Le diagnostic manuel du paludisme par examen microscopique est un processus lent et sujet à l'erreur humaine. YOLOKAN-11 est une solution d'IA hybride conçue pour automatiser ce diagnostic avec une précision accrue.
En fusionnant la puissance de détection de YOLO11 et la capacité d'approximation non linéaire des Réseaux de Kolmogorov-Arnold (KAN), ce modèle identifie les parasites sur des frottis sanguins minces et estime la charge parasitaire (parasitémie).
Contrairement aux réseaux classiques utilisant des poids fixes et des fonctions d'activation (ReLU), YOLOKAN intègre des fonctions d'activation apprenantes basées sur les polynômes de Tchebychev. Cela permet :
- Une meilleure capture des textures fines des parasites.
- Une réduction du nombre de paramètres tout en conservant la performance.
Application de l'algorithme CLAHE (Contrast Limited Adaptive Histogram Equalization) pour normaliser l'éclairage et renforcer les contrastes entre les parasites et le cytoplasme des globules rouges.
Utilisation de la Focal Loss pour concentrer l'apprentissage sur les exemples "difficiles" (parasites) et ignorer le bruit de fond (cellules saines majoritaires).
| Métrique | YOLO11 (Baseline) | YOLOKAN-11 (Proposé) |
|---|---|---|
| mAP@0.5 | 89.9% | 92.4% |
| F1-Score | 0.86 | 0.89 |
| MAE (Parasitémie) | 2.5% | 1.2% |
Conclusion : YOLOKAN-11 réduit l'erreur de comptage de moitié par rapport au modèle standard.
├── data/ # Jeu de données (NIH-NLM)
├── models/ # Définitions des couches KAN & Tchebychev
├── weights/ # Modèles pré-entraînés (.pt)
├── utils/ # Scripts CLAHE et calcul de parasitémie
├── train.py # Pipeline d'entraînement
└── detect.py # Script d'inférence et visualisation
# Cloner le projet
git clone https://github.com/votre-nom/YOLOKAN-11.git
cd YOLOKAN-11
# Installer les dépendances
pip install -r requirements.txt
| Annotation Expert | Prédiction YOLOKAN-11 |
|---|---|
| Vérité terrain : Parasites annotés | Détection précise des trophozoïtes |
Ce projet s'appuie sur le jeu de données NIH-NLM comprenant des milliers d'images de frottis infectés. L'architecture suit un protocole rigoureux en 4 phases :
- Baseline : Étalonnage avec YOLO11.
- Hybridation : Intégration du noyau KAN.
- Ablation : Test des fonctions de perte (BCE vs Focal Loss).
- Validation : Test en aveugle sur des données patients.
Projet réalisé dans le cadre d'un mémoire de recherche sur l'intelligence artificielle appliquée à l'imagerie médicale.