Expert-guided extraction of relevant informations: application to medical pathology detection

Abstract

L'identification et la classification des tumeurs cérébrales sur l’Imagerie par Résonance Magnétique (IRM) sont des tâches délicates, fortement dépendantes de l'expertise des radiologues et souvent coûteuses en temps.Pour alléger leur charge de travail et améliorer la précision des diagnostics, cette thèse propose d'automatiser une partie de ce processus grâce à l'apprentissage profond. Deux contributions majeures sont présentées.Dans la première contribution, nous introduisons un modèle efficace intitulé «Classificateur Basé sur des Règles profondes utilisant une Banque de Descripteurs d’images Statistiques Binarisées (DRB-BBSIF)».Cette approche permet de remédier aux limites du diagnostic conventionnel des tumeurs cérébrales sur IRM en proposant un modèle qui améliore les performances de classification tout en réduisant la complexité du processus de diagnostic. Le modèle explore le descripteur d'image BSIF pour la phase d’extraction de caractéristiques. De plus,pour améliorer ses performances, nous avons construit une Banque-BSIF, basée sur les meilleurs paramètres des filtres BSIF.Pour la phase de classification, nous avons utilisé un classificateur basé sur des règles profondes (DRB). Le classificateur DRB fonctionne à travers un ensemble autoorganisé de règles floues de type SI-ALORS, guidé par des prototypes. Ces règles floues, générées par le classificateur DRB, constituent le mécanisme central de prise de décision du classificateur. La deuxième contribution, intitulée « Identification et classification des tumeurs cérébrales par IRM à l'aide de techniques d’apprentissage profond »se concentre sur l'intégration synergique de l'apprentissage profond et de la classification basée sur des règles.Nous proposons un schéma novateur,simple et automatique basé sur DRB pour la classification des tumeurs cérébrales sur IRM. Ce modèle exploite la puissance de l'apprentissage profond pour l'extraction de caractéristiques et la combine avec l'efficacité du DRB pour la classification. Le cadre proposé se compose de trois étapes:prétraitement,extraction de caractéristiques et classification. L'extraction de caractéristiques utilise des réseaux d'apprentissage profond tels qu'AlexNet, VGG-16,ResNet-50 et ResNet-18 pour extraire des caractéristiques à partir des images IRM. Un classificateur DRB utilise ensuite ces caractéristiques profondes pour la classification. Les deux méthodes sont évaluées sur des ensembles de données disponibles publiquement et démontrent des performances significatives dans la classification des tumeurs cérébrales (présence ou absence) ainsi que des types de tumeurs(multi classe).Elles surpassent les techniques traditionnelles, soulignant leur efficacité dans l'analyse des tumeurs cérébrales par IRM. La thèse apporte des avancées significatives dans 'identification et la classification des tumeurs cérébrales par IRM à l'aide de techniques d'apprentissage profond, offrant des outils prometteurs pour le diagnostic assisté par ordinateur. Elle contribue également à renforcer la détection précoce des maladies et à améliorer l'efficacité et les résultats des traitements.