Présentation du projet
Ce projet de recherche a été mené au plus fort de la pandémie de COVID-19, face au besoin urgent d'outils de diagnostic automatisés pour aider les soignants à repérer rapidement et précisément les infections sur les scanners pulmonaires. Il compare deux architectures d'apprentissage profond de référence, U-Net et SegNet, pour la segmentation sémantique des zones de tissu infecté.
Motivation
En 2021–2022, le diagnostic de la COVID-19 reposait largement sur l'imagerie scanner et son interprétation par des radiologues, ce qui créait plusieurs goulets d'étranglement :
- Pénurie de radiologues : peu d'experts pour analyser un grand volume d'examens
- Interprétation subjective : variabilité dans l'identification des zones infectées
- Pression temporelle : besoin d'un diagnostic rapide pour le triage
- Cohérence : la segmentation automatique garantit une extraction standardisée des caractéristiques
La segmentation automatique permet aux radiologues de travailler plus vite, de façon plus homogène et avec moins de fatigue.
Approche technique
Architectures d'apprentissage profond
U-Net
- Encodeur-décodeur avec connexions résiduelles (skip connections)
- Excellente localisation avec peu de données d'entraînement
- Conçue à l'origine pour la segmentation d'images biomédicales
- Contrepartie : empreinte mémoire plus importante
SegNet
- Encodeur-décodeur économe en mémoire
- Utilise les indices de pooling pour le suréchantillonnage (moins de calcul)
- Inférence plus rapide, moins de mémoire : adaptée à un déploiement clinique
- Contrepartie possible : précision fine légèrement inférieure
Données et entraînement
- Base internationale multicentrique de scanners (plus de 500 examens, patients et niveaux de sévérité variés)
- Annotations d'experts radiologues (vérité terrain)
- Augmentation de données poussée (rotation, déformation élastique, variation d'intensité)
- Validation croisée et métriques d'évaluation rigoureuses
Métriques d'évaluation
- Score de Dice (recouvrement entre zones prédites et vérité terrain)
- Intersection sur union (IoU)
- Sensibilité et spécificité (pertinence clinique)
- Efficacité de calcul (temps d'inférence, mémoire)
Résultats clés
U-Net obtient la meilleure précision de segmentation (Dice ≈ 0,92), tandis que SegNet offre une inférence plus rapide avec des performances proches (Dice ≈ 0,89). Recommandation selon le contexte : U-Net pour la recherche, SegNet pour le triage rapide.
Impact
Ce travail a été cité plus de 346 fois et a contribué à l'adoption clinique d'outils automatisés d'évaluation de la sévérité de la COVID-19.
Publications
Publié dans BMC Medical Imaging, 2021. Voir la page Publications pour la référence complète.
Ressources
- GitHub : COVID19-DL
- Données : scanners disponibles via Zenodo / IEEE DataPort (voir le README du dépôt)