Résumé:
L'identification et la caractérisation des maladies pulmonaires est l'un des sujets de recherche les plus intéressants de ces dernières années. Ils nécessitent un diagnostic précis et rapide. Bien que la radiographie pulmonaire présente de nombreux avantages pour le diagnostic des maladies, l'interprétation de l'image radiographique a toujours été un problème majeur pour le médecin et le radiologue en raison des erreurs de diagnostic. C'est pourquoi ce domaine reste confus et difficile. Cela a encouragé à utiliser les techniques modernes d'intelligence artificielle telles que l'apprentissage profond dans le domaine du diagnostic des maladies pulmonaires et de leur identification à partir des images médicales, en particulier les images radiographiques. Dans ce but, les chercheurs d'apprentissage profond ont commencé à construire des systèmes basés sur l'apprentissage profond en particulier les réseaux de neurones convolutifs.
Dans ce mémoire, nous avons proposé quatre modèles basés sur le réseau de neurones convolutifs qui ont été entraînés pour classifier certaines maladies pulmonaires à partir d'images de radiographie thoracique. Le modèle1 classifie les cas de COVID-19 (Covid/normal). Les deux autres modèles sont des classificateurs multi-classes, le Modèle2 pour classer 3 cas (COVID-19/pneumonie/normal) le Modèle3 pour classer 4 cas (COVID-19/pneumonie/ normal/opacité pulmonaire), ces modèles ont atteint une précision de 99,09 %, 97,74 % et 91,22 %, respectivement. Avec une sensibilité à COVID-19 de 100% dans les modèles1 et 2.
