Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

La segmentation d’images médicales est une étape clé pour l’analyse clinique, mais elle reste difficile à automatiser de façon fiable, notamment en raison de la diversité des modalités d’imagerie, de la variabilité anatomique et du manque de données annotées. Historiquement, cette tâche a été abordée à l’aide de réseaux spécialisés entraînés sur un jeu de données donné, ce qui limite souvent leur capacité de généralisation. L’arrivée de SAM (Segment Anything Model) a marqué un tournant en proposant un modèle de segmentation guidé par des prompts, capable de segmenter des objets variés sans entraînement spécifique. Toutefois, appliqué tel quel en imagerie médicale, SAM montre des limites, ce qui a motivé plusieurs travaux récents visant à l’adapter à ce domaine.

Le projet présenté dans ce mémoire s’inscrit dans cette dynamique et propose une approche d’adaptation paramètre-efficiente de SAM, nommée H-SAM, basée sur l’intégration d’adaptateurs Hadamard dans l’encodeur d’images. Cette stratégie vise à spécialiser le modèle aux tâches de segmentation médicale tout en limitant fortement le nombre de paramètres à entraîner, afin de réduire les coûts de calcul et les besoins mémoire. Dans le cadre de ce travail, H-SAM est évalué sur plusieurs jeux de données publics représentatifs de contextes médicaux différents (lésions cutanées, nodules thyroïdiens, structures du fond d’oeil). Les performances sont analysées quantitativement à l’aide des métriques IoU et Dice, et complétées par des visualisations qualitatives sous forme d’overlays et de cartes d’erreur, afin d’interpréter plus finement le comportement du modèle et la qualité des segmentations produites. Les résultats montrent que H-SAM permet d’obtenir des performances compétitives tout en n’entraînant qu’environ 0,16 million de paramètres, soit un coût d’adaptation nettement inférieur à celui des approches d’adaptation existantes.