Analyse de radiographies du thorax par apprentissage profond pour la catégorisation de pneumopathies infantiles

Abstract

Le diagnostic des maladies pulmonaires pédiatriques, telles que les pneumopathies, est une tâche complexe pour le clinicien, en raison de la variabilité des images radiographiques thoraciques. L’objectif de ce mémoire, est la conception d’un système d’aide au diagnostic basé sur les techniques de l’apprentissage profond, suivant plusieurs architectures avancées de réseaux de neurones convolutifs (CNN) : VGG16, VGG19, ResNet50, ResNet101, DenseNet121, DenseNet201, EfficientNetB0 et MobileNetV2. Ces modèles permettent de classifier automatiquement les images radiographiques issues de la base de données étiquetée ‘chest X-ray’, en deux classes : normale et pathologique. Les résultats obtenus, avec un F1-score dépassant 95 % et une AUC supérieure à 97 %, démontrent la fiabilité de l’approche proposée pour la détection précoce des anomalies pulmonaires chez l’enfant.