Fusion à base de rang flou des modèles CNN utilisant la fonction de Gompertz pour le dépistage des scanners TDM du COVID-19

La pandémie de COVID‑19 a gravement affaibli les systèmes de santé mondiaux, freinant la croissance économique et entraînant la perte de nombreuses vies humaines. Bien que des vaccins potentiels soient actuellement testés et distribués à l’échelle mondiale, il faudra encore beaucoup de temps pour atteindre l’ensemble de la population, d’autant plus que de nouvelles variantes du virus continuent d’émerger, imposant des situations proches de celles des confinements dans certaines régions du monde. Il existe donc une nécessité urgente de détecter précocement et avec fiabilité le COVID‑19 afin de limiter sa propagation. Le test de référence actuel, le RT‑PCR, n’atteint qu’une sensibilité de 71 % et s’avère laborieux à réaliser, ce qui rend impossible un dépistage massif à grande échelle. À cet effet, dans cet article, nous proposons un système automatisé de détection du COVID‑19 basé sur l’analyse d’images de scanners thoraciques (CT) des poumons, permettant de classifier ces images en cas de COVID ou de non-COVID. La méthode proposée met en œuvre une stratégie d’ensembles qui génère des classements flous des modèles de classification de base à l’aide de la fonction de Gompertz, puis fusionne de manière adaptative les scores de décision des modèles de base pour produire les prédictions finales sur les échantillons de test. Trois modèles de réseaux de neurones convolutifs fondés sur le transfert d’apprentissage sont utilisés pour générer ces scores de décision : VGG‑11, Wide ResNet‑50‑2 et Inception v3. Le cadre proposé a été évalué sur deux jeux de données publiques d’images de scanners thoraciques, atteignant des performances de pointe, ce qui atteste de la fiabilité du modèle. Le code source associé à ce travail est disponible sur GitHub.