Amélioration des images diagnostiques pour optimiser les performances du Segment Anything Model dans la segmentation d'images médicales

L'imagerie médicale constitue un outil crucial dans le diagnostic actuel du cancer. Cependant, la qualité des images médicales est souvent compromise afin de minimiser les risques potentiels associés à l'acquisition d'images chez les patients. Les systèmes de diagnostic assisté par ordinateur ont réalisé des progrès considérables ces dernières années. Ces systèmes s'appuient sur des algorithmes informatiques pour identifier des anomalies sur les images médicales, aidant ainsi les radiologues à améliorer la précision diagnostique et à assurer la cohérence de l'interprétation des images et des pathologies. De manière importante, la qualité des images médicales, en tant que données cibles, détermine le niveau de performance pouvant être atteint par les algorithmes d'intelligence artificielle. Toutefois, la plage de valeurs de pixels des images médicales diffère de celle des images numériques habituellement traitées par les algorithmes d'intelligence artificielle, et l'intégration aveugle de telles données pour l'entraînement peut entraîner des performances algorithmiques sous-optimales. Dans cette étude, nous proposons un schéma d'amélioration des images médicales qui intègre des modules génériques de traitement d'images numériques et de traitement d'images médicales. Ce schéma vise à améliorer les données d'imagerie médicale en leur conférant des caractéristiques de contraste élevé et de lissage. Nous avons réalisé des tests expérimentaux pour démontrer l'efficacité de ce schéma dans l'amélioration des performances d'un algorithme de segmentation d'images médicales.