Détection et classification de l’arthrose par l’apprentissage profond

Abstract

L’arthrose est une maladie articulaire chronique et évolutive, caractérisée par une dégradation progressive du cartilage, entraînant douleurs, raideurs et perte de mobilité. L’arthrose du genou, en particulier, est l’une des formes les plus courantes et invalidantes, nécessitant un diagnostic précoce pour une prise en charge efficace. Ce projet propose une approche automatisée reposant sur l’apprentissage profond pour la détection et la classification de cette affection à partir d’images radiographiques. Cinq modèles de réseaux neuronaux pré-entraînés (DenseNet121, MobileNetV2, ResNet50, InceptionV3 et EfficientNetB0) ont été évalués et comparés sur les bases de données publiques KOD-KL-2018 et AD-KAD, après un processus rigoureux de prétraitement des données. Les résultats obtenus sont particulièrement convaincants, avec DenseNet121 atteignant une précision de 96,14% sur KOD-KL-2018, tandis que DenseNet121 et InceptionV3 dépassent les 93% sur AD-KAD, surpassant ainsi les performances rapportées dans la littérature. Afin de renforcer la transparence des prédictions, la méthode d’explicabilité LIME a été intégrée. Par ailleurs, une interface graphique nommée ArthroScan a été conçue pour permettre une utilisation clinique simple et efficace de notre approche. Cette recherche confirme le potentiel de l’intelligence artificielle comme outil d’aide au diagnostic de l’arthrose du genou, en alliant précision, explicabilité et facilité d’intégration en pratique médicale.