Résumé:
Les maladies du foie, en particulier le cancer du foie, représentent un problème majeur
de santé publique en raison de la complexité de leur détection précoce et de la diversité de leurs
causes. Le recours à l’imagerie médicale, notamment la tomodensitométrie, est essentiel pour
diagnostiquer et suivre ces pathologies. Toutefois, le diagnostic manuel reste complexe, long et
soumis à l’expertise humaine, ce qui a motivé le recours à des outils de diagnostic assisté par
ordinateur pour améliorer la rapidité et la précision du processus de détection, notamment des
petites tumeurs hépatiques.
Dans cette thèse, nous avons proposé des approches basées sur l’apprentissage
automatique et l’apprentissage profond pour automatiser la segmentation du foie et des tumeurs
hépatiques, ainsi que pour classifier les cas entre malades et non-malades. Une base de données
a été constituée à partir de 784 images médicales (370 patients, 414 non-patients) et 235 images
de tumeurs annotées. Plusieurs techniques de segmentation ont été utilisées, telles que le modèle
de Rayleigh, le mélange gaussien et le flux vectoriel de gradient, pour obtenir des masques
précis du foie et des lésions cancéreuses.
Deux modèles de deep learning ont été développés : DDA-UNET et ASD-UNET, dérivés
du modèle ASU-Net. Ces modèles ont été entraînés et testés sur les bases de données ACC-
BATNA2022 et LITS2017. Les résultats obtenus montrent une nette amélioration des
performances, avec des taux de précision atteignant jusqu’à 99,45 % pour la segmentation du
foie et des tumeurs, dépassant les performances de modèles existants comme UNET, UNET++
et ASU-NET. Ces résultats confirment l’apport significatif des techniques d’apprentissage
profond dans l’amélioration du diagnostic assisté du cancer du foie.
