Exploitation de la Segmentation d'Images en Échographie Mammaire dans le Diagnostic du Cancer du Sein

Abstract

Le diagnostic du cancer du sein repose aujourd’hui sur l’interprétation des images échographiques par des radiologues, souvent aidés par des systèmes d’aide à la décision. Cependant, la performance de ces systèmes dépend encore fortement de l’expérience humaine, notamment pour la sélection manuelle des régions d’intérêt. Pour réduire cette dépendance et améliorer la précision du diagnostic, nous avons développé dans ce projet un système automatisé de segmentation des tumeurs mammaires basé sur des réseaux de neurones convolutifs profonds (CNN), et plus particulièrement sur l’architecture U-Net. Notre travail s’est concentré sur la segmentation sémantique des lésions cancéreuses à partir d’images échographiques, en comparant les performances du modèle U-Net à celles de méthodes classiques telles que le Région Growing, le k-mans et les Contours Actifs. Le modèle U-Net a été entraîné sur un ensemble d’images échographiques annotées (437 bénignes et 210 malignes), et évalué selon plusieurs métriques (Dicey, Jaccard, Accourcie, F1-Score). Les résultats obtenus montrent une nette supériorité du U-Net avec des scores atteignant 0.98 pour le Dicey et 0.97 pour l’indice de Jaccard, surpassant largement les performances inconstantes des méthodes classiques, notamment dans le cas des tumeurs malignes à bords irréguliers. En plus de la segmentation, des caractéristiques morphologiques telles que l’aire, la circularité, La solidité ou l’excentricité ont été extraites, offrant une base pour une classification future des tumeurs. Ces résultats démontrent la robustesse de l’approche proposée et ouvrent des perspectives intéressantes pour l'intégration clinique, notamment en tant qu'outil d'aide au diagnostic ou au suivi évolutif des lésions mammaires.