Université Protestante au Congo

Faculté de Sciences Informatiques

Département Intelligence Artificielle
Option : Data Science

Développement d’un système de détection des

micro-organismes à partir d’un prélèvement
sanguin grâce au deep learning et analyse des
résultats

Monographie projet de fin d’année

Présenté par :
Kabongo Kalonji Jenovic

Promotion :
L3 Data science

Année académique 2024 - 2025

Résumé

Ce projet s’inscrit dans le cadre du développement d’une solution innovante en santé

numérique en réponse aux difficultés de diagnostic rapide des maladies dans les zones à
ressources limitées. Il consiste en la conception et la mise en œuvre d’un système intel-
ligent appelé MediScan AI, capable de détecter automatiquement la présence de micro-
organismes dans des prélèvements sanguins à partir d’images microscopiques. L’étudiant
a développé une application web intégrant des modèles de deep learning pour analyser les
images de frottis sanguins, identifier les parasites responsables du paludisme et générer
un rapport médical détaillé avec un pourcentage de confiance. L’approche adoptée com-
bine la vision par ordinateur, la classification d’images et l’intégration d’une base de
données pour l’enregistrement des résultats. Les résultats obtenus démontrent la fiabilité
et l’efficacité du système, qui pourrait ainsi contribuer à améliorer la qualité et la rapidité
du diagnostic médical, tout en facilitant le travail des professionnels de santé.

1
Contents

Introduction générale 4
0.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.2 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.3 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.3.1 Objectif général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.3.2 Objectifs spécifiques . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0.4 Méthodologie adoptée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.5 Structure du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Cadre théorique et technologique 6

0.6 Définitions des concepts clés . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.6.1 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.6.2 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.6.3 Réseau de neurones convolutionnel (CNN) . . . . . . . . . . . . . . 6
0.6.4 Vision par ordinateur . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.6.5 Frottis sanguin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
0.6.6 Modèle de classification . . . . . . . . . . . . . . . . . . . . . . . . . 7
0.6.7 Prédiction et confiance . . . . . . . . . . . . . . . . . . . . . . . . . 7
0.6.8 Application web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
0.6.9 Rapport médical automatique . . . . . . . . . . . . . . . . . . . . . 7
0.6.10 Framework TensorFlow/Keras . . . . . . . . . . . . . . . . . . . . . 7
0.7 Présentation des outils ou technologies utilisés . . . . . . . . . . . . . . . . 7
0.7.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.7.2 TensorFlow et Keras . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.7.3 HTML, CSS et JavaScript . . . . . . . . . . . . . . . . . . . . . . . 8
0.7.4 Django . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.7.5 SQLite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.7.6 Visual Studio Code . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.7.7 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
0.7.8 GitHub . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Réalisation du projet 10
0.8 Analyse des besoins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
0.8.1 Public cible et contexte d’usage . . . . . . . . . . . . . . . . . . . . 10
0.8.2 Problèmes concrets à résoudre . . . . . . . . . . . . . . . . . . . . . 10
0.8.3 Objectifs techniques et organisationnels . . . . . . . . . . . . . . . . 10
0.8.4 Besoins fonctionnels et non fonctionnels . . . . . . . . . . . . . . . 11
0.8.5 Contraintes identifiées . . . . . . . . . . . . . . . . . . . . . . . . . 11
0.9 Architecture de la solution . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
0.9.1 Description générale . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2
 0.9.2 Schéma d’architecture . . . . . . . . . . . . . . . . . . . . . . . . . 12
0.10 Étapes de mise en œuvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
0.10.1 Phase de conception . . . . . . . . . . . . . . . . . . . . . . . . . . 12
0.10.2 Phase d’implémentation . . . . . . . . . . . . . . . . . . . . . . . . 13
0.10.3 Phase de tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
0.11 Résultats obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Difficultés rencontrées et limites 16

0.12 Difficultés rencontrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
0.13 Limites de la solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Conclusion générale 18
0.14 Récapitulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
0.15 Apports du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
0.16 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

Bibliographie et Webographie 20

Annexes 21

3
Introduction générale

0.1 Contexte
Le contexte actuel de la santé dans de nombreuses régions, notamment en République
Démocratique du Congo, est marqué par des difficultés majeures dans le diagnostic rapide
et précis des maladies infectieuses. Le paludisme, ainsi que d’autres infections para-
sitaires, restent des causes importantes de morbidité et mortalité. Les méthodes tradi-
tionnelles d’analyse des frottis sanguins, qui reposent sur l’expertise humaine, sont souvent
longues, coûteuses et sujettes à des erreurs. Avec l’essor des technologies numériques et
de l’intelligence artificielle, il devient possible de développer des solutions automatisées
capables d’améliorer la qualité, la rapidité et la fiabilité des diagnostics. C’est dans ce
cadre que le projet MediScan AI prend tout son sens, en proposant un système intelli-
gent de détection automatique des micro-organismes à partir d’images de prélèvements
sanguins, pour soutenir les professionnels de santé dans leur travail quotidien.

