Classification des gestes chirurgicaux par apprentissage automatique supervisé

Abstract

Ce mémoire explore l’application de l’intelligence artificielle à la reconnaissance automatique des gestes chirurgicaux pour l’évaluation objective des compétences ,en exploitant la base de données JIGSAWS.Afin de relever le défi de la classifications patio-temporelle,ce travail met en œuvre une architecture hybride profonde de type CNN-LSTM, combinant la puissance des réseaux convolutifs (CNN)pour l’extraction automatique des caractéristiques spatiales des images, à lacapacité des réseaux récurrents (LSTM)à capturer la dynamique et les dépendances temporelles à long terme des mouvements.Les résultats démontrent qu’une telle approche séquentielle constitue une solution robuste et efficace pour modéliser la complexité des procédures chirurgicales.