réalisation d’un système de reconnaissance pour la détection de la lithiase urinaire

Abstract

La lithiase urinaire est une maladie de plus en plus fréquente dans le monde. Elle est une pathologie liée à la formation d'un (ou plusieurs) calcul dans les voies urinaires. La lithiase calcique (composée majoritairement de calcium) est la plus fréquente (80 à 90% des cas). La majorité des cristaux analysés chez les patients est composée d'oxalate de calcium ( ) monohydraté ( ( )) et de l‘ dihydraté ( ( )). Les cristaux urinaires ont été identifiés par l‘analyse chimique et morphologique à partir des échantillons d‘une base de données d'urine prélevés sur des volontaires humains. La cristallurie a été observée par microscopie optique à lumière polarisée. L'oxalurie apparente et le calcium urinaire ont été déterminés par des dosages volumétriques conventionnels. La base de données a été établie par le présent travail. Dans cette thèse, nous développons une approche supervisée (système d‘aide à la décision) pour le diagnostic médical de la maladie de la lithiase urinaire. En comparant les performances de différentes techniques d'algorithmes de data minig nous avons pu développer un système simple pour prédire et classifier les cristaux urinaires. Les résultats obtenus montrent que l'algorithme de Forêt aléatoires serait un modèle jugé très puissant et supérieur aux différentes techniques de prédiction. Le taux de classification moyen correct est de 97,39%. La précision du système a été déterminée en comparant les taux de classification corrects des différents algorithmes. Ce système est important en particulier pour les laboratoires d‘analyses médicales puisqu‘ il peut fournir des informations utiles sur le développement de la formation des calculs urinaires. En fait la détermination et la prédiction des types de cristaux de l'urine seraient utiles pour la prévention et une meilleure prise en charge de la lithiase urinaire. Nous avons présenté une étude comparative de divers algorithmes de classification de données couplés à -descripteur, et sur la base de données d‘images des cristaux urinaires les plus fréquents. Les résultats obtenus ont montré que l‘Algorithme couplé au descripteur ont atteint une meilleur précision en se basant sur la matrice de confusion. Ces résultats obtenus ont indiqué que ce couplage pourrait être efficace pour classifier les images des cristaux urinaires.