Détails du sujet
Conception architecturale d’un système intelligent pour l’assistance au diagnostic des maladies tropicales à partir d’images médicales
Résumé
Auteur : KAYIHEMBAKO MWENGE
Niveau: TECH2
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-07-09 22:02:18
Mots clés
architecture logicielle, intelligence artificielle, apprentissage profond, diagnostic médical, maladies tropicales, système hors ligne
Intérêt
Sur le plan scientifique et technique, notre projet permet de mobiliser des compétences en IA, en traitement d’images médicales et en conception de systèmes logiciels distribués. Il ouvre également la voie à la recherche appliquée dans le domaine de la santé numérique en Afrique, en mettant l’accent sur l’accessibilité et l’adaptabilité des solutions technologiques dans des environnements contraints.
Sur le plan sanitaire, le projet vise à améliorer l’accès au diagnostic pour les maladies tropicales, notamment dans les zones rurales ou éloignées où les infrastructures médicales sont limitées. En automatisant une partie du processus de diagnostic, il peut contribuer à réduire les erreurs, à alléger la charge de travail des professionnels de santé, et à favoriser une prise en charge plus rapide des patients.
ET Enfin sur le plan social, cette solution peut renforcer les systèmes de santé locaux, réduire les inégalités d’accès aux soins, et démontrer l’impact positif des technologies intelligentes au service du développement.
Problématique
Dans de nombreux pays tropicaux, les maladies comme le paludisme, la tuberculose ou la lèpre et d'autres constituent une charge importante pour les systèmes de santé. Le diagnostic repose souvent sur l'observation humaine, ce qui peut entraîner des erreurs, surtout en milieu rural, où les spécialistes et les ressources sont limités.
Les avancées en IA, notamment en vision par ordinateur et en apprentissage profond, offrent aujourd’hui la possibilité de concevoir des systèmes capables d’assister les professionnels de santé dans le diagnostic à partir d’images médicales. Mon projet vise donc à concevoir une solution logicielle intelligente, accessible et fonctionnelle même dans des zones sans connexion Internet, pour contribuer à un meilleur accès au diagnostic médical.
Comment concevoir un système intelligent, basé sur l’apprentissage profond et une architecture logicielle distribuée, capable d’assister de manière fiable au diagnostic des maladies tropicales à partir d’images médicales, tout en tenant compte des contraintes de connectivité, de matériel et de qualité des données dans les milieux à ressources limitées ? Plan provisoire
1. Introduction
2. état de l’art
3. Analyse des besoins et conception du système
4. Développement du système
5. Synchronisation, réentraînement et amélioration continue
6. Tests, évaluation et perspectives
7. Conclusion générale
Hypothèses
Il est possible de concevoir un système logiciel intelligent, utilisant l’apprentissage profond et l’analyse d’images médicales, capable d’assister efficacement au diagnostic des maladies tropicales, même dans des contextes où les ressources sont limitées, en combinant traitement local, stockage distribué et apprentissage progressif.
Méthodes
La méthodologie sera structurée autour de cinq phases principales dont:
1. la collecte et préparation des données en constituant un jeu de données médicales adapté
2. la conception du modèle IA en développant et en entraînant un réseau de neurones convolutionnel
3. le développement logiciel : création d’une application locale avec interface utilisateur et base de données intégrée
4. Conception de l’architecture distribuée : synchronisation différée vers un serveur central pour mise à jour du modèle
5. Validation : évaluation des performances du système et rédaction du rapport Bibliographie
1. Litjens, G. et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis.
2. Esteva, A. et al. (2020). Deep learning for AI-based diagnosis of skin-related neglected tropical diseases. PLOS Neglected Tropical Diseases.
3. Zhou, T. et al. (2023). A comprehensive review of deep neural networks for medical image analysis. Computers in Medical Imaging and Graphics.
