Système d’aide au diagnostic pour la détection précoce de la maladie d’Alzheimer

Abstract

La maladie d'Alzheimer, forme la plus répandue de démence, constitue un enjeu majeur de santé publique en raison du vieillissement croissant de la population mondiale. Elle se manifeste par une dégénérescence progressive des fonctions cognitives, notamment la mémoire, le langage et l’orientation. Le diagnostic précoce représente un défi crucial pour ralentir la progression de la maladie et améliorer la qualité de vie des patients. Ce mémoire explore l'apport de l'intelligence artificielle, en particulier des méthodes d'apprentissage profond (Deep Learning) et d’ apprentissage automatisé (Machine Learning), dans la détection automatisée de la maladie d'Alzheimer à partir d’images IRM structurelles pondérées en T1. Une revue de la littérature met en évidence l’efficacité des réseaux neuronaux convolutifs (CNN), des réseaux 3D et des approches hybrides, dans l’extraction de caractéristiques discriminantes et la classification des patients selon différents stades de la pathologie. L’approche proposée repose sur un pipeline rigoureux intégrant le prétraitement des données (correction des artéfacts, normalisation spatiale via DARTEL, segmentation des tissus), la conversion des volumes 3D en coupes 2D informatives, et l’entraînement d’un modèle CNN pour la classification automatique des sujets en trois classes : Alzheimer (AD), Trouble Cognitif Léger (MCI) et témoins cognitivement normaux (CN). Les données utilisées proviennent de la base ADNI, reconnue pour la qualité et la richesse de ses annotations cliniques. Les résultats expérimentaux soulignent la pertinence de l’approche développée et démontrent le potentiel des techniques de Deep Learning pour le diagnostic assisté par ordinateur de la maladie d’Alzheimer, ouvrant ainsi la voie vers une médecine plus précise, personnalisée et prédictive.