs sont introduits à trois classifieurs à apprentissage supervisé SVM
(Support Vector Machine), Kppv (K plus proche voisins) et arbre de décision.
Les résultats expérimentaux montrent que la reconnaissance du plasmocyte
par le Kppv est prometteuse, atteingnant un taux de reconnaissance de 97%
avec une spécificité de 100%, ce qui la rend insensible aux faux positifs. |
Reconnaissance automatique des plasmocytes pour l’aide au diagnostic du Myélome [texte imprimé] / Baghli, Ismahan, Auteur ; chikh, Abdelkrim, Auteur . - Université tlemcen, 2018 . - 83 p. : ill. ; 30 cm + cd. Langues : Français ( fre) Langues originales : Français ( fre)
Résumé : |
La maladie du Myélome multiple appelée aussi maladie de Kahler, est parmis
les maladies du cancer du sang. Ce type de cancer est caractérisé par la
prolifération des globules blancs de type plasmocyte. Le diagnostic précoce
de cette maladie, améliore le taux de survie du patient atteint. Le diagnostic
manuel repose sur l’examination visuelle, par le pathologiste, des images microscopiques
de la moelle osseuse pour chercher des signes de prolifération de
cellules. Cette analyse nécessite des efforts considérables pour une détection
fiable et précise, ce qui la rend à la fois lente et fastidieuse.
Les systèmes automatiques basés sur l’identification et le comptage des
globules blancs, peuvent donner des résultats plus précis que les méthodes manuelles.
Ces systèmes sont basés principalement sur deux étapes essentielles : la
segmentation des cellules, et la caractérisation et la classification des globules
blancs. Dans le modèle automatique que nous proposons, les images microscopiques
de la moelle osseuse sont tout d’abord segmenetées par la transformation
watershed et ensuite les régions sont fusionnées par l’intégration de
l’incertitude sur la couleur via la théorie de l’évidence. Ces globules blancs segmentés
sont caractérisés par les attributs de formes du noyau et de la cellule,
et les attributs de textures couleurs du noyau et du cytoplasme, et au finale
ces attributs sont introduits à trois classifieurs à apprentissage supervisé SVM
(Support Vector Machine), Kppv (K plus proche voisins) et arbre de décision.
Les résultats expérimentaux montrent que la reconnaissance du plasmocyte
par le Kppv est prometteuse, atteingnant un taux de reconnaissance de 97%
avec une spécificité de 100%, ce qui la rend insensible aux faux positifs. |
|