REBULIQUE TUNISIENNE

Ministère de l’enseignement supérieur et de la recherche scientifique

Université de Carthage

École supérieure de la statistique et de l’analyse de l’information

Rapport mi-parcours PFE

Réalisé par :

Chalbi Achref

Classification d’images médicales

Encadrante Universitaire :

Mme Nour El Houda Ben Slimen

Encadrant Entreprise :

M. Borhen Rahmeni
Année Universitaire : 2023/2024

ii
Table des matières

1 Problématique et objectif de recherche 2

2 Structure du Projet 3

3 Étapes du Projet 4
3.1 Étapes accomplies : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.1.1 Collecte et de prétraitement des données : . . . . . . . . . . . . . . . . . . . . 4
3.1.2 Exploration et d’analyse des données : . . . . . . . . . . . . . . . . . . . . . . 4
3.1.3 Conception et de développement des modèles : . . . . . . . . . . . . . . . . . . 4
3.2 Étapes restant à faire : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.1 évaluation des modèles : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.2 Validation et d’interprétation des résultats : . . . . . . . . . . . . . . . . . . . 5

Bibliographie 6

1
Problématique et objectif de recherche

Problématique : Au sein du domaine médical, l’interprétation précise des images diagnostiques consti-
tue un enjeu majeur pour les praticiens, influant directement sur les décisions thérapeutiques et la
qualité des soins prodigués aux patients. Face à la complexité croissante des données d’imagerie et
à la diversité des pathologies, l’intégration de l’intelligence artificielle, notamment à travers les ré-
seaux neuronaux convolutionnels (CNN), offre de nouvelles perspectives pour optimiser les processus
diagnostiques. Toutefois, la transposition de ces modèles de classification d’images médicales dans
des environnements cliniques réels nécessite une évaluation rigoureuse de leur fiabilité et de leur
adaptabilité.

Objectif de recherche : Dans le cadre de cette étude menée sous l’égide de Sierra Bravo Intelligence,
notre objectif principal est de développer et de valider des modèles de classification d’images médicales
basés sur des approches d’intelligence artificielle, en mettant particulièrement l’accent sur les CNN.
Nous chercherons à concevoir des méthodes robustes et efficaces pour automatiser la détection et la
caractérisation des pathologies à partir d’images médicales, tout en garantissant leur performance
dans des contextes cliniques variés. Par cette démarche, nous visons à fournir des outils innovants
qui pourraient contribuer à améliorer la précision et la rapidité des diagnostics médicaux.

2
Structure du Projet

Le rapport débute par une introduction générale qui établit le contexte du travail de recherche.
Le premier chapitre se focalise sur le contexte du sujet, en commençant par présenter l’entreprise
d’accueil, Sierre Bravo Intelligence, et son engagement envers l’innovation dans le domaine de la
santé. Ensuite, la problématique et les objectifs du projet de classification d’images médicales sont
exposés, permettant ainsi de définir clairement les attentes et les orientations du travail à réaliser
dans ce domaine crucial de la médecine assistée par l’intelligence artificielle.

Le deuxième chapitre explore les fondements théoriques des méthodes de classification d’images médi-
cales à travers une revue de littérature. Cette section examine les différentes architectures de réseaux
neuronaux convolutionnels (CNN), les techniques de prétraitement des données, ainsi que les critères
d’évaluation des modèles de classification. Dans le troisième chapitre, nous nous concentrons sur le

développement de l’outil informatique dédié à la classification d’images médicales dans le cadre du

projet. Nous détaillons l’environnement logiciel utilisé, les fonctionnalités de l’outil et les différentes
étapes de son développement, mettant en lumière les choix techniques et les défis rencontrés. Le

quatrième chapitre présente l’application pratique des modèles de classification d’images médicales.
Nous décrivons en détail le processus de collecte et de prétraitement des données, ainsi que les résul-
tats obtenus grâce à l’utilisation des modèles développés. Nous analysons également la performance
des modèles à travers différentes mesures d’évaluation.

