Apprentissage neuronal profond pour la détection du mélanome

Le mélanome est un problème majeur de santé publique. Sa détection précoce est le moyen efficace pour réduire son taux de mortalité. Néanmoins, la détection manuelle des mélanomes est un processus chronophage, et le manque de dermatologues rend difficile un dépistage large et régulier de la population. Il est donc souhaitable d'investir des efforts de recherche dans le développement de systèmes automatiques de diagnostic pouvant aider les cliniciens dans cette tâche. Ces dernières années, l' apprentissage profond a permis de développer de tels systèmes atteignant des performances de diagnostic comparables à celles des dermatologues. Malgré ces résultats prometteurs, des problématiques freinent leur utilisation en contexte clinique réel. Premièrement, les lésions cutanées présentent un degré élevé de similarité, ce qui fait de leur classification automatique une tâche complexe. Deuxièmement, les jeux de données de lésions présentent une distribution asymétrique créant ainsi un biais lors de l'apprentissage des modèles. Troisièmement, le processus d'inférence des réseaux neuronaux est complexe et rend leur processus de décision difficile à comprendre pour les dermatologues.L' objectif de ce travail est de contribuer à l'expansion des systèmes automatiques de diagnostic en contexte clinique réel. Pour cela, nous avons premièrement proposé une méthode ensembliste capable d'améliorer les performances de diagnostic du Mélanome. La méthode consiste à agréger plusieurs modèles binaires à l'aide d'un graphe acyclique dirigé. Ensuite, nous nous sommes intéressés au déséquilibre des classes et avons proposé une méthode d'apprentissage visant à rendre nos modèles robustes à ce problème. Elle consiste à initialiser l'apprentissage du modèle avec une fonction de coût L f capable de guider le modèle vers une meilleure représentation des caractéristiques. Puis, une variante pondérée de L f est utilisée pour affiner le réseau pré-entraîné et l'aider à mieux discriminer les classes minoritaires parmi les majoritaires. Finalement, préoccupé par la problématique d'explicabilité des réseaux de neurones, nous avons proposé une architecture, inspirée de la théorie des jeux, capable à la fois d'améliorer les performances de détection des systèmes de diagnostic existants et d'apporter plus de clarté dans leur processus de décision. L'architecture est constituée de sept réseaux de neurones convolutifs assimilés à des joueurs. La stratégie des joueurs consiste tout d'abord à regroup