Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Machine Translated by Google Cancers 2022, 14, 4399 16 sur 32 1. Coefficient de

Machine Translated by Google Cancers 2022, 14, 4399 16 sur 32 1. Coefficient de similarité des dés : 2TP 2TP + FP + FN (19) 2. Distance Jaccard : 3. Coefficient de corrélation : TP TP + FP + FN (20) 1 M N Isi,j − Est Igi,j − Ig σIg ∑ ∑ M × N je=1 j=1 σEst (21) 4. Erreur quadratique moyenne (RMSE) : 1 M × N M N ∑ ∑ (Isi,j − Igi,j) je=1 j=1 (22) 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 2 bassins 100% 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 blocs1o7usur 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 l'évaludaétpioennddedetoluatefosnlectsiosnolduetiofintnsecsasnudtiidlisaétees:ocùetetet derelparséosleuntitoefnonntgclleotisboSanblAleoaDcomspéectliesamuvnaérdéleeidl.aaDtmvs aaondrnsiaa tnnbrésoilitlut'réienmeotaeudgcilehfafnéddireqiefufnléa ecreetdunesmcuseebeusegrtnmactnréeetrniéeltebl alsertiaobelnelno,tecrl'est ilmceleaannbgodleonidc-ddaecitsasf- nadedcatiildniltaasétdldaeéettUelf'niirmtmneaeivngsaaselt.eidouenr delal'taubmseenucr ecédreébmraalleadeitel,eisndbilqoucasnctolarrepsrépsoenndcaentds'udnaenstulm'imeaugr.ePsaarncsom nsaélaqduieen;t,ulnaediimfféargeencseigdneifibcalotcive canddiodnant éenlatrevaeleuuxrinmdaiqxuimaiat lle'edxiestSeAncDead'éutnéectounmsieduérr.éNcooumsmaveolnesbeloucrteucmoourrasl.àLlaa sfitgautirseti1q3uemqounitare la méthode ANOVA, utilisant la fonction de fitness exprimée en (18). Comme la différence pouvait également être mesurée avec des images originales avant et après les procédures 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 SAD, aussi appelée norme L1 ou norme de Manhattan, est une avec les deux fonctions de fitness testées par notre méthode de segmentation. A partir de la figure 13, nous avons le critère de dissemblance, utilisé pour comparer les intensités de deux blocs ou images [74], et nous pouvons observer que l'utilisation de SAD comme fonction de fitness a donné des résultats de segmentation pertinents définis comme suit : dans plusieurs cas ; cependant, les résultats de segmentation avec ANOVA étaient proches du sol M N Des vérités avec la plupart des TRISTE = ∑De∑pluI1si,,jn−ouI2si,pj ouvons observer à partir du (23) 4 images testéesq.ueAleNsOrVéAsuélttaatiseni=t1plju=s1 édleevlaéss,eegtmperonctahteiosndaevtaebcleau 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,mlaédtriisqtuaencReMdSeEJ.aEccnard et le dirfefévraenncchees, uSbAsDtanatideollneneéndtreeslerébsluolctactasnpdriodmateettteluarsm, amjoariistéunn'eétvaaitlepuarsSsAaDtiséfaleisvaénetea. mEnongturéisuendee présenrcéecda'puintuelatutiomne,uilr.ePstacrlcaoirnqsuéequl'uetnilti,slaatifoonncdteioln'AdNeOfVitnA ecsosmdmu ebloimcacgaendsiadnast amdaolandnieé idnedibqiueen la meilleurs résultats que ceux obtenus avec la fonction de fitness SAD qui a donné la valeur maximale de SAD a été considérée comme le bloc tumoral. La figure 13 montre la tion, démontrant 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 non 