Cet article présente un nouvel algorithme de traitement des mammographies en vue d'y détecter automatiquement des opacités. L'algorithme proposé comporte une étape de rehaussement de l'image fondée sur la modification d'histogramme suivie d'une technique de segmentation basée sur la minimisation de la somme de l'inertie. Le filtre de modification d'histogramme rehausse les zones suspectes en nettoyant les encombrements liés à l'arrière plan de l'image. Le processus de segmentation intervient alors sur l'image rehaussée pour localiser les régions de masses suspectes en utilisant le critère de minimisation de la somme des inerties de chacune des classes des niveaux de gris d'intensité différente. L'algorithme proposé a été testé sur une banque de 32 images mammographiques obtenues de l'hôpital gynéco-obstétrique et pédiatrique de Yaoundé (HGOPY) contenant des masses de différentes formes préalablement sélectionnées par des radiologues expérimentés. Nous avons obtenu une sensibilité d'environ 94 % et, dans la plupart des cas nous avons retrouvé les formes originales des masses et des tailles comparables à celles trouvées par les radiologues. De plus nous avons détecté dans certains cas des masses que les radiologues n'avaient pas marquées.

In this paper a new algorithm for detection of suspicious mass area from mammographic images is presented. It uses histogram modification enhancement technique and a segmentation method based on minimization of inertia sum. The histogram modification filter is designed so as to be able to enhance disease patterns of suspected masses by cleaning up unrelated background clutters. Segmentation is then performed on the enhanced-image to localize the suspected mass areas using minimisation of inertia sum of images intensity classes. The proposed algorithm was tested on a database of 32 mammogramms provided by Gynaeco-obstetric and pediatric hospital of Yaoundé on which masses had previously been localised by experienced radiologists. Results show that the algorithm is able to identify masses in all cases presented with a sensibility of 94% approximately. In addition, we found out that sizes and edges of masses detected are similar to those marked by radiologists. Furthermore in some cases, we could detect some hidden masses that the radiologists were not able to mark out.