En conclusion générale, nous récapitulons les principales conclusions du projet de classification

d’images médicales et ouvrons des perspectives pour de futures recherches et développements. Nous
mettons en évidence les réussites, les défis rencontrés et les leçons apprises tout au long du processus.
De plus, nous soulignons l’importance des résultats obtenus et leur impact potentiel sur les pratiques
médicales et la qualité des soins aux patients

3
Étapes du Projet

3.1 Étapes accomplies :

3.1.1 Collecte et de prétraitement des données :
Dans cette phase cruciale, nous rassemblons une vaste gamme d’images médicales provenant de
diverses sources et modalités d’imagerie telles que l’IRM, la TDM et les radiographies. Nous accordons
une attention particulière à la qualité des données, en éliminant les artefacts et en normalisant les
intensités pour garantir des résultats fiables. De plus, nous équilibrons les classes afin d’éviter tout
biais dans notre ensemble de données.

3.1.2 Exploration et d’analyse des données :

Cette étape nous permet de plonger profondément dans les données pour comprendre leur structure et
leurs caractéristiques. À travers une analyse exploratoire, nous identifions les tendances, les anomalies
et les schémas qui pourraient influencer notre modélisation. La visualisation des données nous permet
de représenter graphiquement les informations clés, facilitant ainsi la prise de décision lors de la
conception des modèles.

3.1.3 Conception et de développement des modèles :

Nous sélectionnons avec soin les architectures de réseaux neuronaux convolutionnels (CNN) les plus
adaptées à notre tâche de classification d’images médicales. En utilisant des techniques avancées telles
que le transfert d’apprentissage et l’attention, nous renforçons la capacité de généralisation de nos
modèles. L’optimisation des hyperparamètres garantit des performances maximales de nos modèles.

4
3.2 Étapes restant à faire :
3.2.1 évaluation des modèles :
Divisant nos données en ensembles d’entraînement, de validation et de test, nous évaluons méticuleu-
sement les performances de nos modèles. Nous utilisons une variété de mesures telles que la précision,
le rappel et le F1-score pour quantifier l’efficacité de nos modèles. En parallèle, nous utilisons des
méthodes d’évaluation supplémentaires comme la courbe ROC pour évaluer leur robustesse.

3.2.2 Validation et d’interprétation des résultats :

Nous validons les performances de nos modèles sur des ensembles de données externes ou provenant
d’environnements cliniques réels. En interprétant les résultats de classification, nous cherchons à
comprendre les décisions prises par nos modèles et à identifier les facteurs clés influençant leurs
prédictions. Cette étape nous permet également de détecter et d’analyser les erreurs de classification
pour améliorer nos modèles et nos processus.

5
Bibliographie

[1] Andre Esteva, Brett Kuprel, Roberto A Novoa, Justin Ko, Susan M Swetter, Helen M Blau, and
Sebastian Thrun. Dermatologist-level classification of skin cancer with deep neural networks.
nature, 542(7639) :115–118, 2017.
[2] Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. nature, 521(7553) :436–444,
2015.
[3] Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco
Ciompi, Mohsen Ghafoorian, Jeroen Awm Van Der Laak, Bram Van Ginneken, and Clara I
Sánchez. A survey on deep learning in medical image analysis. Medical image analysis, 42 :60–88,
2017.
[4] Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-net : Convolutional networks for bio-
medical image segmentation. In Medical image computing and computer-assisted intervention–
MICCAI 2015 : 18th international conference, Munich, Germany, October 5-9, 2015, proceedings,
part III 18, pages 234–241. Springer, 2015.
[5] Karen Simonyan and Andrew Zisserman. Very deep convolutional networks for large-scale image
recognition. arXiv preprint arXiv :1409.1556, 2014.
[6] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, and Zbigniew Wojna. Rethinking
the inception architecture for computer vision. In Proceedings of the IEEE conference on computer
vision and pattern recognition, pages 2818–2826, 2016.
[1] [3] [4] [5] [6] [2]