Classification automatisée des radiographies thoraciques pour la pneumonie et les cas normaux

Abstract

La pneumonie représente l’une des principales causes de morbidité et de mortalité dans le monde, en particulier chez les populations vulnérables. La radiographie thoracique constitue un outil de diagnostic clé pour la détection de cette pathologie, mais son interprétation manuelle reste sujette à la subjectivité et à des erreurs potentielles, notamment en cas de surcharge des professionnels de santé. Ce mémoire présente le développement d’un modèle de classification automatique des images radiographiques pulmonaires en deux catégories : cas normaux et pneumonie. Nous avons conçu un réseau de neurones convolutif (CNN) simple à l’aide de TensorFlow et Keras, comprenant des couches de convolution, de pooling et des couches entièrement connectées, avec un entraînement sur un jeu de données public (Chest X-Ray Images de Kaggle). Les résultats obtenus montrent une accuracy de 0,76. Ce travail confirme le potentiel de l’intelligence artificielle pour assister le diagnostic radiologique et appelle à des validations cliniques plus poussées avant un déploiement en pratique.