Abstract:
Ce mémoire étudie l'identification du mélanome à partir d'images dermatoscopiques en utilisant des réseaux de neurones convolutifs (CNN). Trois architectures ont été testées : un CNN simple, MobileNetV2 et ResNet50, sur la base Melanoma Cancer Dataset (13 879 images). Les résultats obtenus montrent des performances limitées (précision de 48% pour ResNet50, 88.7% pour MobileNetV2 mais avec une faible AUC de 0.522), révélant des difficultés majeures liées au déséquilibre des classes, aux limites du prétraitement des images et aux contraintes matérielles. Bien que ces modèles n’atteignent pas une fiabilité suffisante pour une application clinique directe, cette analyse met en lumière les défis techniques et propose des pistes d’amélioration : rééquilibrage des données, fine-tuning des modèles pré-entraînés et intégration de méthodes de segmentation avancées. Ce travail souligne l’importance d’une approche critique dans l’application de l’IA au diagnostic médical.
This thesis explores melanoma detection in dermoscopic images using convolutional neural networks (CNNs). Three architectures were evaluated: a basic CNN, MobileNetV2, and ResNet50, trained on the Melanoma Cancer Dataset (13,879 images). The results revealed significant limitations (48% precision for ResNet50, 88.7% accuracy for MobileNetV2 but with a low AUC of 0.522), highlighting challenges such as class imbalance, insufficient image preprocessing, and hardware constraints. While the models lack reliability for direct clinical use, this study identifies key technical hurdles and suggests improvements: data rebalancing, fine-tuning of pre-trained models, and advanced segmentation techniques. The work emphasizes the need for a critical approach when applying AI to medical diagnosis.
