UTILISATION DU DEEP LEARNING POUR DETECTER LA RETINOPATHIE DIABETIQUE

Abstract

Diabetic retinopathy is recognized as the leading cause of blindness worldwide. However, it is important to highlight that early detection of this condition and appropriate treatment can significantly reduce the risk of vision loss. For this reason, medical authorities recommend annual eye examinations for diabetic patients. This type of examination helps detect early signs of diabetic retinopathy and enables prompt action to avoid serious complications. This thesis explores different artificial intelligence-based approaches for the early detection of diabetic retinopathy. The study focuses on a proposed CNN architecture and aims to evaluate the performance of a standalone CNN model, a standalone SVM model, as well as a hybrid approach combining CNN and SVM with this architecture. The results show that the standalone CNN model demonstrates good accuracy in detecting diabetic retinopathy. Similarly, the standalone SVM model also achieves good performance. However, when combining CNN and SVM, a significant drop in accuracy is observed, raising questions about the effectiveness of this hybrid approach. This finding raises concerns about the reasons behind the decrease in accuracy when combining the two models. Further investigations are necessary to understand the factors that influence the performance of the hybrid approach. In conclusion, this study highlights the importance of continuing research and development of more sophisticated artificial intelligence models to improve the early detection of diabetic retinopathy. Optimizing the hybrid approach and exploring other promising techniques could be future research directions to enhance the detection performance of this pathology. La rétinopathie diabétique est reconnue comme étant la principale cause de cécité au niveau mondial. Cependant, il est important de souligner que la détection précoce de cette affection et un traitement approprié peuvent considérablement réduire le risque de perte de la vue. Pour cette raison, les autorités médicales recommandent aux patients diabétiques de subir un examen annuel du fond d'œil. Ce type d'examen permet de détecter les signes précoces de la rétinopathie diabétique et d'agir rapidement pour éviter des complications graves. Ce mémoire de fin d'études explore différentes approches basées sur l'intelligence artificielle pour la détection précoce de la rétinopathie diabétique. L'étude met l’accent sur une architecture CNN proposée et vise a évaluer les performances d'un modèle CNN seul, d'un modèle SVM seul, ainsi que d'une approche hybride combinant CNN et SVM avec cette architecture. Les résultats montrent que le modèle CNN seul présente de bons résultats en termes d'accuracy dans la détection de la rétinopathie diabétique. De même, le modèle SVM seul atteint également de bonnes performances. Cependant, lors de l'hybridation du CNN et du SVM, une chute significative de l'accuracy est observée, remettant en question l'efficacité de cette approche hybride. Cette constatation soulève des interrogations quant aux raisons de la diminution de l'accuracy lors de la combinaison des deux modèles. Des investigations approfondies sont nécessaires pour comprendre les facteurs qui influent sur les performances de l'approche hybride. En conclusion, cette étude met en évidence l'importance de continuer la recherche et le développement de modèles d'intelligence artificielle plus sophistiqués pour améliorer la détection précoce de la rétinopathie diabétique. L'optimisation de l'approche hybride et l'exploration d'autres techniques prometteuses pourraient être des axes de recherche futurs afin d'améliorer les performances de détection de cette pathologie.