Résumé:
Le diagnostic précoce de la maladie gastro-intestinale pourrait réduire le taux de mortalité de cette maladie, à des niveaux plus faibles.
Les systèmes de classification automatique des maladies gastro-intestinales peuvent aider à réduire ces risques en
signalant les cadres et les lésions suspects.
L’endoscopie gastro-intestinale consiste une surveillance de plusieurs organes et produit de nombreuses images.
Cependant, une interprétation précise de ces images nécessite la disponibilité de professionnels compétents, ce qui n'est pas toujours le cas dans les pays en voie de développement.
L'intelligence artificielle, qui inclut les réseaux de neurones convolutifs (CNN) et l'apprentissage profond (Deep Learning), présente un potentiel prometteur pour le diagnostic précoce des maladies gastro-intestinales, offrant ainsi une solution adéquate.
En explorant les capacités de l'apprentissage profond dans l'analyse d'images, nous avons étudié les concepts du Deep Learning en utilisant des algorithmes de réseaux neuronaux convolutifs (CNN) pour construire un modèle de classification multi classe de ces images.
Ce modèle peut donc prédire différentes maladies gastro-intestinales, permettant une meilleure identification et un traitement plus ciblé.
En nous basant sur le concept de sélection d'attributs, nous avons utilisé des techniques d'optimisation dans le processus de sélection d’attributs afin de détecter les maladies gastro-intestinales.
Cette démarche nécessite une modélisation appropriée pour trouver un compromis entre un taux de reconnaissance élevé et un nombre réduit de caractéristiques extraites à partir de « deep features », nous avons utilisé un jeu de données
ou dataset « KVASIR V2 » de 8000 images d'endoscopie gastro-intestinale.
Les résultats obtenus en termes de classification sont significatifs et prometteurs.
