Dans un contexte où la détection précoce de la maladie d’Alzheimer est essentielle pour optimiser les prises en charge thérapeutiques, ce projet propose une approche complète utilisant l’intelligence artificielle pour analyser des images IRM cérébrales.

Après une étape rigoureuse de préparation et de normalisation des données issues de la base OASIS-II, plusieurs modèles de réseaux de neurones convolutifs (CNN) pré-entraînés ont été adaptés, entraînés et évalués : MobileNetV2, ResNet152, DenseNet121, InceptionV3, Xception et VGG16.

Le processus de classification a d’abord envisagé trois catégories (non-démence, en voie de développer une démence, démence), avant d’être recentré sur une approche binaire pour maximiser la précision diagnostique.
Les modèles ont été comparés objectivement via des métriques standards (précision, rappel, F1-score) sur un ensemble de test indépendant.

Résultats :
Le modèle ResNet152 a démontré la meilleure performance avec un taux de précision au-delà de 98%, confirmant l’efficacité des architectures profondes pour l’analyse fine de biomarqueurs d’imagerie cérébrale.