Intégrale de Choquet et jeu de coalition basé sur un ensemble de modèles d'apprentissage profond pour le dépistage du COVID-19 à partir d'images radiographiques thoraciques

Dans les circonstances actuelles, où nous restons menacés par diverses souches du coronavirus, et vu que la méthode la plus largement utilisée pour le dépistage du COVID-19, le RT-PCR, constitue une procédure manuelle fastidieuse, chronophage et peu précise, l’application de l’intelligence artificielle (IA) et du diagnostic assisté par ordinateur (CAD) s’impose comme une nécessité. Dans ce travail, nous avons analysé des images de radiographies pulmonaires (CXR) afin de détecter la présence du coronavirus. L’objectif principal de cette étude est d’exploiter les performances de classification des modèles d’apprentissage profond en combinant des approches d’apprentissage par ensemble (ensemble learning). De nombreuses études ont proposé diverses techniques d’apprentissage par ensemble dans ce domaine, certaines utilisant des fonctions d’agrégation telles que la moyenne arithmétique pondérée (WAM), entre autres. Toutefois, aucune de ces méthodes ne prend en compte les décisions prises par des sous-ensembles de classificateurs. Dans cet article, nous proposons d’appliquer l’intégrale de Choquet pour l’agrégation des classificateurs, et introduisons une nouvelle méthode d’évaluation des mesures floues fondée sur la théorie des jeux de coalition, la théorie de l’information et l’approximation floue de type Lambda. Trois ensembles distincts de mesures floues sont calculés à l’aide de trois schémas de pondération différents, combinant à la fois la théorie de l’information et la théorie des jeux de coalition. À partir de ces trois ensembles de mesures floues, trois intégrales de Choquet sont calculées, dont les décisions sont finalement combinées. Nous avons constitué une base de données en combinant plusieurs répertoires d’images récemment développés. Les résultats remarquables obtenus sur le jeu de données nouvellement conçu ainsi que sur le jeu de données exigeant, le COVIDx, attestent de l’efficacité et de la robustesse de la méthode proposée. À notre connaissance, nos résultats expérimentaux surpassent ceux de nombreuses méthodes récemment proposées. Le code source est disponible à l’adresse suivante : https://github.com/subhankar01/Covid-Chestxray-lambda-fuzzy