Détection de Pathologies pour l’aide Au Diagnostic en Ophtalmologie

Abstract

La rétinopathie diabétique (RD) est la principale cause de cécité dans le monde. La détection précoce de cette maladie par un dépistage régulier est particulièrement importante pour prévenir la perte de la vision. Les techniques d'apprentissage automatique constituent des solutions pour développer des outils permettant d'aider les médecins à diagnostiquer, à prédire le risque d'atteinte de maladies et à les prévenir. Les variations et la complexité des données d'imagerie rétiniennes, nécessitent un apprentissage à partir d'exemples, et cela constitue un des intérêts clés du domaine de l'apprentissage profond pour décrire et représenter les lésions dans les données. Le nombre réduit de cas disponible et surtout les données déséquilibrées ont nécessité tout d’abord d’effectuer un prétraitement sur l'ensemble de données utilisé. Ce travail s’est concentré par la suite sur la conception de deux modèles de réseaux neuronaux profonds : les CNN et le VGG16. Les expérimentations menées sur la base d’images ‘’Diabetic Retinopathy 224x224 Gaussian Filtered ‘’ de Kaggle ont montré la robustesse du modèle VGG16. L’application Web ‘‘EYE CARE’’ développée dans le cadre de ce projet a permis de détecter et classer les cinq stades de la rétinopathie diabétique