Contributions à l'aide au diagnostic des mélanomes : Algorithmes de décomposition multi-échelles et apprentissage automatique ensembliste

Abstract

Le mélanome, le type de cancer de la peau le plus mortel, pose un défi majeur en raison de son potentiel de métastase rapide, menaçant sérieusement la vie des patients. La détection précoce est primordiale pour améliorer les chances de survie. Malgré les avancées dans les technologies de détection comme la dérmoscopie, le diagnostic précis des lésions cutanées pigmentées demeure complexe, même pour les dermatologues chevronnés. Afin de soutenir la prise de décision clinique, nous avons développé des systèmes d'aide au diagnostic (CADs: Computer Aided Diagnosis systems) pour le mélanome, offrant ainsi un second avis diagnostique. Cette thèse apporte des avancées notables dans l'élaboration de CADs pour le mélanome, en se concentrant sur l'analyse et la classification des images dermoscopiques. Nous employons des méthodes avancées de traitement d'images et des algorithmes de classification, basés sur l'apprentissage automatique. Un point central de notre recherche est la segmentation précise des lésions, qui est essentielle pour un diagnostic automatique efficace. Nous présentons deux innovations dans ce domaine : l'utilisation de l'algorithme de C-Moyens Flous combiné à une décomposition multi-échelle pour la première, et l'application de l'algorithme de l’optimisation par colonies de fourmis pour la seconde. De plus, nous proposons deux modèles de détection du mélanome. Le premier combine la méthode clinique ABCD et la matrice de co-occurrence pour l'extraction de caractéristiques, utilisant l'algorithme KSVM pour la classification. Le second utilise l'apprentissage ensembliste avec des techniques de vote majoritaire et pondéré. Ces deux modèles ont été évalués à l'aide de données provenant du Centre Hospitalier Universitaire (CHU) Hassan II de Fès, ainsi que des bases de données d'images Brodatz, PH2, et ISIC 2017. Les résultats obtenus mettent en lumière la performance de la décomposition multi-échelle dans la segmentation et soulignent l'importance de l'apprentissage automatique, en particulier l'approche de vote pondéré, dans la classification. Dans ce cadre, notre modèle basé sur le vote pondéré atteint une précision de 99%, prouvant son efficacité dans le diagnostic précis du mélanome. Malgré les progrès réalisés, l'adoption généralisée de systèmes proposés est confrontée à des défis, en particulier en ce qui concerne leur intégration systémique et la validation clinique à une échelle plus étendue.