Detection du Covid-19 à l’aide d’approches baseés sur l’apprentissage en profondeur

Abstract

Le virus COVID-19 s’est largement répandu dans le monde depuis le début de 2020. L’Organisation mondiale de la santé (OMS) a déclaré une urgence sanitaire mondiale. Les personnes atteintes de COVID-19 présentent des symptômes associés à la pneumonie et le virus affecte les organes respiratoires du corps, ce qui rend la respiration difficile. Un tableau de réaction en chaîne par polymérase de transcription inverse (RT-PCR) est utilisé pour diagnostiquer la maladie. Pour développer une alternative, les radiologues ont examiné les changements dans l’imagerie radiographique, comme la tomodensitométrie « CT » thoracique, qui produit des images corporelles complètes d’excellente qualité. L’objectif de ce travail est de proposer une approche d’apprentissage profond dans le domaine de l’épidémiologie pour détecter le virus Covid-19 à l’aide de la tomodensitométrie thoracique. Dans ce projet, nous avons proposé trois approches de réseau de neurones convolutifs (CNN) et créé trois modèles basés sur ces approches(modèle de base "CNN à partir de zéro",modèle XCeption"transfert d’apprentissage" ,model InceptionResNetV2"transfert d’apprentissage") que nous avons appliqués à un en- semble de données de tomodensitométrie thoracique accessible au public pour le dépistage du COVID-19, qui contient 1252 images CT positives pour l’infection au COVID-19 et 1230 images de patients non infectés, 2482 images au total répartis en formation, test et vérification. Nos modèles ont prouvé leur efficacité en atteignant une grande précision et F1-score ce qui est très prometteur.