Apprentissage profond pour le diagnostic des soins de santé

DJOUIMA, HOSSENA (2026) Apprentissage profond pour le diagnostic des soins de santé. Doctoral thesis, Faculté des Sciences et de la technologie.

Text these1-corrigée.pdf Download (5MB)

Abstract

La détection précoce du cancer du sein est essentielle pour améliorer les chances de survie, mais le diagnostic repose encore largement sur des méthodes manuelles, comme la biopsie histologique. Ce processus, exigeant en expertise et prenant beaucoup de temps, ralentit le diagnostic et peut compromettre la qualité des soins. Pour surmonter ces limitations, l’introduction des systèmes de conception assistée par ordinateur (CAO) et des modèles de deep learning a considérablement amélioré la détection d’anomalies, notamment dans le cas du cancer du sein. Dans cette thèse, l’objectif est de concevoir un modèle de réseaux de neurones profonds capables de classer les tumeurs du sein en bénignes ou malignes, en exploitant la base de données histopathologiques BreakHis (Breast Cancer Histopathological Database), caractérisée par un déséquilibre marqué en faveur des tumeurs malignes. Pour atténuer l’effet du déséquilibre des classes, deux approches sont proposées : la génération d’images synthétiques à l’aide de réseaux génératifs adverses convolutifs (DCGAN), et la transformation en ondelettes. Dans les deux cas, des méthodes classiques d’augmentation de données sont également appliquées. Ces méthodes, intégrées dans une architecture DenseNet201, ont permis une amélioration significative de la précision dans la classification des tumeurs bénignes et malignes, contribuant ainsi au développement d’outils d’aide au diagnostic plus performants

Actions (login required)

View Item