UPmémoires

• Français

Français

Développement et évaluation d'une intelligence artificielle basée U-Net pour la segmentation 2D automatique de méningiomes en IRM

Les méningiomes sont des tumeurs intracrâniennes majoritairement bénignes, dont le suivi repose principalement sur l'imagerie par résonance magnétique. La segmentation précise de ces tumeurs sur les images IRM est cruciale pour évaluer leur taille et leur évolution. Cependant, les méthodes de segmentation manuelles peuvent être fastidieuses et sujettes à des variations inter-observateurs. Cette thèse propose le développement et l'évaluation d'un modèle de segmentation automatique basé sur l'architecture U-Net pour la délimitation des méningiomes sur des images IRM pondérées en T1 avec injection de gadolinium.

Plusieurs modèles U-Net avec différentes configurations de paramètres structurels et d'entraînement ont été entraînés, en utilisant un jeu de données d'IRM publiques de patients atteints de méningiomes. La performance des modèles a été évaluée à l'aide du score de DICE, comparant les segmentations prédictives du modèle à des segmentations manuelles de référence. Les résultats montrent qu'un modèle U-Net avec un kernel de taille 5x5 et une fonction de coût Tversky Loss paramétrée avec un α = 0,5 a atteint le meilleur score de DICE, avec une moyenne de 0,898.

Cette étude met en évidence le potentiel des modèles U-Net pour la segmentation automatique des méningiomes, malgré certaines limites, notamment l'utilisation d'images 2D qui ne permet pas d'obtenir une volumétrie complète des tumeurs. L'évolution de ces méthodes réside dans l'intégration de techniques de segmentation 3D et l'exploitation de données multimodales, dans le but d'améliorer la précision diagnostique et de standardiser le suivi par imagerie.

Mots-clés libres : Méningiome, IRM, segmentation, U-Net, Tversky Loss.

Rameau (langage normalisé) :
• Méningiome -- Imagerie par résonance magnétique
  
• Intelligence artificielle en médecine