Une comparaison entre les frameworks d’architecture VGG16, VGG19 et ResNet50 pour la classification des images médicales traitées normales et CLAHE

Abstract Dans cet article, nous avons choisi de concentrer notre étude sur la recherche du bon modèle de réseau neuronal convexe spécifiquement pour la tâche de classification binaire pour le type d’image médicale à contraste normal et amélioré par la technique CLAHE. Nous avons comparé les architectures de VGG16, VGG19 et Resnet50 en termes de précision, de score F1 et de rappel pour un ensemble d’images cérébrales sélectionnées de cas de contraste normaux et améliorés CLAHE. Après avoir effectué 10 expériences dans deux modes: avec et sans augmentation de données tout en gardant les mêmes paramètres des simulations, nous sommes arrivés à la conclusion que VGG16 présente évidemment la meilleure architecture pour la classification d’images médicales, les résultats à la lumière du mode d’augmentation de données, le cas d’utilisation les images à contraste normal, les trois modèles ont fourni les précisions 0,78, 0,66 et 0,69 respectivement pour VGG16, VGG19 et Resnet50, et pour le cas d’utilisation les images de contraste améliorées par la technique CLAHE, les précisions étant respectivement de 0,78, 0,76 et 0,72 pour VGG16, VGG19 et Resnet50. Pour le mode d’augmentation sans données, le cas d’utilisation des images à contraste normal, les trois modèles ont fourni les précisions de 0,88, 0,79 et 0,75 respectivement pour VGG16, VGG19 et Resnet50, et pour le cas d’utilisation d’images à contraste amélioré par CLAHE, les précisions étant respectivement de 0,86, 0,87 et 0,65 pour VGG16, VGG19 et Resnet50.