Identification de malaria par apprentissage profond

Abstract

Le paludisme est une maladie très dangereuse. Dans ce mémoire nous nous somme intéresser à une chaine de traitement d'image microscopique afin de les classifier en lésion infectés ou non infectés. Le but de cette étude est de détecter le paludisme de manière automatisée à l'aide de CNN, en créant une vision informatique. La méthode utilisée repose sur l'apprentissage profond des données avec la structure CNN, pour classifier les images d'échantillons de sang en infectées et non infectées, à l'aide d'images standards divisées en trois fichiers : infectées, non infectées et un fichier de test. Ensuite, les images sont traitées sur une plateforme kaggle a l'aide du langage python. Ensuite, les couches de CNN ont été appliquées aux images, et le modèle a été teste aléatoirement sur un ensemble d'images et classifier comme étant infectés ou non infectés. Le modèle a affiché une précision élevée de 96.20 % lorsqu'il a été traité sur une partie des images, comprenant un total de 27558 images. Le modèle a produit deux images aléatoires qui ont été dessinées et classées comme étant infectées ou non, ce qui démontre son efficacité. Cette étude préconise l'utilisation d'ordinateurs dotés d'un processeur puissant pour entraîner des images et des données de plus grande taille, afin d'obtenir une précision allant jusqu'à 100%.