Thèse Année : 2025

Contributions to deep learning techniques for the diagnosis of knee osteoarthritis

Contributions aux techniques d'apprentissage profonds pour le diagnostic de la gonarthrose

Tinhinane Mehdi
  • Fonction : Auteur
  • PersonId : 1669346
  • IdRef : 295942355

Résumé

Osteoarthritis is the most common form of arthritis, affecting the joints and limiting mobility in older people. Its causes and progression are still poorly understood and there is currently no cure. The diagnosis of osteoarthritis is based on X-rays, which are accessible but not very sensitive to early signs of the disease. This makes early diagnosis difficult in clinical practice. This work aims to improve the early detection of knee osteoarthritis using deep learning on plain radiographies. The aim is to overcome the limitations of traditional diagnostic methods. The first contribution of this thesis investigates the impact of the location of regions of interest (ROIs) on the classification of radiographs. The use of parsimonious stacked autoencoders shows that optimal placement of ROIs significantly improves the detection of knee osteoarthritis. The second contribution combines shape and texture information in a deep learning model to improve the early detection of osteoarthritis. By integrating these features into the Compact Bilinear Pooling (CBP) model, an accuracy of 91.67% was achieved, demonstrating the effectiveness of this approach.

L'arthrose est la forme d'arthrite la plus courante et touche les articulations, limitant la mobilité des personnes âgées. Ses causes et son évolution restent mal comprises. Il n'existe actuellement aucun traitement curatif. Le diagnostic de l'arthrose repose sur la radiographie, une méthode accessible, mais peu sensible aux signes précoces de la maladie. En pratique clinique, cela rend le diagnostic précoce difficile. Cette thèse vise à améliorer la détection précoce de l'arthrose du genou (gonarthrose) en utilisant l'apprentissage profond sur des radiographies. Son objectif est de dépasser les limites des méthodes traditionnelles de diagnostic. La première contribution de cette thèse explore l'impact de l'emplacement des régions d'intérêt (ROIs) sur la classification des radiographies. L'utilisation d'autoencodeurs empilés parcimonieux montre qu'un placement optimal des ROIs améliore significativement la détection de la gonarthrose. La deuxième contribution combine des informations de forme et de texture dans un modèle d'apprentissage profond afin d'améliorer la détection précoce de l'arthrose. En intégrant ces caractéristiques dans le modèle Compact Bilinear Pooling (CBP), une précision de 91,67 % a été atteinte, démontrant ainsi l'efficacité de cette approche.

Fichier principal
Vignette du fichier
2025ORLE1067_va.pdf (15.66 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05590900 , version 1 (14-04-2026)

Licence

Identifiants

  • HAL Id : tel-05590900 , version 1

Citer

Tinhinane Mehdi. Contributions aux techniques d'apprentissage profonds pour le diagnostic de la gonarthrose. Rhumatologie et système ostéo-articulaire. Université d'Orléans; Université Abderrahmane Mira - Bejaïa (Bejaïa, Algérie), 2025. Français. ⟨NNT : 2025ORLE1067⟩. ⟨tel-05590900⟩
6 Consultations
3 Téléchargements

Partager

  • More