Etudiant : EL JARI NASSIMA

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. RAMADAN HIBA

Annèe : 2025

Résumé : Le présent travail s’inscrit dans le cadre de mon projet de fin d’études, réalisé au terme de la formation en Master « Big Data Analytics & Smart Systems », au sein de la Faculté des Sciences Dhar El Mahraz à Fès. Il marque l’aboutissement d’un parcours riche en apprentissages et en expériences. Ce travail s’inscrit dans le domaine de la segmentation d’images médicales, avec pour objectif principal de développer un modèle intelligent capable d’aider les professionnels de santé dans le diagnostic visuel de certaines maladies à partir d’images échographiques ou dermoscopiques. Le modèle utilisé, basé sur l’architecture CA-Net, repose sur l’intégration de mécanismes d’attention qui permettent au réseau de mieux se concentrer sur les régions importantes de l’image. Ce type de réseau est particulièrement utile dans des contextes où les anomalies sont subtiles, diffuses ou de formes variées, comme c’est souvent le cas dans les lésions cutanées ou les examens d’imagerie chez les femmes enceintes. Grâce à cette approche, le modèle peut mettre en évidence automatiquement les zones suspectes, facilitant ainsi l’interprétation pour le médecin. Ce système ne remplace pas l’avis médical, mais agit comme un outil d’aide à la décision, capable de soutenir la lecture des images et d’orienter le diagnostic, notamment pour les tumeurs cutanées ou pour la détection d’anomalies chez la femme enceinte. Pour entraîner ce modèle, nous avons utilisé un jeu de données contenant 2 596 images médicales. Ces images ont permis de construire un réseau capable d’apprendre à reconnaître des structures anormales, et ainsi de détecter les cas potentiels de tumeurs cutanées à partir d’exemples visuels. En résumé, ce travail vise à mettre en place un système de diagnostic assisté par intelligence artificielle qui renforce la précision et la rapidité d’analyse dans des contextes cliniques réels, tout en conservant une dimension explicable, essentielle pour une adoption en milieu médicale