Segmentation d'images par les techniques du deep learning, cas des images de la peau sur IRM haute résolution.

Abstract

Dans le domaine biomédical en constante évolution, l'acquisition de données d'imagerie médicale a atteint des niveaux sans précédent. Cependant, le volume croissant de données cliniques pose des défis en termes d'analyse manuelle et d'interprétation. Pour résoudre ce problème, des approches informatisées peuvent être utilisées pour automatiser les tâches, aider à la prise de décision et accélérer les examens. L'intelligence artificielle (IA) s'est révélée être un outil puissant dans les applications cliniques, offrant précision, rapidité, fiabilité et interopérabilité. Cette thèse vise à relever le défi d'utiliser l'IA dans le domaine biomédical en analysant les travaux existants et en proposant des techniques innovantes pour l'analyse d'images d'IRM cutanée en utilisant des réseaux d'apprentissage profond (Deep Learning - DL).Notre approche consiste à utiliser de véritables données d'IRM cutanée pour atteindre deux objectifs principaux. Le premier objectif se concentre sur les mesures d'hydratation de la peau, en quantifiant spécifiquement le niveau d'hydratation des pieds avant et après l'application d'une crème hydratante. Cela est accompli grâce à la cartographie T2, en combinant la segmentation sémantique des images d'IRM de la peau en différentes couches à l'aide des architectures U-Net et Dense Net. Le deuxième objectif utilise un réseau auto-encodeur de type CNN pour simuler les phénomènes d'hydratation de la peau, permettant ainsi de créer un processus artificiel d'hydratation. De plus, nous visualisons et présentons les résultats de nos expériences à l'aide de méthodes d'enregistrement d'images. Les résultats de notre étude démontrent des améliorations significatives dans les expériences d'hydratation de la peau. En utilisant des réseaux DL tels qu'U-Net, Dense Net et les auto-encodeurs CNN, nos approches proposées contribuent à l'avancement de l'analyse d'images d'IRM cutanée et fournissent des informations précieuses sur la dynamique de l'hydratation de la peau. L'intégration des techniques d'IA dans l'analyse d'images d'IRM cutanée a le potentiel d'automatiser les tâches laborieuses, d'aider les médecins dans la prise de décision et d'améliorer l'efficacité des examens. Cette thèse aborde les défis liés au déploiement de l'IA dans le domaine biomédical, ouvrant la voie à des applications de soins de santé de haute qualité qui privilégient la précision, la rapidité, la fiabilité et l'interopérabilité.