Deep Learning pour la Détection Précoce des Maladies Pulmonaires à l’aide des Images Radiographiques (Rayons X)

Abstract

This study presents a deep learning-based system for the automatic classification of chest X-ray images to detect pulmonary diseases, particularly Pneumonia and Tuberculosis. The proposed approach is based on Convolutional Neural Networks (CNNs) and benefits from transfer learning techniques using MobileNet and ResNet in order to improve classification performance and diagnostic accuracy. The methodology includes several stages such as data preprocessing, image normalization, and data augmentation to increase dataset diversity and reduce overfitting. The models were trained and evaluated using publicly available chest X-ray datasets, allowing a comprehensive comparison between the different architectures. Experimental results showed that ResNet achieved the best performance among all tested models, obtaining the highest classification accuracy and demonstrating a strong ability to detect lung diseases reliably. The study also confirms that transfer learning techniques significantly enhance model efficiency while reducing computational cost and training time. These findings highlight the effectiveness of deep learning in medical image analysis and its potential to support healthcare professionals through fast, accurate, and automated diagnosis for early detection of pulmonary diseases. -------------------------------------------------------------------- يتناول هذا البحث تطوير نظام يعتمد على تقنيات التعلم العميق من أجل التصنيف التلقائي لصور أشعة الصدر للكشف عن الأمراض الرئوية، خاصة الالتهاب الرئوي والسل. تم بناء النظام باستخدام الشبكات العصبية الالتفافية (CNN)، مع الاستفادة من تقنيات التعلم بالنقل من خلال نموذجي MobileNet وResNet بهدف تحسين أداء التصنيف ورفع دقة التشخيص. اعتمدت المنهجية على عدة مراحل أساسية شملت معالجة البيانات المسبقة، وتوحيد الصور، بالإضافة إلى تطبيق تقنيات زيادة البيانات لتوسيع مجموعة التدريب وتقليل مشكلة فرط التعلّم. تم تدريب النماذج واختبارها باستخدام قواعد بيانات مفتوحة لصور الأشعة الصدرية، مما سمح بإجراء مقارنة شاملة بين مختلف البنى المعمارية المستخدمة. أظهرت النتائج التجريبية أن نموذج ResNet حقق أفضل أداء مقارنة بباقي النماذج، حيث سجل أعلى دقة في تصنيف صور الأشعة وقدرة أكبر على اكتشاف أمراض الرئة بشكل موثوق. كما بيّنت الدراسة أن استخدام تقنيات التعلم بالنقل يساهم بشكل فعّال في تحسين نتائج التصنيف وتقليل التكلفة الحسابية ومدة التدريب. وتؤكد هذه النتائج فعالية تقنيات التعلم العميق في مجال تحليل الصور الطبية، وإمكانية الاعتماد عليها كأداة مساعدة للأطباء من خلال توفير تشخيص سريع ودقيق للكشف المبكر عن الأمراض الرئوية. ------------------------------------------------------------------- Cette étude présente un système basé sur le deep learning pour la classification automatique des images radiographiques thoraciques afin de détecter les maladies pulmonaires, notamment la pneumonie et la tuberculose. L’approche proposée repose sur les réseaux de neurones convolutifs (CNN) et exploite les techniques de transfert d’apprentissage à travers les architectures MobileNet et ResNet afin d’améliorer les performances de classification et la précision du diagnostic. La méthodologie comprend plusieurs étapes telles que le prétraitement des données, la normalisation des images ainsi que l’augmentation des données afin d’accroître la diversité du jeu de données et de réduire le surapprentissage. Les modèles ont été entraînés et évalués à l’aide de bases de données publiques d’images radiographiques thoraciques, permettant ainsi une comparaison complète entre les différentes architectures. Les résultats expérimentaux ont montré que le modèle ResNet a obtenu les meilleures performances parmi tous les modèles testés, en atteignant la plus haute précision de classification et une grande capacité à détecter les maladies pulmonaires de manière fiable. L’étude confirme également que les techniques de transfert d’apprentissage améliorent considérablement l’efficacité des modèles tout en réduisant le coût computationnel et le temps d’entraînement. Ces résultats mettent en évidence l’efficacité du deep learning dans l’analyse des images médicales et son potentiel pour assister les professionnels de santé grâce à un diagnostic rapide, précis et automatisé pour la détection précoce des maladies pulmonaires.