Soutenance de thèse de doctorat de Dorsaf HRIZI

Soutenance de thèse de doctorat, le mercredi 13 mai 2026, à l’Amphithéâtre Ibn Khaldoun, SUP'COM 2.

Intitulé : Détection du cancer des poumons à travers les scanners en utilisant l'intelligence artificielle.

Présentée par : Dorsaf HRIZI

  Membres de jury :

Résumé

La détection précoce du cancer du poumon constitue un enjeu majeur de santé publique en raison de son taux de mortalité élevé et de la complexité de son diagnostic à partir des images médicales. L’imagerie pulmonaire, en particulier la tomodensitométrie (CT-scan), joue un rôle essentiel dans l’identification des nodules pulmonaires, toutefois l’analyse manuelle reste fastidieuse, subjective et sujette à des erreurs. Dans ce contexte, le développement de systèmes automatiques d’aide au diagnostic est devenu un axe de recherche prioritaire.

Cette thèse vise à proposer un système automatique de détection et de classification du cancer du poumon à partir d’images pulmonaires, en combinant des approches traditionnelles de traitement d’images, des techniques d’apprentissage profond et des architectures récentes basées sur les Transformers. Dans un premier temps, une méthode de détection reposant sur des techniques classiques est développée. Elle combine l’algorithme de segmentation Watershed avec l’algorithme d’optimisation Artificial Bee Colony afin d’extraire des caractéristiques pertinentes décrivant les régions suspectes des images pulmonaires.

Dans un second temps, des approches basées sur les réseaux de neurones convolutifs (CNN) et l’apprentissage par transfert (Transfer Learning) sont exploitées pour la classification des images pulmonaires, permettant d’améliorer les performances de reconnaissance en tirant parti de modèles pré-entraînés. Par la suite, des architectures plus avancées basées sur les Transformers sont étudiées. Le Vision Transformer (ViT) est d’abord utilisé pour l’extraction des caractéristiques, suivi d’un classificateur SVM afin de discriminer les nodules bénins et malins. Enfin, une approche plus robuste basée sur le Swin Transformer est proposée pour l’extraction hiérarchique des caractéristiques, couplée à l’algorithme XGBoost pour la classification.

Les performances des différentes approches proposées sont évaluées sur des bases de données d’images pulmonaires à l’aide de métriques standards telles que la précision, le rappel, la spécificité, le score F1 et l’aire sous la courbe ROC (AUC). Les résultats expérimentaux démontrent l’efficacité des méthodes basées sur les Transformers, en particulier le Swin Transformer, qui surpasse les approches traditionnelles en termes de robustesse et de précision de classification. Cette thèse met ainsi en évidence l’apport significatif des architectures Transformers pour la détection automatique du cancer du poumon et ouvre de nouvelles perspectives pour les systèmes d’aide au diagnostic médical.

Mots-clés :

 Cancer du poumon, Tomodensitométrie (CT), Apprentissage profond, Transformers, Transfert d’apprentissage, apprentissage automatique.