D´etection pr´ecoce de la maladie d’Alzheimer par Machine Learning

Abstract

Ce m´emoire explore l’utilisation des r´eseaux de neurones convolutifs (CNN) pour la d´etection pr´ecoce de la maladie d’Alzheimer `a partir d’images IRM, en utilisant le dataset OASIS. Il d´etaille la maladie d’Alzheimer, ses m´ecanismes pathologiques, et les m´ethodes diagnostiques actuelles, soulignant l’importance du diagnostic pr´ecoce. Les mod`eles CNN InceptionV3, VGG16, ResNet101 et DenseNet121 sont compar´es, avec InceptionV3 se distinguant par sa pr´ecision ´elev´ee. L’´etude propose ´egalement des techniques de pr´eparation des donn´ees et d’´equilibrage des classes pour am´eliorer la robustesse des mod`eles. Les images IRM jouent un rˆole crucial dans le diagnostic, avec des avantages par rapport `a d’autres m´ethodes d’imagerie et des perspectives d’am´elioration grˆace aux avanc´ees technologiques. Le m´emoire propose l’ajout de techniques de segmentation pour am´eliorer la pr´ecision des mod`eles. L’utilisation des techniques de machine learning et des images IRM offre un potentiel significatif pour am´eliorer le diagnostic pr´ecoce de la maladie d’Alzheimer, transformant ainsi les approches diagnostiques et th´erapeutiques, et ouvrant la voie `a de nouvelles recherches et innovations.