Etudiant : ED-DAOUDI MOHAMED

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. TAIRI HAMID

Annèe : 2024

Résumé : La rétinopathie diabétique (RD) se caractérise par des lésions de la rétine causés par le diabète, qui conduisent souvent à la cécité. Elle est diagnostiqué par des injections de fond d’oeil en couleur, mais l’analyse manuelle est fastidieuse et sujette aux erreurs. Bien que les techniques de vision par ordinateur puissent prédire les stades de la RD, elles sont gourmandes en ressources informatiques et se heurtent à l’extraction de données complexes. Dans ce projet, notre principal objectif était d’automatiser le processus de classification de la RD en ses différents stades à l’aide des algorithmes d’apprentissage automatique, Machine Learning (ML), et des modèles de réseaux neuronaux convolutifs, Convolutional Neural Network (CNN). Nous avons faire une étude comparative entre quelques algorithmes de classification du ML comme les arbres de décision, Decision Tree (DT), les forêts aléatoires, Random Forest (RF), et machine à support vecteur, Support Vector Machine (SVM) et aussi on va explorer et tester quelques architectures CNN par la technique du Transfert Learning en utilisant des modèles pré-entrainés comme EfficientNet, inceptionV3 et GoogLeNet. Ces algorithmes et modèles seront entraînés et validés sur le Dataset « aptos2019-blindness-detection » d’une compétition Kaggel.