Fusion d’images médicales multimodale par le deep learning

Abstract

Le domaine du traitement de l'image évolue rapidement, stimulé par les avancées technologiques en information et communication. En médecine, cette évolution a transformé les pratiques diagnostiques grâce à l'imagerie médicale, permettant une exploration détaillée des organes humains. Cependant, cela génère une immense quantité de données d'imagerie, posant des défis d'intégration et d'interprétation. La fusion multimodale, essentielle en imagerie médicale, combine des images issues de différentes techniques (IRM, TDM, TEP) pour créer une image fusionnée intégrant des caractéristiques anatomiques et fonctionnelles distinctes, visant à améliorer la précision diagnostique et la prise en charge thérapeutique. Cette approche présente des défis, notamment en termes de synchronisation et de cohérence des images. Dans ce contexte, notre étude a développé une méthode de fusion basée sur des techniques d'apprentissage profond, simplifiant et accélérant l'intégration des images de sources diverses en une seule image composite. Cette approche a été rigoureusement évaluée à travers des analyses qualitatives et quantitatives, incluant une évaluation par des experts médicaux. Les résultats démontrent que notre algorithme améliore significativement la qualité et l'utilité des images fusionnées pour le diagnostic médical. Mots-clés : Imagerie médicale, Apprentissage profond, fusion multimodale, diagnostic précis, IRM, TDM, TEP.