Détection automatique de la pneumonie à partir des images radiologiques thoracique par le Deep Learning

Abstract

Ce travail de recherche est consacré au développement d'un système automatisé d'aide au diagnostic médical, conçu pour identifier la pneumonie sur des radiographies thoraciques à l'aide de l'apprentissage profond, afin de pallier les limites liées à la fatigue visuelle et à la subjectivité de l'interprétation humaine. Pour y parvenir, une approche originale d'architecture hybride a été mise au point en combinant deux réseaux de neurones convolutifs complémentaires : MobileNetV2, exploité pour sa structure légère et sa rapidité de calcul, et DenseNet121, sélectionné pour sa capacité à préserver et propager les caractéristiques médicales complexes à travers ses connexions denses. Entraîné et évalué sur une base de données consolidée issue des répertoires publics Kermany et Muhammad Rehan, ce modèle fondé sur la fusion de caractéristiques a démontré des performances supérieures à celles des architectures standards utilisées de manière isolée. Les résultats confirment la robustesse, la stabilité et l'excellente capacité de généralisation de cette solution, validant ainsi son fort potentiel en tant qu'outil informatique d'aide à la décision fiable pour seconder efficacement les radiologues et optimiser la prise en charge des patients en milieu clinique.