Abstract:
Ce mémoire explore l'application des techniques d'apprentissage profond—en particulier les réseaux de
neurones convolutionnels (CNN)—à la segmentation d'images médicales. L'accent principal est mis sur
la mise en oeuvre d’un modèle U-Net pour la segmentation automatique des vaisseaux sanguins rétiniens
à partir du jeu de données DRIVE. Après avoir exploré les fondements du deep learning et les méthodes
classiques de segmentation, l’étude détaille l’architecture U-Net, son entraînement, et son évaluation.
Le modèle atteint une précision de 96 %, montrant une capacité robuste à détecter les structures
vasculaires principales, bien que des limites subsistent pour les capillaires fins. Ce travail confirme
l’efficacité de U-Net dans les tâches de segmentation médicale et propose des pistes pour améliorer ses
performances futures
This thesis explores the application of deep learning techniques—particularly convolutional neural
networks (CNNs)—to medical image segmentation. The main focus is on implementing a U-Net model
for the automatic segmentation of retinal blood vessels using the DRIVE dataset. After examining the
fundamentals of deep learning and classical segmentation methods, the study details the U-Net
architecture, its training process, and its evaluation. The model achieves an accuracy of 96%,
demonstrating strong capability in detecting major vascular structures, although some limitations remain
with fine capillaries. This work confirms the effectiveness of U-Net in medical segmentation tasks and
suggests avenues for improving its future performance.
