Analyse d’images radiographiques pour le diagnostic de la gonarthrose

Abstract

La gonarthrose est une pathologie dégénérative articulaire répandue qui altère considérablement la qualité de vie des patients. Un diagnostic précoce et précis est essentiel pour une prise en charge thérapeutique optimale. Cette recherche propose une approche novatrice combinant l'analyse texturale avancée et les méthodes d'apprentissage profond afin de développer un système intelligent d'aide au diagnostic. Notre étude se concentre sur la classification de la gonarthrose en deux stades : KL-0 (sain) et KL-2 (modéré). En ciblant ces stades précoces, nous visons à améliorer le diagnostic initial et à favoriser des interventions opportunes avant que la maladie ne progresse vers des formes plus sévères. Pour l'extraction des caractéristiques, nous avons exploré plusieurs méthodes basées sur la texture, notamment l'histogramme des gradients orientés (HOG), les motifs binaires locaux (LBP), les caractéristiques de Tamura, les filtres de Gabor, la matrice de cooccurrence de niveaux de gris (GLCM) et la transformée en ondelettes discrète (DWT). Par ailleurs, nous avons évalué l'extraction de caractéristiques par apprentissage profond en exploitant des modèles préentraînés via l'apprentissage par transfert, tels que GoogLeNet, ResNet-101, DenseNet-201, SqueezeNet et AlexNet. Face à la disponibilité limitée des données en imagerie du genou, nous avons testé différentes stratégies d'augmentation de données, incluant des transformations classiques (rotation, translation) ainsi que des approches avancées basées sur l'apprentissage profond, telles que les modèles génératifs et les autoencodeurs. Nous avons également mis en œuvre diverses techniques de sélection des caractéristiques, combinant des méthodes traditionnelles d'apprentissage automatique, comme l'analyse en composantes principales (ACP) et Relief, avec des approches issues de l'apprentissage profond, telles que la distillation des connaissances (KD) et les mécanismes d'attention. Les méthodes proposées ont été validées sur l'ensemble de données OAI (Osteoarthritis Initiative). Nous avons évalué notre approche sur différentes zones d'intérêt afin d'identifier les régions les plus touchées par l'arthrose, permettant ainsi une meilleure compréhension de la progression de la maladie. La méthodologie développée a atteint une performance élevée avec AUC = 98,3%, démontrant son efficacité dans la détection de l'arthrose. Le principal apport de cette recherche est un cadre unifié intégrant l'analyse texturale et les modèles d'apprentissage profond afin d'améliorer la fiabilité et la précision du diagnostic de la gonarthrose. Nos résultats montrent une amélioration significative des performances diagnostiques par rapport aux approches existantes, offrant ainsi des perspectives prometteuses pour une détection plus précoce et des interventions thérapeutiques mieux ciblées