Improving healthcare systems using deep learning techniques

Abstract

la classification précise des images constitue une pierre angulaire du diagnostic médical moderne, permettant aux professionnels de santé d’extraire des informations significa- tives à partir de divers types d’imagerie médicale. En particulier, l’identification des anomalies dans les IRM joue un rôle crucial dans la détection précoce et la planifica- tion du traitement des pathologies cérébrales. Ce mémoire présente un système basé sur l’apprentissage profond visant à améliorer le diagnostic des tumeurs cérébrales à travers l’analyse d’images IRM haute résolution. L’approche proposée utilise un ensemble de données composé de 5 000 images IRM multimodales, dont 2 000 étiquetées comme saines et 3 000 comme atteintes de tumeurs. Ces images proviennent de sources médicales diverses et crédibles, et ont été optimisées afin d’assurer une haute qualité et une pertinence diagnostique. Une architecture de réseau de neurones convolutifs (CNN) constitue le cœur du système, en raison de ses performances élevées dans les tâches de classification d’images. De plus, des réseaux an- tagonistes génératifs (GAN) ont été utilisés pour augmenter artificiellement l’ensemble de données en générant des images IRM réalistes, renforçant ainsi la capacité d’apprentissage du système. Les résultats expérimentaux indiquent que le système proposé atteint une précision de classification élevée, démontrant l’efficacité de la combinaison des CNN, de l’augmentation de données et des GAN. Ces résultats mettent en lumière le potentiel des techniques d’apprentissage profond pour soutenir et améliorer les systèmes de santé grâce à des outils diagnostiques fiables et efficaces