Apprentissage profond pour la segmentation d’images médicales : Contribution à la stabilité des modèles GAN

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur EL MANSOURI Omar, soutiendra une thèse de Doctorat intitulée : «Apprentissage profond pour la segmentation d’images médicales : Contribution à la stabilité des modèles GAN ».

La soutenance publique aura lieu le Jeudi 21 Mai 2026 à 10h00 à la Salle Polyvalente de la Faculté des Sciences et Techniques de Béni Mellal, devant le jury composé de :

• Monsieur Mohamed BASLAM : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Président ;

• Monsieur Yassine SADKI : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Cadi Ayyad, Rapporteur ;

• Monsieur Youssef SAADI: Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur Hicham ZOUGAGH : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur Abdessamad EL BOUSHAKI: Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Cadi Ayyad, Examinateur ;

• Monsieur Yousef EL MOURABIT: Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse ;

Résumé: 

La segmentation des images médicales constitue une étape essentielle dans de nombreuses applications cliniques, notamment le diagnostic assisté, la planification thérapeutique et le suivi des pathologies. Les approches récentes basées sur l’apprentissage profond ont permis d’atteindre des performances remarquables grâce à l’exploitation de vastes bases de données annotées. Toutefois, malgré ces avancées, la stabilité et la robustesse des modèles de segmentation demeurent des défis majeurs, face perturbations, aux variations des données et aux attaques adversariales. Cette thèse propose un système basé sur l’apprentissage profond visant à améliorer la segmentation des images médicales. Les travaux visent a renforcer la stabilité et la robustesse des réseaux neuronaux profonds face aux perturbations et aux attaques adversariales susceptibles d’altérer leurs performances. Dans un premier temps, une contribution a été apportée à la segmentation des images médicales par l’exploitation des réseaux antagonistes génératifs (GANs) dans leur formulation classique. Cette approche a permis d’évaluer le potentiel des modèles génératifs pour améliorer la qualité de la segmentation. Cependant, les résultats expérimentaux ont mis en évidence plusieurs limitations, notamment l’instabilité marquée lors de la phase de test. Ces limitations se traduisent par l’apparition d’artefacts indésirables ainsi que par des contours de segmentation imprécis, ce qui affecte la fiabilité des résultats obtenus. L’objectif principal de cette thèse est d’améliorer simultanément la stabilité du processus d’apprentissage et la précision des résultats de segmentation. Dans cette optique, une nouvelle approche est proposée, intégrant les transformées en ondelettes au modèle de segmentation basé sur l’apprentissage profond et les réseaux antagonistes génératifs. L’intégration des ondelettes permet d’exploiter efficacement les informations multi-échelles et d’améliorer la représentation des structures spatiales complexes présentes dans les images médicales. Les expérimentations menées démontrent que cette combinaison contribue significativement au renforcement de la robustesse du modèle, tout en améliorant la qualité de la segmentation. Les résultats obtenus mettent en évidence une meilleure préservation des détails anatomiques ainsi qu’une réduction notable des artefacts, confirmant l’intérêt et la pertinence de cette approche pour des applications médicales sensibles, ouvrant la voie au développement de systèmes plus fiables et mieux adaptés aux contraintes cliniques.

Mots clés : Neural network, Deep learning, Segmentation, Generative Adversarial Networks, Medical Image, Wavelet Transforms.