Analyse des prétraitements IRM pour un diagnostic de l’Alzheimer par l’IA

Contexte :

La maladie d’Alzheimer est l’une des pathologies neurodégénératives les plus répandues dans le monde, dont le diagnostic précoce repose largement sur l’analyse des IRM cérébrales.

Problématique :

Les systèmes de diagnostic automatique par intelligence artificielle souffrent de plusieurs limitations :

* les performances varient fortement selon le type de prétraitement appliqué aux images,
* les modèles peuvent apprendre des régions non diagnostiques comme le crâne ou les artefacts,
* la généralisation reste difficile sur des données médicales limitées.

Objectifs :

L’objectif du projet est de comparer trois stratégies de prétraitement des IRM cérébrales — image brute, segmentation de la matière grise et suppression du crâne — afin d’identifier la plus performante pour le diagnostic automatique de la maladie d’Alzheimer.

Méthodologie :

L’étude repose sur deux phases principales:

1. La première concerne le prétraitement des IRM à partir de la base MIRIAD, en appliquant trois stratégies distinctes : utilisation directe de l’image brute, isolation de la matière grise par segmentation d’intensité, et suppression du crâne suivie par amélioration du contraste via CLAHE.
2. La seconde phase consiste en une classification AD/HC par apprentissage par transfert, évaluée par validation croisée stratifiée afin d’assurer des résultats robustes et généralisables.

Résultats :

Les résultats montrent que le prétraitement influence significativement les performances de classification, avec un écart notable entre l’image brute et les stratégies plus ciblées, confirmant l’importance du choix du prétraitement dans les systèmes de diagnostic médical assisté par IA.

Conclusions :

Cette étude démontre que la qualité du prétraitement est un facteur déterminant pour le diagnostic automatique de la maladie d’Alzheimer. L’élimination de la partie du crâne s’avère la stratégie la plus efficace, ouvrant la voie à des systèmes de diagnostic assisté par IA plus fiables et cliniquement adaptés.