Système intelligent d’aide à la détection et au diagnostic des nodules pulmonaires sur scanner CT

Abstract

The late detection of pulmonary nodules significantly increases the mortality risk associated with lung cancer. It is therefore essential to have computer-aided diagnosis tools enabling early and accurate identification of these nodules. As part of our final year project (FYP), we propose a comprehensive computer-aided diagnosis solution based on the combination of three three-dimensional deep learning models. Our main contribution consists of integrating the 3D Swin Transformer into the TiCNet architecture, which allowed us to improve its performance and achieve a CPM score of 92.28%, compared to 90% on the LUNA16 dataset. In order to provide a more complete analysis, this detection module is combined with a 3D ResNet50 model dedicated to nodule malignancy assessment (AUC of 0.89), as well as a 3D Attention U-Net decoder ensuring their voxel-by-voxel segmentation (Dice score of 0.83). All of these models are integrated within a clinical web platform offering a complete workflow, from DICOM study importation to interactive three-dimensional visualization and automated medical report generation. The results obtained demonstrate the potential of this solution as a reliable decision-support tool, capable of assisting radiologists in the early screening and management of lung cancer.***

La détection tardive des nodules pulmonaires augmente considérablement le risque de mortalité lié au cancer du poumon. Il devient donc essentiel de disposer d’outils d’aide au diagnostic permettant une identification précoce et précise de ces nodules. Dans le cadre de notre projet de fin d’études (PFE), nous proposons une solution complète d’aide au diagnostic, fondée sur la combinaison de trois modèles tridimensionnels d’apprentissage profond. Notre contribution principale consiste en l’intégration du Swin Transformer 3D au sein de l’architecture TiCNet(Transformer in Convolutional Neural Network), ce qui nous a permis d’améliorer ses performances et d’atteindre un score CPM de 92,28 %, contre 90 % sur la base de données LUNA16. Afin de fournir une analyse plus complète ce module de détection est associé à un modèle ResNet50 3D dédié à l’évaluation de la malignité des nodules (AUC de 0,89), ainsi qu’à un décodeur Attention U-Net 3D assurant leur segmentation voxel par voxel (Dice score de 0,83). L’ensemble de ces modèles est intégré au sein d’une plateforme web clinique offrant un flux de travail complet, depuis l’importation des examens DICOM jusqu’à la visualisation tridimensionnelle interactive et la génération automatisée de rapports médicaux. Les résultats obtenus démontrent le potentiel de cette solution en tant qu’outil d’aide à la décision fiable, capable d’assister les radiologues dans le dépistage précoce et la prise en charge du cancer du poumon.