Early-Stage Lung Cancer Detection Using Deep Learning Algorithms

Le cancer du poumon demeure la principale cause de mortalité liée au cancer dans le monde, et sa détection précoce est essentielle pour améliorer les taux de survie des patients. Les systèmes d’aide au diagnostic assisté par ordinateur (CAD), alimentés par l’apprentissage profond (DL), offrent des outils prometteurs pour aider les radiologues à identifier les nodules pulmonaires à un stade précoce. Cependant, des défis tels qu’une sensibilité limitée aux petits nodules, un taux élevé de faux positifs, un manque d’interprétabilité et des inefficacités computationnelles continuent de freiner leur adoption clinique à grande échelle. Cette thèse présente une série de contributions basées sur l’apprentissage profond visant à relever ces défis et à améliorer l’efficacité de la détection précoce du cancer du poumon. La recherche est structurée selon quatre axes principaux : l’amélioration de la sensibilité, la réduction des faux positifs, l’efficacité computationnelle et l’interprétabilité clinique. Dans ce cadre, quatre nouvelles architectures de détection sont proposées et évaluées. Premièrement, un mécanisme amélioré de propositions de régions est introduit en modifiant les couches d’extraction de caractéristiques de VGG16, ce qui améliore le rappel pour les petits nodules. Deuxièmement, un réseau de neurones convolutif multi-échelle optimisé (OMS-CNN) est développé à l’aide de stratégies métaheuristiques — Harmony Search et Beetle Antennae Search — pour une configuration et une initialisation efficaces des couches. Troisièmement, ce cadre est étendu avec des modules à double attention, un mécanisme DARoIPooling et des ensembles de Transformers Swin 3D afin de réduire les faux positifs tout en maintenant la sensibilité. Enfin, un modèle hybride interprétable est proposé, intégrant des connaissances anatomiques issues d’un U-Net préentraîné dans le flux CNN, améliorant à la fois la précision diagnostique et la transparence. Tous les modèles sont rigoureusement évalués à l’aide de jeux de données de référence tels que LUNA16 et PN9. Les résultats montrent des améliorations constantes du score CPM, de la sensibilité à des taux de faux positifs cliniquement pertinents et de la généralisation entre ensembles de données. Des études d’ablation confirment la contribution de chaque amélioration architecturale. Notamment, le modèle final atteint un score CPM de 0,9112 sur LUNA16 et démontre une forte capacité de généralisation sur PN9, soulignant son potentiel clinique. Cette thèse se conclut par l’identification de limitations clés, telles que la diversité des données et les changements de domaine, et propose des pistes futures, notamment l’intégration de techniques avancées d’intelligence artificielle explicable. Collectivement, les contributions de v ce travail posent les bases de systèmes CAD précis, interprétables et déployables, favorisant leur intégration dans les flux cliniques courants et contribuant à l’amélioration des résultats pour les patients.