La détection des pathologies gastriques par les méthodes d’apprentissage profond

Abstract

Plusieurs pathologies gastriques touchent le système digestif à cause de divers facteurs. Elles peuvent être détectées à l’aide de multiples examens cliniques. L'endoscopie est l'une des meilleures méthodes d'exploration de tube gastro-intestinal (GI). Le problème majeur de cette technique est la qualité médiocre d'image à cause du floue, la faible luminosité, la viscosité et les artéfacts. Ce problème peut perturber le diagnostic médical. Le traitement d'image est donc nécessaire pour faciliter le diagnostic et la prise en charge des maladies GI. Récemment, l'Intelligence Artificielle (IA) est devenue un outil essentiel pour l'interprétation des images médicales. Grace aux algorithmes de Deep Learning, il peut extraire des paramètres et classifier les images avec une grande précision, même lorsque les sont de qualité dégradée et les paramètres ne sont pas clairement définis. Dans ce travail, nous présenterons une méthode automatique de détection des anomalies gastriques en utilisant différentes approches basées sur l’apprentissage profond. Nous avons réalisé une étude comparative entre trois modèles pré-entrainés les plus populaires qui sont : AlexNet, VGG16 et VGG19 pour classifier les cas pathologiques. Ensuite nous étudions l'importance de l'étape d'augmentation de base de données dans l'amélioration des performances du système. Enfin, nous effectuons une étude comparative entre les différentes conditions pour faire la classification. Pour entrainer et évaluer nos méthodes, nous avons sélectionné les classes pathologiques de la base de données Kvasir. Ainsi, les résultats obtenus sont impressionnants surpassant les travaux existant. Le modèle pré-entrainé VGG19 avec l’augmentation des données a donné le meilleur taux de classification avec une valeur de 99,9%.