Deep learning-based medical data analysis for disease prediction and classification
Loading...
Date
2025-05-25
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
University of Mohamed Boudiaf - M’sila
Abstract
Les imagesdufondd’oeildespatientsatteintsderétinopathiediabétique(RD)présen-
tent souventdenombreuseslésionsdisperséessurlarétine.Lesméthodesactuelles
utilisent généralementl’imageentièrepourl’apprentissageduréseau,cequiprésente
des limitespuisquelesanomaliesdelaRDsontgénéralementlocalisées.Laformation
de réseauxneuronauxconvolutionnels(CNN)surdesimagesglobalespeutêtrediffi-
cile enraisondubruitexcessif.Parconséquent,ilestcruciald’améliorerlavisibilité
des régionsimportantesetdeconcentrerlesystèmedereconnaissancesurellespour
améliorer laprécision.
Cette thèseétudiedeuxtâches;lapremièreestunnouveauréseauneuronalcon-
volutionnelguidéparl’attentionàdeuxbranches(AG-CNN)avecprétraitementinitial
de l’imagepourlaclassificationdelaRD.L’AG-CNNétablitd’abordl’attentionglob-
ale surl’imageentièreaveclabrancheglobale,puisintègreunebranchelocalepour
compenser leséventuelsindicesdiscriminantsperdus.
La deuxièmetâcheconsisteàaméliorerlaclassificationdelarétinopathiediabétique
en combinantdescaractéristiquesartisanalesetprofondes.NousextrayonsLBP,HOG
et GLCMpourcapturerlesmotifsdetextureetutilisonsDenseNet-121pourl’extraction
de caractéristiquesprofondes.Lafusiondecescaractéristiquespermetunereprésenta-
tion pluscomplètedesimagesrétiniennes,améliorantainsilacapacitédumodèleà
distinguer lesdifférentsniveauxdegravitédelarétinopathiediabétique.
Nous menonsdesexpériencesapprofondiesenutilisantl’ensemblededonnéesAP-
TOS2019DRpourlesdeuxtâches.
Description
Keywords
Cartographie d’activationdeclassepondéréepargradient-Apprentis- sage profond-Classificationdelarétinopathiediabétique-Systèmeàdeuxétapes- Extraction decaractéristiques-Caractéristiquesartisanales-Fusiondecaractéristiques - Prétraitementd’images-Extractionderégionsd’intérêt