Work

Segmentation and classification of pulmonary pathologies using deep learning: optimizing the U-Net++ model with discrete wavelet transform and attention mechanisms in thoracic imaging

Year: 2025
Type: dissertation
Abstract: L'intelligence artificielle (IA), et plus particulièrement l'apprentissage profond (DL), révolutionne le domaine du traitement des images, notamment dans l'analyse des images médicales. Les réseaux de neurones convolutifs (CNN) occupent une place importante dans les tâches de segmentation et de classification. En imagerie thoracique (chest X-rays, CXR), ces techniques montrent un fort potentiel pour assister les radiologues dans le diagnostic des maladies pulmonaires, malgré les défis liés à la diversité des pathologies et au manque de données annotées de haute qualité. Les besoins en santé publique sont accrus par la charge des maladies respiratoires. Selon le rapport de l’organisation mondiale de la santé (OMS), plus de 65 millions de personnes souffrent de bronchopneumopathie chronique obstructive (BPCO), avec 3 millions de décès par an, tandis que la pneumonie a causé 808 694 décès chez les enfants de moins de 5 ans en 2017. Cette thèse propose une approche de segmentation et de classification pour l’analyse des images CXR, optimisée par l’intégration de la transformée en ondelettes discrètes (DWT) dans le modèle U-Net++, permettant de remplacer les opérations de max-pooling par une réduction de résolution plus précise, préservant des détails structurels essentiels. De plus, l’utilisation de mécanismes d’attention améliore la précision en focalisant l’analyse sur les zones d’intérêt, en particulier dans les cas de densités élevées, comme dans les infections sévères. Pour la classification, une architecture CNN en deux étapes combine VGG-19 pour la première classification générale (poumons normaux, tuberculose, pneumonie) et DenseNet-201 pour distinguer les cas de pneumonie de ceux de COVID-19, augmentant ainsi la sensibilité et la spécificité du modèle. Pour compenser le manque de données annotées, le modèle Progressive Growing GAN (PGGAN) est utilisé pour générer des images synthétiques, enrichissant les ensembles d’entraînement et renforçant la robustesse du modèle. Les résultats obtenus montrent une amélioration des performances de segmentation et de classification, soulignant le potentiel de ces techniques pour alléger la charge de travail des radiologues et améliorer la qualité des soins via des outils de diagnostic assisté par IA, contribuant ainsi de manière transformative aux applications cliniques.
Language: English
Field: Medicine
Open Access status: green
OpenAlex ID: W7201116060
Cites: 148
Cited by:
Related to: 8