Une nouvelle approche pour la détection de patients normaux, atteints de COVID-19 et de pneumonie à l’aide uniquement de classifications binaires à partir de scanners thoraciques CT

Le nouveau coronavirus, le virus de la maladie à coronavirus sévère respiratoire aiguë 2 (SARS-CoV-2), s’est répandu à travers le monde, provoquant un bouleversement sans précédent qui a conduit à une pandémie massive, affectant profondément le bien-être et la stabilité mondiaux. Il s’agit d’un virus à ARN pouvant infecter à la fois les humains et les animaux. Un diagnostic rapide de ce virus est essentiel pour enrayer une propagation importante et éviter une épidémie sévère de COVID-19. Les techniques pharmaceutiques et les méthodes diagnostiques actuelles, telles que la réaction en chaîne de la polymérase par transcription inverse (RT-PCR) et les tests sérologiques, sont longues, coûteuses et nécessitent des laboratoires bien équipés, ce qui les rend restrictives et inaccessibles à tous. En revanche, l’apprentissage profond (deep learning) a connu un essor considérable ces dernières années et joue désormais un rôle crucial dans la classification d’images, notamment dans le domaine de l’imagerie médicale. Cette étude explore l’automatisation de la différenciation entre des individus contaminés par le COVID-19 et des individus sains à l’aide de scanners TDM thoraciques. Les réseaux de neurones convolutifs (CNN) peuvent être entraînés pour détecter des motifs dans les images de tomodensitométrie (TDM). Ainsi, plusieurs modèles CNN ont été utilisés dans cette recherche afin d’identifier des variations dans les scanners TDM thoraciques, atteignant des taux de précision compris entre 91 % et 98 %. La méthode de classification multi-classes a été adoptée pour concevoir ces architectures. Cette étude propose également une nouvelle approche de classification d’images TDM, basée sur la combinaison de deux classifications binaires, permettant d’atteindre une précision de 98,38 %. La performance de chacune de ces architectures a été évaluée et comparée à l’aide de diverses métriques de classification.