Titre du sujet : Développement d'une Méthode Automatique de Diagnostic
Précoce du Cancer du Sein Résumé : Le cancer du sein est l'un des cancers les plus courants chez les femmes. Le diagnostic précoce est essentiel pour améliorer les chances de survie des patients. L'imagerie médicale est une méthode couramment utilisée pour détecter les anomalies mammaires. Cependant, l'interprétation des images peut être subjective et nécessite l'expertise d'un radiologue expérimenté. Dans cette thèse, nous proposons de développer une méthode automatique de diagnostic précoce du cancer du sein en utilisant des techniques avancées de traitement d'image et d'apprentissage automatique, qui peut aider les médecins à détecter les anomalies mammaires avec précision et fiabilité. Description du sujet Le diagnostic précoce du cancer du sein est essentiel en médecine, car le cancer du sein demeure l'une des principales causes de décès chez les femmes. Cependant, les méthodes traditionnelles de diagnostic dépendent de l'expertise humaine, ce qui peut entraîner des erreurs et des délais. Pour résoudre ce défi, la technologie de l'apprentissage automatique et de l'intelligence artificielle est de plus en plus utilisée.Plusieurs travaux de recherche ont exploré cette voie. Esteva et al. (2017) ont utilisé des réseaux de neurones pour la classification des cancers de la peau. Arevalo et al. (2016) ont appliqué des réseaux de neurones convolutifs pour classifier les masses mammaires dans les mammographies. McKinney et al. (2020) ont évalué un système d'IA pour le dépistage du cancer du sein. Ribli et al. (2018) ont développé un modèle de détection des lésions mammaires. Yala et al. (2019) ont créé un modèle de prédiction du risque de cancer du sein. Shen et al. (2017) ont passé en revue l'utilisation de l'apprentissage profond en imagerie médicale. Dhungel et al. (2015) ont segmenté les masses mammaires avec l'apprentissage profond. Enfin, Wu et al. (2019) ont exploré l'utilisation de données multimodales pour le diagnostic du cancer du sein. Ces travaux montrent comment l'IA peut contribuer à un diagnostic précoce plus précis et rapide du cancer du sein, ce qui pourrait avoir un impact significatif sur la santé des patientes. Cette thèse vise à concevoir et à développer une méthode automatisée de diagnostic précoce du cancer du sein, en utilisant des techniques avancées de traitement d'image et d'apprentissage automatique. Tout d'abord, après une étude bibliographique approfondie, nous entamerons la phase de collecte et de prétraitement des données médicales d'imagerie. Cette étape implique la collecte d'ensembles de données d'imagerie médicale comprenant des mammographies, des échographies et d'autres images pertinentes. Les données seront ensuite prétraitées pour éliminer les artefacts et normalisées afin de garantir une qualité homogène. Ensuite, nous développerons des algorithmes de traitement d'image visant à extraire des caractéristiques pertinentes à partir des images médicales. Cela inclut la détection de structures potentiellement malignes, telles que les masses, les microcalcifications et l'angiogenèse. Dans la phase suivante, nous mettrons en œuvre et entraînerons des modèles d'apprentissage automatique, en mettant l'accent sur les réseaux de neurones convolutifs (CNN). Ces modèles seront formés sur les données prétraitées pour apprendre à distinguer avec précision les images bénignes des images malignes. De plus, nous intégrerons un système d'interprétabilité essentiel pour expliquer les décisions du modèle. Cela garantira la confiance des professionnels de la santé en expliquant comment le modèle prend ses décisions, en mettant en évidence les caractéristiques qui ont conduit à une classification particulière. Enfin, nous évaluerons la méthode à l'aide de métriques de performance standard, fournissant une mesure quantitative de son efficacité. La validation clinique en collaboration avec des professionnels de la santé confirmera son utilité dans un contexte réel. Mots-clés : Cancer du sein, diagnostic précoce, traitement d'image, apprentissage automatique, réseaux de neurones convolutifs, IA médicale.