DETECTION PRECOCE D’ALZHEIMER A L’AIDE DE DEEP LEARNING

Abstract

La maladie d'Alzheimer est une maladie neurodégénérative qui touche principalement les personnes âgées. En raison de la spécificité de cette maladie et de ses effets graves, qui impactent non seulement le patient, mais également sa famille et perturbent le cours normal de leur vie, ses répercussions psychologiques et sociales s'étendent à la société dans son ensemble, car la famille est l'élément fondamental de la société. Compte tenu de l'absence de traitement véritablement curatif pour cette maladie, il est crucial de la diagnostiquer à un stade précoce. C'est pourquoi nous avons opté pour l'utilisation des techniques d'apprentissage profond (Deep learning) comme outils modernes, devenus populaires et largement utilisés dans divers domaines. Cette technologie offre une capacité exceptionnelle de classification et de prédiction, particulièrement après les avancées significatives réalisées dans le domaine des ordinateurs en termes de ressources, de puissance des processeurs, de mémoire vive (RAM) et des unités de traitement graphique (GPUs). Les réseaux convolutifs (CNN) sont l'un des types les plus importants de réseaux de Deep Learning. En raison de leur capacité à extraire des caractéristiques discriminantes des images, nous avons concentré nos efforts sur leur utilisation. Nous avons utilisé un jeu de données d'images de résonance magnétique (IRM) pour entraîner notre modèle et évaluer ses performances. Nous avons également expérimenté un modèle pré-entraîné SqueezeNet en utilisant la méthode Transfer Learning. Enfin, nous avons comparé les résultats obtenus avec ceux de travaux similaires dans le même domaine