Abstract:
Face à l'augmentation mondiale du diabète et à la nécessité d'un dépistage précoce de la RD, l'étude explore l'utilisation de l'intelligence artificielle pour améliorer l'efficacité et la précision du diagnostic. Trois approches principales ont été développées et évaluées en passant par une architecture basée sur YOLOv8, adaptée pour la détection et la classification de la RD en 3 et 5 classes, une autre architecture utilisant les Vision Transformers (ViTs) pour la classification de la RD en 3 et 5 classes, et enfin une nouvelle architecture hybride nommée ReVi pour une performance améliorée. Les résultats obtenus avec ces différentes approches sont prometteurs, notamment avec l'architecture hybride ReVi qui a montré des performances exceptionnelles. Cette recherche ouvre des perspectives pour l'amélioration du diagnostic de la RD, avec des applications potentielles dans les systèmes de diagnostic assisté par ordinateur en milieu clinique.
