Résumé:
La tuberculose (TBC) est une maladie infectieuse qui demeure une cause
majeure de décès dans le monde. D'autre part, il y a eu un développement
considérable ces dernières années, dans le domaine de l'apprentissage en pro-
fondeur, qui permet la classi cation d'images extrêmement hétérogènes. De
plus, il a été véri é que les réseaux de neurones convolutionnels profonds
(CNN) sont des algorithmes très prometteurs pour diverses tâches visuelles.
Nous nous intéressons dans ce travail à la prédiction automatique du degré
de sévérité de la tuberculose pulmonaire via une analyse d'images tomoden-
sitométriques. Cela permettra d'accélérer le diagnostic de la maladie à partir
d'une image de radiologie sans avoir recours à des analyses médicales coû-
teuses. Vu la qualité des images de radiologie, cette étude s'avère beaucoup
plus di cile qu'une analyse d'images ordinaires. Dans ce rapport nous nous
intéressons à la prédiction automatique du degré de sévérité de tuberculose
pulmonaire.
Dans ce rapport, nous nous intéressons à l'utilisation d'un réseau de neu-
rones profond pour la prédiction automatique du degré de sévérité des cas tu-
berculeux. Nous proposons d'utiliser l'architecture Inception. Nos di érentes
expérimentations sont réalisées dans le contexte de la tâche Tuberculosis de
ImageCLEF2019 [20].