Résumé:
La tuberculose (TB) est une maladie infectieuse qui demeure une cause majeure de décès dans le monde. L'organisation mondiale de la santé (OMS) estime qu'il y a eu 10,4 millions de nouveaux cas de tuberculose dans le monde en 2015. La majorité des populations infectées proviennent de communautés pauvres et marginalisées avec une infrastructure de soins de santé médiocre. De nombreux patients tuberculeux guérissables meurent en raison d'un diagnostic tardif, en partie à cause des coûts excessifs des analyses médicales et du manque de radiographie et de radiologie. Par conséquent, le développement d'un système de diagnostic assisté par ordinateur pour le dépistage de la tuberculose s'avère utile pour un diagnostic précoce de cas tuberculeux, ce qui permet de prévenir les décès dus à cette maladie. D'autre part, l'apprentissage en profondeur s'impose de plus en plus ces dernières années dans le domaine de l'analyse et la classification des images, et confirme à travers ses bons résultats dans plusieurs problématiques sa suprématie dans cet axe de recherche. En effet, il a été vérifié que les réseaux de neurones convolutifsprofonds (DCNN) sont des algorithmes performants pour résoudre diverses tâches dans les domaines de la vision par ordinateur et de l'analyse d'images. Cette performance se concrétise également dans l'analyse d'images médicales. Nous nous intéressons dans ce travail à la détection automatique des types de TB via une analyse d'images par tomodensitométrie, en exploitant les avantages des réseaux de neurones convolutifs. Une application réelle d'une solution à cette problématique pourrait être l'accélération du diagnostic de la maladie à partir d'une image de radiologie sans avoir recours à des analyses médicales coûteuses. Vu la qualité des images de radiologie, cette étude s'avère beaucoup plus difficile qu'une analyse d'images ordinaires. Dans ce travail, nous proposons une approche générant une description sémantique des images de scanner 3D des patients tuberculeux. Ces descripteurs sont ensuite utilisés dans une étape d'apprentissage pour apprendre un modèle de classification. Nos différentes expérimentations sont réalisées dans le contexte des deux sous-tâches de la tâche Tuberculosis de ImageCLEF 2018: Classification des types de tuberculose (TBT) et Prédiction du score de sévérité (gravité) du cas tuberculeux (SVR).
