Classification de la maladie d’Alzheimer à partir d'images IRM à l’aide de L’apprentissage profond

Abstract

La maladie d'Alzheimer est un trouble neurologique dégénératif qui entraîne une diminution de la mémoire, affectant ainsi sérieusement la capacité d'une personne à mener ses activités quotidiennes. À l'échelle mondiale, la MA est la principale cause de démence. Un diagnostic précoce permet aux médecins de traiter cette maladie et d'atténuer ses symptômes. Les techniques d'apprentissage profond se sont révélées extrêmement efficaces dans le domaine de la santé en fournissant des performances de diagnostic comparables à celles des êtres humains, ce qui a considérablement amélioré les systèmes d'imagerie médicale pour Cette pathologie neurodégénérative. Cette étude explore l'utilisation de DL pour classifier la maladie à partir d'images IRM. Six architectures de modèles ont été évaluées : CNN, VGG16, ResNet50, Inception V3, MobileNet V3 et EfficientNet B0. Les résultats démontrent que Le modèle CNN a obtenu les meilleurs résultats avec une précision de 99,53 %. Les modèles Inception V3, ResNet50, VGG16 et EfficientNet B0 ont présenté des performances compétitives, se situant entre 93 % et 95 %. En revanche, MobileNet V3 a montré des résultats nettement moins performants avec une précision de 74,14 %, Ces résultats confirment l'efficacité des techniques d'apprentissage profond dans le diagnostic de la maladie d'Alzheimer. Notre contribution se situe dans la conception et l’implémentation du modèle 'CIMA24' qui a donné une précision de 93 %. Nous avons aussi développé une application pour aider les médecins à prendre des décisions plus précises concernant le diagnostic de l'Alzheimer.