Evaluation des performances du modèle d'apprentissage profond transUNet pour la segmentation automatique en imagerie médicale

Abstract

La segmentation des images m´edicales constitue une ´etape essentielle dans de nombreux actes cliniques, notamment en oncologie et en radioth´erapie. Cependant, sa r´ealisation manuelle reste fastidieuse, sujette `a des variations entre praticiens, et difficile `a reproduire avec pr´ecision. Ce m´emoire s’inscrit dans une d´emarche visant `a automatiser ce processus grˆace aux avanc´ees de l’apprentissage profond. Nous avons ´etudi´e et mis en oeuvre le mod`ele TransUNet, reconnu pour sa capacit´e `a combiner les forces des r´eseaux convolutifs et des transformers dans des tˆaches de segmentation. L’application de ce mod`ele `a des images micro-ultrasons de la prostate a permis d’en ´evaluer les performances `a travers des indicateurs robustes, tels que le coefficient de Dice et la distance de Hausdorff (HD). Les r´esultats obtenus Dice= 94% et la distance de Hausdorff= 1,960 confirment la fiabilit´e du mod`ele, qui parvient `a reproduire fid`element les contours de la prostate, tout en assurant une coh´erence spatiale et une bonne g´en´eralisation. Ce travail illustre concr`etement comment l’intelligence artificielle peut all´eger la charge des professionnels de sant´e et am´eliorer la qualit´e des diagnostics. Il ouvre ´egalement la voie `a des perspectives prometteuses, notamment l’´elargissement du champ d’application `a d’autres structures anatomiques et l’int´egration clinique de ces outils.