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 Cancers 2022, 14, 4399 19 sur 32 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 eletslemsémthéotdheosdbeassébeasséseursSsAuDr .S(Aa)DI.m(aag) eIms oargigeisnaolerisg.in(ba)lePsré. - (tbra)iPtermée-tnrat.it(ecm) Neonttr.e(mc)éNthootdree mavéetchAodNeOaVvAe. c(rAé)NOVA. Notre méthode avec SAD. (d) Notre méthode avec SAD. Tableau L4.eLteasbrleésauulta4tsmdoenntroetrelemséDthicoede, ldaedsisetgamnecnetadtieonJasucrclaerjde,uladecdoorrnénléaetisoKnICetAl,eesnvuatilleisuarnst lRaMsimSEilaoritbéteDnicuees coaevffeiccielnets, ddiestuaxncfoendcetiJoancscadred,fictnoeesffsiciteensttédeescoprarér lnatoiotrneemt météhtoridqueedReMsSegEmaevenctadteiounx. fAonpcatiortnirsddee lfaitnfiegsusre: 13, nous ANOVA et SAD. 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 Image 1 ANOVA 62,008 % deTRsISeTgE mentationANaOvVeAc TARNISOTEVA étaient plus éleAvNéOeVsA, et proches de 10TR0IS%TE dans la pluApNaOrVtAdes cas tesTtRéISsTE enSNuItRilisant le co4e4f,f9ic3i6e%nt de simSilaNrIRité de Dice, 0la,67d3i0s6ta4 nce de Jacca0r,4d7e54t7l8e coefficie0n,0t 0d0e66c4o7rrélatio0n,0,01e0t6p05rès à S0N%IR avec la m6é5,t2r8iq5%ue RMSES.NEIRn revanche0,,7S9A01D16a donné des0r,3é8s6u16lt7ats prome0t,0te00u0r1s5,8mais l0a,0m01a49jo3r4ité n24'é,4ta3i2e%nt pas satisf5a7i,s8a2n3t%es. En gu1i3s,e91d6e%récapitulati0o,n76, 1il0e6s9t clair que l'utili0s,a5t3i2o0n3d2e l'ANOVA0,c0o0m03m57e9 fonctio0n,0d0e05fi0tn49ess o 78n ,2t 4d 2o %nné des r 7é 1s ,3u 2l 9t %ats bien 6m 4,2e 6i %lleurs que c 0e ,8u 70x 5o 53btenus avec 0la ,82fo 04n 6c 9tion de fit 0n ,0e 0s 0s 06S 57AD, dé 0m ,00o 0n 10tr 9a 1nt image 5 88,252% l 8a 7,5r 8o 1b %ustesse 7e 8t ,9l 7'e 4%fficacité 77d ,9e 07%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 Image 8 Image 9 94,535% 96,211% TCaobeflfeicaieun4t . Les rés8u9lt,6a3ts7%de notre 8m7é,9t5h9od%e de segme0n,9t5a2ti5o2n4 sur le jeu de do0,n9n4é25e3s6KICA, en u0ti,l0is0a0n12t 2la3 similar0it,é00D0i2c4e02 d9e0,9436,959%39%2,,6d9i9st %an0c,e95d3e6J6a3cc0a,0rd0,0c4o3e83f27fi,c5i9e8nt%de corrélation et métrique RMSE avec d0e,u6x63fo4n3ctions de fitne0s,0s0:00498 Image 10 95,154% ANNORVSAA 9e0t,7S5A6D%. SNIR 0,950669 0,94286 0,0000414 0,0133088 NRS signifie « segmentation non pertinente ». Images Coefficient de similarité des dés (%) Distance Jaccard (%) Coefficient de corrélation (−1 à +1) Mesure RMSE (%) ANOVA TRISTE ANOVA TRISTE ANOVA TRISTE ANOVA TRISTE B. Expérience #2 Image 1 62,008 % SNIR 44,936% SNIR 0,673064 0,475478 0,0006647 0,0010605 Image 2 78,997 % SNNIoRus avons é65v,a28lu5é% l'efficacitSéNIdRe notre algo0,r7it9h0m11e6 par rapport0,à38p61lu6s7ieurs se0g,0m00e0n1t5a8tions b0i,e00n14c9o3n4nues techniques dans la deuxième expérience. Les images segmentées obtenues avec notre méthode, Image 2 78,997 % Image 3 73,276% Image 4 83,265% Image 3 73,276% 24,432% 57,823% 13,916% 0,761069 0,532032 0,0003579 0,0005049 et d'autres méthodes de segmentation, sont illustrés à la figure 14. En outre, les tableaux 5 à uploads/Marketing/ cancerspaper-14-04399-v23229-2 1 .pdf