Abstract:
L’Organisation Mondiale de la Santé (OMS) reporte le cancer colorectal (CRC) comme
le troisième cancer en Algérie et la troisième cause de décès par cancer dans le monde.
Les cas de CRC impliquent souvent un adénocarcinome colorectal (ARC), qui peut être
classé en grades 1 à 4 selon les critères de Broder.
Bien que l’examen des lames au microscope (analyse histopathologique) soit le meilleur
moyen pour les médecins de différencier les types de cancer du côlon, il s’agit d’une tâche
difficile, en particulier pour les cancers de bas grade difficiles à diagnostiquer. Cette com-
plexité peut rendre le diagnostic long et conduire à un diagnostic erroné. Par conséquent,
les ordinateurs deviennent de plus en plus utiles pour alléger la charge de travail des
médecins.
Les images médicales sont de nature complexe, ce qui les rend difficiles à analyser et
à segmenter. Dans cette étude, nous proposons d’utiliser des techniques de segmentation
d’images par apprentissage profond : Mask R-CNN pour prédire les masques d’instance
pour chaque glande dans les images histologiques. Nous appliquns ensuite l’algorithme
de bassin versant pour gérer les masques de glandes prédits qui se chevauchent. Cette
approche produisent de bons résultats sur l’ensemble de données GlaS, avec un score F1
de 0,87, un coefficient Dice de 0,86 et un IoU de 0,78. Malgré les résultats prometteurs,
nous avons confrontée à des défis, tels que les lourdes exigences de calcul du modèle
Mask R-CNN, ce qui a rendu l’entraînement long, et la disponibilité limitée des images
histologiques du CRC.
