Apprentissage profond pour la segmentation automatique des lésions tumorales dans les images Tomodensitométriques des poumons

Abstract

Cette étude explore l'utilisation de l'apprentissage profond pour la segmentation automatique des tumeurs pulmonaires à partir d'images tomodensitométriques (TDM). Nous proposons une architecture basée sur U-Net, enrichie d'un mécanisme d'attention, afin d'améliorer la précision de la détection des lésions tumorales. Le modèle a été entraîné et évalué sur la base de données Medical Segmentation Decathlon (MSD), comprenant des images TDM thoraciques annotées. Nos résultats démontrent une performance élevée, avec un coefficient de Dice de 0,88, une sensibilité de 0,87 et une précision de 0,92, surpassant plusieurs approches existantes. L'intégration d'un mécanisme d'attention permet au modèle de mieux cibler les régions tumorales, réduisant ainsi les faux positifs et améliorant la segmentation des lésions de petite taille. Cependant, certaines limitations persistent, notamment la complexité computationnelle des modèles 3D et la nécessité d'une validation sur des ensembles de données plus variés. Les perspectives futures incluent l'optimisation des architectures 3D, l'intégration de réseaux hybrides (CNN + Transformers) et l'application en temps réel pour la radiothérapie guidée par l'IA. Cette recherche contribue à l'avancement des outils d'aide au diagnostic en oncologie thoracique, offrant une solution prometteuse pour une détection précoce et une planification thérapeutique plus précise.