Résultats du processus de synthèse de l'article arXiv : 1909.02829v1

Nous avons comparé les performances de deux cadres de réseaux neuronaux convolutifs profonds (DCNN), à savoir AlexNet et VGGNet, pour la classification d'images microscopiques en niveaux de gris de faible qualité et basse résolution représentant des cellules saines et infectées par le paludisme. Cette étude a été réalisée lors de la Conférence irlandaise sur la vision artificielle et le traitement d'images IMVIP 2019 à Dublin, en Irlande par Priyadarshini Adyasha Pattanaik, Zelong Wang et Patrick Horain. Les résultats expérimentaux ont montré des résultats prometteurs pour une classification rapide, automatique et précise dans des images non colorées même avec un petit ensemble d'entraînement disponible.

• Comparaison des performances de deux cadres de réseaux neuronaux convolutifs profonds (DCNN) : AlexNet et VGGNet
• Classification d'images microscopiques en niveaux de gris représentant des cellules saines et infectées par le paludisme
• Étude réalisée lors de la Conférence irlandaise sur la vision artificielle et le traitement d'images IMVIP 2019 à Dublin, en Irlande
• Auteurs : Priyadarshini Adyasha Pattanaik, Zelong Wang et Patrick Horain
• Résultats expérimentaux prometteurs pour une classification rapide, automatique et précise dans des images non colorées avec un petit ensemble d'entraînement disponible.

Nous avons comparé les performances de deux cadres de réseaux neuronaux convolutifs profonds (DCNN), à savoir AlexNet et VGGNet, pour la classification d'images microscopiques en niveaux de gris de faible qualité et basse résolution représentant des cellules saines et infectées par le paludisme. Cette étude a été réalisée lors de la Conférence irlandaise sur la vision artificielle et le traitement d'images IMVIP 2019 à Dublin, en Irlande par Priyadarshini Adyasha Pattanaik, Zelong Wang et Patrick Horain.

Le paludisme est une maladie mortelle causée par un parasite transmis aux humains par les piqûres de moustiques infectés. La détection précoce du paludisme est essentielle pour un traitement efficace, mais cela peut être difficile dans les régions où l'accès aux services médicaux est limité. C'est pourquoi il est important d'utiliser des méthodes automatisées pour détecter rapidement et précisément les cellules infectées dans des images microscopiques.

Dans cette étude, nous avons utilisé deux cadres DCNN populaires : AlexNet et VGGNet. Ces réseaux sont entraînés avec un grand nombre d'images colorées haute résolution provenant de différentes sources telles que ImageNet ou CIFAR-10. Cependant, notre objectif était de tester leur performance sur des images non colorées en niveaux de gris avec une faible résolution qui peuvent être couramment utilisées dans les régions où le paludisme sévit.

Pour évaluer ces réseaux neuronaux, nous avons utilisé un ensemble d'images microscopiques en niveaux de gris représentant des cellules saines et infectées par le paludisme. Ces images ont été collectées à partir d'un petit ensemble de données disponible publiquement. Nous avons divisé cet ensemble en un groupe d'entraînement et un groupe de test pour évaluer la performance des réseaux.

Les résultats expérimentaux ont montré que les deux cadres DCNN, AlexNet et VGGNet, ont obtenu des performances prometteuses pour la classification automatique et précise des cellules infectées par le paludisme dans des images non colorées. Cependant, VGGNet a légèrement surpassé AlexNet avec une précision globale plus élevée.

Cette étude démontre l'efficacité de l'utilisation de réseaux neuronaux convolutifs profonds pour la détection du paludisme dans des images microscopiques en niveaux de gris à faible résolution. Avec ces résultats prometteurs, il est possible d'envisager l'utilisation de ces méthodes automatisées dans les régions où le paludisme est prévalent afin d'améliorer les diagnostics et les traitements précoces.

En conclusion, cette recherche présentée lors de la Conférence irlandaise sur la vision artificielle et le traitement d'images IMVIP 2019 montre comment l'utilisation de techniques avancées telles que les réseaux neuronaux convolutifs peut contribuer à améliorer la santé publique mondiale en aidant à détecter rapidement et efficacement une maladie mortelle telle que le paludisme.