4. Ronneberger, O. et al. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI.
5. Sharma, S. et al. (2021). A review on deep learning in medical image analysis. Multimedia Tools and Applications.
6. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Directeur & Encadreur
Directeur: AKWIR Alain NKIEDIEL
Encadreur: MOLO Joaquim MBASA
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Conception architecturale d’un système intelligent pour l’assistance au diagnostic des maladies tropicales à partir d’images médicales
Résumé
Auteur : KAYIHEMBAKO MWENGE
Niveau: TECH2
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-07-09 22:02:18
Mots clés
architecture logicielle, intelligence artificielle, apprentissage profond, diagnostic médical, maladies tropicales, système hors ligneIntérêt
Sur le plan scientifique et technique, notre projet permet de mobiliser des compétences en IA, en traitement d’images médicales et en conception de systèmes logiciels distribués. Il ouvre également la voie à la recherche appliquée dans le domaine de la santé numérique en Afrique, en mettant l’accent sur l’accessibilité et l’adaptabilité des solutions technologiques dans des environnements contraints.Sur le plan sanitaire, le projet vise à améliorer l’accès au diagnostic pour les maladies tropicales, notamment dans les zones rurales ou éloignées où les infrastructures médicales sont limitées. En automatisant une partie du processus de diagnostic, il peut contribuer à réduire les erreurs, à alléger la charge de travail des professionnels de santé, et à favoriser une prise en charge plus rapide des patients.
ET Enfin sur le plan social, cette solution peut renforcer les systèmes de santé locaux, réduire les inégalités d’accès aux soins, et démontrer l’impact positif des technologies intelligentes au service du développement.
Problématique
Dans de nombreux pays tropicaux, les maladies comme le paludisme, la tuberculose ou la lèpre et d'autres constituent une charge importante pour les systèmes de santé. Le diagnostic repose souvent sur l'observation humaine, ce qui peut entraîner des erreurs, surtout en milieu rural, où les spécialistes et les ressources sont limités.Les avancées en IA, notamment en vision par ordinateur et en apprentissage profond, offrent aujourd’hui la possibilité de concevoir des systèmes capables d’assister les professionnels de santé dans le diagnostic à partir d’images médicales. Mon projet vise donc à concevoir une solution logicielle intelligente, accessible et fonctionnelle même dans des zones sans connexion Internet, pour contribuer à un meilleur accès au diagnostic médical.
Comment concevoir un système intelligent, basé sur l’apprentissage profond et une architecture logicielle distribuée, capable d’assister de manière fiable au diagnostic des maladies tropicales à partir d’images médicales, tout en tenant compte des contraintes de connectivité, de matériel et de qualité des données dans les milieux à ressources limitées ?
Plan provisoire
1. Introduction2. état de l’art
3. Analyse des besoins et conception du système
4. Développement du système
5. Synchronisation, réentraînement et amélioration continue
6. Tests, évaluation et perspectives
7. Conclusion générale
Hypothèses
Il est possible de concevoir un système logiciel intelligent, utilisant l’apprentissage profond et l’analyse d’images médicales, capable d’assister efficacement au diagnostic des maladies tropicales, même dans des contextes où les ressources sont limitées, en combinant traitement local, stockage distribué et apprentissage progressif.Méthodes
La méthodologie sera structurée autour de cinq phases principales dont:1. la collecte et préparation des données en constituant un jeu de données médicales adapté
2. la conception du modèle IA en développant et en entraînant un réseau de neurones convolutionnel
3. le développement logiciel : création d’une application locale avec interface utilisateur et base de données intégrée
4. Conception de l’architecture distribuée : synchronisation différée vers un serveur central pour mise à jour du modèle
5. Validation : évaluation des performances du système et rédaction du rapport
Bibliographie
1. Litjens, G. et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis.2. Esteva, A. et al. (2020). Deep learning for AI-based diagnosis of skin-related neglected tropical diseases. PLOS Neglected Tropical Diseases.
3. Zhou, T. et al. (2023). A comprehensive review of deep neural networks for medical image analysis. Computers in Medical Imaging and Graphics.
4. Ronneberger, O. et al. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI.
5. Sharma, S. et al. (2021). A review on deep learning in medical image analysis. Multimedia Tools and Applications.
6. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Directeur & Encadreur
Directeur: AKWIR Alain NKIEDIELEncadreur: MOLO Joaquim MBASA
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON