Applications des approches SVM et SVR pour la classification

Applications des approches SVM et SVR pour la classification

Les recherches dans le domaine de la reconstruction d’objets à partir de champs électromagnétiques ont pris une ampleur considérable durant la dernière décennie, en raison de leurs diverses applications dans de nombreux domaines comme la médecine (détection du cancer), la biologie, géophysique et d’autres sciences. On estime que dans l’Union européenne, toutes les 2,5 minutes, une femme reçoit un diagnostic de cancer du sein. Toutes les 7,5 minutes, une femme meurt de la maladie. L’Algérie a connu ces dix dernières années une évolution importante du nombre de cancers du sein, En 2008 on dénombre 5 000 à 7 000 nouveaux cas alors qu’en 2003 on en comptait 2 000 par anLa détection précoce des petites tumeurs du sein est absolument nécessaire pour prévenir les métastases du cancer et pour l’obtention d’un bon pronostic du traitement du cancer. Par conséquent, il est tés important de disposer des technologies et des algorithmes qui sont capables de structures image tumorale de quelques millilitres dans le sein non- invasive et avec un coût relativement faible.

Modèle du sien pour la collection des données

Dans la littérature, plusieurs modèles du sein ont été utilisés à savoir : les modèles. Le choix du modèle dépend de l’application visée. Dans notre application, nous avons utilisé un modèle donné par « S. A. AlShehri et S. Khatun », ayant la forme hémisphérique (figure III.1) et les dimensions données dans le tableau (III.1). r est la permittivité relative., le rayon de la tumeur varie de 0,2 cm à 1,5 cm. Dans notre cas, nous avons pris une tumeur ayant un rayon de 0,5 cm vue qu’elle est proche de la taille minimale.par la figure (III.2) pour la transmission d’une impulsion gaussienne figure (III.3) dont la fréquence centrale est de 4GHz. Cette même antenne été utilisée pour la récupération du signal diffusé (figure III.4).

Ce type d’antenne est très utilisé dans notre domaine de recherche. On peut assimiler cette antenne à une antenne dipolaire dont on aurait élargi les fils dans l’optique d’augmenter la bande passante figure (III.2). Les antennes papillon présentent de nombreux avantages, tels que le faible profile, de haute efficacité de rayonnement et faciles pour la fabrication etc. Ils sont utilisés dans de nombreux domaines en raison des avantages mentionnés ci-dessus, tels que les radars à ondes pénétrantesDans ce travail, on a utilisé deux antennes papillon, dont l’une elle est utilisée pour la transmission d’impulsion gaussien et l’autre pour la récupération des données (figure III.4). Le transmetteur (Tx) et Récepteur (Rx) sont séparés par une distance de 10 cm (diamètre du sein).

Etapes de construction et de validation des SVM

Généralement,lesétapes de construction et de validation des SVM sont réparties en troiséchantillons d’une base de données construite préablement. Cette base de données contient un ensemble de données (entrée/sortie) obtenues par simulation en utilisant le logiciel « CST ». Pour cela nous avons procédé de la manière suivante :Cette procédure de génération de données a été réalisée pour 30 valeurs de permittivités et conductivités de la tumeur. En conséquence, deux groupes de signaux reçus ont été formés comme suit:nombre d’échantillons qui peut aller de 4500 à 7200 échantillons (figure III.7). Afin de réduire ce nombre, nous avons pris uniquement un segment du signal la où la signature tumorale est prépondérante. Nous avons constaté qu’une signature tumorale peut être prise dans le segment (1,25 ns et 2,13ns), cependant le nombre d’échantillons varie d’un signal à l’autre. Dans le but de fixer un pas d’échantillonnage du signal, nous avons procédé à une interpolation cubique de Hermite permettant de générer un polynôme P (xi) tout en gardant lades données brutes. Il permet également de pallier les difficultés liées à l’acquisition de connaissances auprès d’experts du domaine. Un système d’apprentissage prend en entrée un ensemble d’exemples dont il cherche une définition. Dans notre cas, on cherche à apprendre le système à classifier les tumeurs (malignes ou bénignes) à partir des signaux fournis à son entrée. Ces signaux sont présentés sous forme de paramètre (éléments du vecteur d’entrée) qui représente les signaux diffusés par la tumeur. La sortie du modèle est la permittivité relative rr<50 on peut qualifiée la tumeur de bénigne, sinon maligneen utilisant le groupe 2 de test élaboré auparavant. Nous avons remarqué que le taux de classification obtenu est de 100% pour la phase de test (tableau III.3).