Résumé:
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
