alzheimer's desease classification from MRI images

Abstract

Ce mémoire présente un pipeline d'apprentissage profond robuste pour la classification automatisée à trois classes de la maladie d'Alzheimer (MA), du déficit cognitif léger (DCL) et des sujets cognitivement normaux (CN) à partir d'IRM structurelles. Pour pallier les contraintes de calcul des modèles 3D et le manque de contexte spatial des approches 2D, nous proposons une architecture 2.5D DenseNet121 enrichie d'un module d'attention (CBAM). Le système s'appuie sur un prétraitement en 11 étapes appliqué à la base de données ADNI, convertissant les volumes IRM 3D en empilements de coupes 2.5D à 5 canaux. Évalué sur un ensemble de test rigoureusement séparé par sujet, le modèle atteint une précision globale de 83,8 % et un score F1 macro de 0,832, surpassant largement les modèles de référence 2D et 3D. Fait remarquable, le système démontre une forte fiabilité clinique en évitant toute erreur de classification catastrophique (MA vers CN). Ces résultats confirment que la combinaison du contexte inter-coupes 2.5D, de l'apprentissage par transfert et de l'attention spatiale offre un outil précis, efficace et cliniquement interprétable pour la stadification de la maladie d'Alzheimer