Conception d’un système à faible coût pour la détection et la classification des anomalies cutanées à l’aide detechniques d’apprentissage profond

Abstract

Ce travail s’inscrit dans le domaine de l’intelligence artificielle appliquée à la santé, plus précisément dans la détection assistée par ordinateur du cancer de la peau à partir d’images dermatologiques. L’objectif principal était de concevoir un système complet, intelligent et autonome permettant de détecter, localiser et classifier des lésions cutanées à l’aide de techniques d’apprentissage profond. Pour cela, le dataset ISIC 2019 a été utilisé pour entraîner deux modèles complémentaires : un modèle de classification binaire (lésions bénignes vs malignes), et un modèle de classification multi-classes (Mélanome, BCC, NV, etc.). Les performances obtenues sont très encourageantes, avec une AUC atteignant 94.91% pour la classification binaire et 99.41% pour la classification multi-classes. Parallèlement, un modèle YOLOv8 Nano a été intégré pour localiser automatiquement la zone de la lésion à partir d’images brutes, facilitant l’extraction ciblée des régions d’intérêt. Ces modèles ont été intégrés dans une application desktop reliée à une carte Raspberry Pi, ainsi qu’une version mobile optimisée avec TensorFlow Lite pour un diagnostic sur smartphone. Cette solution vise à offrir un outil accessible, autonome et fiable pour la détection précoce du mélanome, notamment dans les environnements médicaux à ressources limitées. Les perspectives incluent une validation clinique, l’intégration de la segmentation fine, et le suivi longitudinal des lésions.