Mezouar, SarraOuld Arezki, Zahia2026-10-282026-10-282026-06-22https://dspace.univ-tlemcen.dz/handle/112/27194L'ostéoporose est une pathologie osseuse systémique et dégénérative, définie par une diminution progressive de la masse osseuse et une détérioration de la microarchitecture osseuse. Sa forme localisée au genou exige un dépistage précoce pour optimiser la prise en charge médicale. Ce travail propose une solution d'apprentissage profond pour automatiser la détection de l'ostéoporose du genou à partir de radiographies, dans un objectif d'aide au diagnostic. Cinq architectures de réseaux de neurones (un CNN personnalisé, DenseNet121, ResNet50, InceptionV3 et EfficientNetB0) ont été rigoureusement comparées sur un ensemble issu de la fusion de trois bases de données : OKXD-MM-2024, OKD-SK 2023 et OKXD-SP-2021. En classification binaire, notre CNN personnalisé, entraîné de zéro, atteint une accuracy de 96,64%. Une validation externe sur la base indépendante MCKOX-MG-2024 confirme sa robustesse avec une accuracy de 91,95 %. En classification multiclasse visant à identifier les stades Normal, Ostéopénie et Ostéoporose, l'intégration de la fonction de perte Focal Loss permet de gérer le déséquilibre des classes et conduit à une accuracy globale de 88,03 % et un F1 score de 88,09 %. Ces résultats sont tout à fait comparables à ceux rapportés dans l'état de l'art. La méthode d'explicabilité Grad-CAM valide le recours à des biomarqueurs anatomiques réels. Enfin, l'application web interactive OstéoDiag Pro concrétise ces résultats en vue d'une intégration clinique aisée.frOstéoporose du genouApprentissage profondCNN personnaliséFocal LossGrad-CAMOstéoDiag ProAide au diagnostic.Thesis