Résumé:
Le cancer du sein représente une préoccupation majeure en matière de morbidité et de mortalité chez
les femmes à l'échelle mondiale, ce qui souligne l'urgence d'outils de diagnostic à la fois efficaces et précis.
Cette thèse s'attache à l'intégration de nouvelles approches d'apprentissage profond dans les systèmes d'aide
au diagnostic, visant à une détection rapide du cancer du sein lié aux masses mammaires. L'objectif principal
est de concevoir un système robuste capable de détecter et de classifier les masses mammaires dans les images
mammographiques, en exploitant les atouts de l'apprentissage profond. Le système proposé se divise en deux
modules essentiels : la détection et la segmentation des masses mammaires, ainsi que la classification de ces
masses. Le module de détection utilise Mask R-CNN, une méthode de segmentation d'instances avancée, pour
optimiser les performances de détection tout en réduisant les coûts d'entraînement et en diminuant le nombre
de faux positifs. Cette approche améliore significativement la précision et l'efficacité de la détection des
masses mammaires, plaçant le système à l'avant-garde des technologies de diagnostic actuelles. Quant au
module de classification, il propose d'utiliser des modèles pré-entraînés pour tirer parti des caractéristiques
d'apprentissage profond acquises sur d'autres ensembles de données, ce qui rehausse la précision dans la
classification des masses mammaires. Cette méthode d'apprentissage par transfert permet non seulement
d'améliorer les performances, mais également de rendre l'entraînement plus rapide et l'adaptation aux
nouvelles données plus facile. Une contribution majeure de cette thèse est participation à la création de
LAMIS-DBDM, un nouvel ensemble de données mammographiques numériques, le premier de ce type en
provenance d'Algérie. Cet ensemble de données constitue une ressource précieuse pour le développement et
la validation d'outils diagnostiques avancés et d'algorithmes adaptés à la population algérienne. Il intègre des
données génétiques et démographiques variées, facilitant ainsi une meilleure compréhension des motifs et des
anomalies spécifiques à la région. Cette initiative a le potentiel d'améliorer la précision dans la détection et le
traitement du cancer du sein, contribuant à des solutions de soins de santé plus personnalisées et efficaces. Le
système développé a été soumis à une évaluation rigoureuse sur des ensembles de données publiques, montrant
des performances supérieures à celles des méthodes de pointe. Dans plusieurs cas, il a surpassé les
technologies existantes, mettant en avant son potentiel en tant qu'outil fiable pour le diagnostic du cancer du
sein. Cette thèse ne se limite pas à faire progresser le domaine du diagnostic du cancer du sein, mais elle
enrichit également les communautés médicales et de recherche internationales en proposant un ensemble de
données unique et en favorisant les collaborations mondiales. Les connaissances et technologies développées
dans le cadre de ce travail ouvrent la voie à de futures innovations en imagerie médicale et en intelligence
artificielle, visant à améliorer les résultats pour les patients et à réduire la mortalité liée au cancer du sein.
