INTRODUCTION GENERALE
1. Contexte et Motivation.
La technologie se développe rapidement et nous la
trouvons dans tous les secteurs dans le monde. Elle permet à l'homme
d'ouvrir de larges horizons dans la recherche et l'exploration. Par exemple ;
elle a été utilisée dans le développement de la
numérisation dans différents domaines, le développement de
l'éducation, la médecine et d'autres domaines (Clayton, 2019).
L'utilisation de l'intelligence artificielle, de la robotique
et des technologies connexes dans le domaine de la santé, annonce une
révolution majeure dans le domaine de la médecine. Ces nouvelles
technologies interviennent dans l'aide au diagnostic « intelligence
artificielle », aux actes techniques « robotique chirurgicale »,
à la consultation « télémédecine », aussi
la révolution des « Micro-Robots » circulants injectés
dans le sang et capables d'atteindre les endroits les plus reculés du
corps humain. Cette évolution indique un brillant avenir pour la
médecine face à diverses maladies incurables (Géron,
2017).
A ce titre, on s'intéresse à un problème
de santé publique majeur : le cancer de la peau de type mélanome.
En effet, depuis quelques années, l'incidence du mélanome ne
cesse d'augmenter dans tous les pays du monde. D'après l'Organisation
Mondiale de la Santé (OMS) 130 000 cas de mélanomes sont
enregistrés dans le monde pour l'année 2020. (Sung et al.,
2021).
Le mélanome est le cancer de la peau le plus dangereux,
il peut se propager rapidement à d'autres parties du corps s'il n'est
pas détecté et traité tôt. Le mélanome
à son état primaire est difficile à détecter. En
effet, à son état précoce, la lésion maligne
présente peu de signes de malignité et peut être,
facilement, confondu à une lésion bénigne.
Vu les difficultés d'identification par les
méthodes manuelles classiques, telles que la règle ABCD
(Asymmetry, Border Irregularity, Colour and Dermoscopic
structure) [Nachbar et al., 1994], CASH (Combined
Algorithm Selection and Hyperparameter) [Henning et al., 2007] et
seven-point checklist [Argenziano et al., 2011] qui sont des examens cliniques
longs et ne constituent pas une solution efficace au vu du nombre important de
cas suspects. Un dermatologue peut prendre beaucoup de temps pour n'examiner
qu'un nombre limité de patients.
P a g e | 13
Il est donc nécessaire de développer un
système automatique, rapide et efficace de discrimination des tumeurs
malignes des tumeurs bénignes à un stade précoce. Un tel
système permet de détecter des caractéristiques peu
discernables à l'oeil nu ce qui augmente les chances de discrimination
et permet un diagnostic sur une large population en un temps réduit.
Avec l'arrivée de machine Learning et du Deep Learning
(les domaines d'étude de l'Intelligence Artificiel), les outils
informatiques s'appliquent régulièrement dans le domaine de
santé comme soulignés ci - haut, mais aussi, dans le souci de
résorber l'incidence de mortalités causé par le cancer de
la peau, soit 8,8 millions de personnes en 2015 selon le rapport de
l'organisation mondiale de santé (Who, 2018) et en tenant compte de la
faible démographique des « dermatologues », tout en sachant
que l'homme est appelé à vieillir puis disparaître et aussi
exposé à l'oubli, pour sauvegarder son expertise dans tel ou tel
domaine, on cherche à construire des modèles capables à
partir d'un bon nombre d'exemples (les données correspondant à
l'expérience passée) d'en assimiler afin d'appliquer ce qu'ils
ont appris aux cas non encore rencontrés lors de son apprentissage. Sur
ce, nous nous posons la question de savoir si ces méthodes permettent de
reconnaître la forme (image de malignité de la personne souffrant
du cancer de la peau de type mélanome à son état primaire)
à partir de la photographie de la peau.
Tenant compte du problème soulevé
précédemment, notre hypothèse consiste
à construire un modèle permettant de reconnaître des
formes, particulièrement les images de la malignité des gens
présentant les symptômes du cancer de la peau en vue d'aider les
corps médicaux de disposer l'arsenal thérapeutique médical
pour la prévenir et l'équilibrer, afin d'éviter les
complications qui en découlent et résorber définitivement
le taux de l'incidence de cas causé par cette maladie dangereuse.
Notre modèle est construit par l'une des
méthodes d'apprentissage supervisé qui est le réseau de
neurones, particulièrement le réseau de neurones à
convolution (CNN) car cette dernière a fait preuve
d'être l'une des méthodes la plus performante dans la
reconnaissance des formes particulièrement aux images vu leurs
résultats par rapport à d'autres méthodes. Notre
choix a été porté sur cette
méthode vue sa haute performance au regard d'autres méthodes de
la même famille, surtout dans le domaine de Deep Learning (ou
apprentissage profond).
En observant la faiblesse des autres méthodes de Deep
Learning, particulièrement le Perceptron Multi Couche
(PMC), il ne prend pas en compte la corrélation entre
les pixels d'une image, il est peu ou pas invariant à des
transformations de l'entrée, le réseau de neurones sont
complètement connectés,
P a g e | 14
c'est-à-dire que la valeur d'un neurone de couche
n va dépendre des valeurs de tous les neurones de la
couche n-1, ce qui augmente le nombre de connexions et le
nombre de paramètres à calculer, bref la complexité dans
le temps et dans l'espace trop importante.
Nous soulignons que ce travail est rédigé au
cours de l'année académique 2021 - 2022, n'a touché que la
reconnaissance des formes, particulièrement des images de
malignité des personnes souffrant du cancer de la peau de type
mélanome à son état primaire en utilisant le réseau
de neurones à convolution, car celui-ci a la capacité de traiter
des problèmes de reconnaissance des formes (images).
2. Méthode et Organisation du travail.
Ce travail s'est appuyé essentiellement sur la
technique documentaire et de simulation.
Ce travail de mémoire porte sur la construction d'un
modèle prédictif basé sur le réseau de neurones
profond pour la détection de Cancer de la peau. Notre travail est
organisé en quatre chapitres, hormis l'introduction et la conclusion
:
? Chapitre 1 :
Apprentissage automatique & Apprentissage profond. Au
début de ce chapitre, nous allons fournir un regard sur le domaine de
l'intelligence artificielle et ses différentes branches «
l'apprentissage automatique et l'apprentissage en profondeur », en
définissant ce domaine, ses branches et ses différentes
caractéristiques.
? Chapitre 2 :
Réseau de neurones à convolution. Ce
chapitre présente le succès du Deep Learning, l'architecture de
réseau de neurones à convolution, les algorithmes
d'apprentissage, etc.
? Chapitre 3 :
État de l'art sur les méthodes de segmentation & de
classification d'images. Ce chapitre fera un état de l'art
des différents algorithmes de segmentation et de classification des
lésions cutanées1.
? Chapitre 4 :
Implémentation & interprétation des
résultats. Ce chapitre présente le problème
à résoudre de ce travail, les différents outils y
intervenant, l'architecture retenue, interprétation des résultats
obtenus, ainsi que le déploiement de notre modèle dans une
application mobile ou web.
1 Lésions cutanées
: est un défaut situé à la surface de la peau
ou sous la peau.
? Le terme « Apprentissage automatique
» a été inventé par l'informaticien
Américain « Arthur Samuel », dans le
début de l'année 1959. Il a créé le
P a g e | 15
| 
