U-net : réseau neuronal convolutionnel pour la segmentation63 f

Abstract

Ce mémoire explore l'application des techniques d'apprentissage profond—en particulier les réseaux de neurones convolutionnels (CNN)—à la segmentation d'images médicales. L'accent principal est mis sur la mise en oeuvre d’un modèle U-Net pour la segmentation automatique des vaisseaux sanguins rétiniens à partir du jeu de données DRIVE. Après avoir exploré les fondements du deep learning et les méthodes classiques de segmentation, l’étude détaille l’architecture U-Net, son entraînement, et son évaluation. Le modèle atteint une précision de 96 %, montrant une capacité robuste à détecter les structures vasculaires principales, bien que des limites subsistent pour les capillaires fins. Ce travail confirme l’efficacité de U-Net dans les tâches de segmentation médicale et propose des pistes pour améliorer ses performances futures This thesis explores the application of deep learning techniques—particularly convolutional neural networks (CNNs)—to medical image segmentation. The main focus is on implementing a U-Net model for the automatic segmentation of retinal blood vessels using the DRIVE dataset. After examining the fundamentals of deep learning and classical segmentation methods, the study details the U-Net architecture, its training process, and its evaluation. The model achieves an accuracy of 96%, demonstrating strong capability in detecting major vascular structures, although some limitations remain with fine capillaries. This work confirms the effectiveness of U-Net in medical segmentation tasks and suggests avenues for improving its future performance.