Segmentation automatique des régions d'intérêt dans des images réelles

Abstract

Cette thèse porte sur la segmentation automatique des régions d’intérêt dans des images réelles, avec une application spécifique à la détection des lésions cutanées. Nous proposons une architecture de segmentation basée sur U-Net améliorée par un encodeur ResNet50V2, une stratégie d’augmentation avancée et une fonction de perte hybride Dice + BCE. Le modèle a été évalué sur le dataset PH2 puis testé sur un jeu de données externe (ISIC 2016) afin d’analyser sa robustesse et sa capacité de généralisation. Les résultats obtenus montrent des performances élevées en segmentation, surpassant plusieurs méthodes traditionnelles et modèles profonds de référence. Les analyses menées, incluant une étude d’ablation et une comparaison complète avec l’état de l’art, confirment l’efficacité du modèle proposé pour la segmentation précise des lésions cutanées dans des conditions réelles.