Laboratoire de Génie Informatique et d’Automatique de l’Artois

Dans le domaine des soins de santé modernes, les méthodes d’apprentissage profond ont suscité un intérêt considérable pour l’analyse de l’imagerie médicale au cours des dernières années, donnant des résultats fiables dans diverses tâches de segmentation en s’appuyant fortement sur une grande quantité d’échantillons annotés. Cependant, l’acquisition de ces échantillons reste une ressource rare et difficile à obtenir dans plusieurs domaines médicaux, en particulier en obstétrique et en gynécologie, ce qui limite la capacité des modèles d’apprentissage profond à généraliser efficacement sur des ensembles de données inédits. De plus, les ensembles de données médicales réels sont souvent confrontés à des problèmes de qualité et à des classes déséquilibrées, ce qui pose des difficultés d’optimisation et affecte les performances des modèles d’apprentissage profond, entraînant un surajustement et une efficacité limitée. Par conséquent, dans cette thèse, nous avons mis en œuvre et évalué deux types de méthodologies différentes : deux avec le modèle U-Net classique et une troisième avec une méthode hybride combinant des couches convolutives et des mécanismes d’attention (modèle SegFormer) appliquée à un ensemble de données de segmentation de la tête fœtale afin d’étudier leur comportement et la manière dont chaque méthodologie relève les défis liés à l’optimisation et aux données. Alors que la structure inhérente des méthodes basées sur U-Net résout le problème du déséquilibre des classes grâce à un traitement détaillé et à des connexions de saut, nous avons amélioré les performances des deux modèles U-Net de base en adoptant des stratégies modernes d’amélioration des données. D’autre part, le modèle SegFormer a été optimisé au niveau algorithmique afin d’atténuer les distributions inégales des classes. Nous avons également appliqué l’apprentissage par transfert afin de réduire les ressources de calcul importantes nécessaires à l’entraînement des méthodes basées sur les Transformers. Les méthodologies proposées améliorent considérablement l’efficacité et la robustesse des modèles, et permettent d’obtenir des performances significatives par rapport aux études existantes dans la littérature.