Classification binaire des images médicales CT Scan pulmonaires; cas d’étude : Nodulaire et Non Nodulaires.

Abstract

Ce mémoire s’intéresse à la classification binaire des images médicales CT scan thoraciques, avec une focalisation spécifique sur la distinction entre le tissu pulmonaire nodulaire localisé et le tissu pulmonaire non nodulaire localisé. Cette tâche est particulièrement importante dans le cadre du dépistage précoce des nodules pulmonaires, souvent associés à des maladies graves telles que le cancer du poumon. Face aux limites des approches globales classiques — déséquilibre des classes, similarité texturale, et coûts computationnels élevés — nous avons proposé une stratégie locale, plus ciblée, permettant de concentrer le processus d’analyse sur les zones d’intérêt uniquement. Pour cela, nous avons développé une application nommée SANADv1, capable d’extraire automatiquement les régions pertinentes des images CT. Ensuite, trois modèles de réseaux de neurones convolutifs (CNN) ont été testés : ResNet50, MobileNetV3 et ConvNeXt, chacun entraîné avec les optimiseurs Adam, SGD et RMSprop. Les expériences ont été réalisées sur Google Colab avec GPU Tesla T4, en utilisant un sousensemble d’images de la base LIDC-IDRI, converties en format PNG et normalisées. La meilleure performance a été obtenue avec le modèle ConvNeXt optimisé par RMSprop, atteignant une précision de validation de 91 %. Ce résultat valide l’efficacité de notre approche locale pour la classification fine des images nodulaires.