Détection et classification des calculs rénaux par l’échographie et Deep Learning

Abstract

Les calculs rénaux constituent une pathologie fréquente du système urinaire dont la détection précoce est essentielle pour réduire les complications et améliorer la prise en charge des patients. Dans ce travail, nous proposons une approche automatisée de détection et de classification des calculs rénaux à partir d’images échographiques en utilisant des techniques d’intelligence artificielle et de Deep Learning. L’étude repose sur une base de données d’images rénales réparties en deux classes (Stone et Normal), ayant subi une étape de prétraitement visant à améliorer la qualité des images et à réduire le bruit speckle propre à l’imagerie ultrasonore. Plusieurs architectures de Deep Learning ont été développées et comparées, notamment ConvNet, ResNet18, DenseNet121, EfficientNet-B7, Vision Transformer (ViT) et Swin Transformer. Les performances ont été évaluées à l’aide de différentes métriques de classification telles que l’Accuracy, la Precision, le Recall, le F1-Score et l’AUC-ROC. Les résultats obtenus montrent que l’ensemble des modèles offre d’excellentes performances, avec une supériorité du modèle ConvNeXt Custom, qui a atteint une Accuracy de 99,79 %, une Precision de 99,73 %, un Recall de 99,86 %, un F1-Score de 99,79 % et une AUC-ROC de 99,99 %. Par ailleurs, des techniques d’intelligence artificielle explicable (XAI), notamment Grad-CAM et LIME, ont été utilisées afin d’interpréter les décisions du modèle et de visualiser les régions d’intérêt influençant la classification. Ces résultats confirment le potentiel du Deep Learning pour fournir une aide fiable, rapide et automatisée au diagnostic des calculs rénaux à partir d’images échographiques