Segmentation des images médicales par apprentissage profond

Abstract

Aujourd'hui, l'imagerie médicale est une composante essentielle de l'ensemble de la communauté des soins de la santé et du bien-être, au processus du diagnostic, sélection du traitement et du suivi. La segmentation d'image est une tâche primordiale dans le domaine des traitements des images médicales qui consiste à classer chaque pixel d'une image dans une instance, où chaque instance correspond à une classe. Cette tâche fait partie du concept de la compréhension de la scène ou de mieux expliqué le contexte global d'une image. De ce fait, l’assurance d’une bonne qualité de segmentation rassure tout le reste du processus de traitement de ces images et influe considérablement sur des éventuelles décisions qui seront prises par les médecins sur l’état du patient en cours de traitement, et cela peut avoir des conséquences même sur la vie de ce dernier. Dans ce travail, nous allons explorer l’utilisation des réseaux de neurones profonds pour accomplir la tache de segmentation des images médicales Ultra-sonores du cancer du sein. Nous allons adapter et comparer quatre modèles des réseaux de neurones de convolution : Alexnet, Resnet18, Resnet80, et U-net on utilisant l’apprentissage de transfert. Les résultats montrent l’efficacité des modèles utilisés, et confirment que la profondeur du réseau a une grande influence sur les résultats.