0.2 Problématique
La détection et le diagnostic rapides des maladies infectieuses telles que le paludisme
demeurent un défi majeur dans les zones à ressources limitées. Les méthodes classiques
reposant sur l’analyse manuelle des frottis sanguins exigent une expertise pointue, du
temps et des équipements souvent indisponibles ou insuffisants. Ces contraintes entraı̂nent
fréquemment des retards dans le diagnostic, des erreurs potentielles et une prise en charge
tardive des patients, aggravant ainsi la morbidité et la mortalité. De plus, la charge de
travail importante des laboratoires et le manque de personnel qualifié limitent la capacité
à effectuer des analyses fiables à grande échelle. Face à ces enjeux, il est impératif de
développer des outils automatisés et accessibles, capables de faciliter et d’accélérer le
diagnostic médical, tout en maintenant un haut niveau de précision.

0.3 Objectifs
0.3.1 Objectif général
Concevoir et développer un système intelligent capable de détecter automatiquement la
présence de micro-organismes pathogènes à partir d’images de prélèvements sanguins, afin
d’améliorer la rapidité, la fiabilité et la qualité du diagnostic médical.

0.3.2 Objectifs spécifiques

• Développer un modèle de deep learning performant pour l’analyse d’images de frottis
sanguins.

4
 • Concevoir une application web intuitive permettant la soumission des images et la
visualisation des résultats.

• Intégrer un système de génération automatique de rapports médicaux avec un taux

de confiance associé.

• Faciliter le stockage sécurisé des données patients et des résultats d’analyse dans
une base de données.

• Tester et valider le système sur des données réelles pour garantir sa fiabilité.

0.4 Méthodologie adoptée

Pour mener à bien ce projet, une démarche méthodique a été adoptée, combinant plusieurs
étapes clés. Tout d’abord, une analyse approfondie des besoins a été réalisée afin de bien
cerner les exigences fonctionnelles et techniques. Ensuite, la conception du système a été
effectuée en définissant l’architecture logicielle et en sélectionnant les outils et technologies
adaptés, notamment les frameworks de deep learning et les langages de programmation
web. Le développement s’est appuyé sur des itérations successives, incluant l’entraı̂nement
du modèle d’intelligence artificielle avec un jeu de données annoté, le développement
de l’interface utilisateur et l’intégration des différentes composantes. Enfin, des tests
rigoureux ont été effectués pour valider la performance et la fiabilité du système, avec un
focus particulier sur la précision du diagnostic et l’expérience utilisateur.

0.5 Structure du document

Ce document est structuré en six chapitres principaux, à savoir :

• Chapitre 1 : Introduction générale

Présente le contexte, la problématique, les objectifs, la méthodologie adoptée ainsi
que la structure du document.

• Chapitre 2 : Cadre théorique et technologique

Définit les concepts clés en rapport avec le projet et présente les outils et technologies
utilisés.

• Chapitre 3 : Réalisation du projet

Décrit l’analyse des besoins, l’architecture de la solution, les étapes de mise en œuvre
et les résultats obtenus.

• Chapitre 4 : Difficultés rencontrées et limites

Présente les principales difficultés rencontrées lors de la réalisation du projet ainsi
que les limites de la solution proposée.

• Chapitre 5 : Conclusion générale

Comprend le récapitulatif du travail, les apports du projet et les perspectives d’amélioration
ou d’extension futures.

• Chapitre 6 : Bibliographie et Annexes

Regroupe la bibliographie et les annexes qui complètent le document.

5
Cadre théorique et technologique

0.6 Définitions des concepts clés

Dans cette section, nous présentons les principales notions théoriques liées à la réalisation
du projet MediScan AI.

0.6.1 Intelligence artificielle

L’intelligence artificielle (IA) est un domaine de l’informatique visant à créer des systèmes
capables de reproduire certaines fonctions cognitives humaines telles que l’apprentissage,
la reconnaissance visuelle, la prise de décision ou la résolution de problèmes. Dans ce
projet, l’IA est utilisée pour automatiser le diagnostic médical à partir d’images de
prélèvements sanguins, en détectant et en classifiant les micro-organismes présents sur
les frottis.

0.6.2 Deep learning

Le deep learning, ou apprentissage profond, est une sous-branche de l’intelligence ar-
tificielle reposant sur des réseaux de neurones artificiels composés de plusieurs couches
cachées. Ces architectures permettent d’apprendre des représentations complexes des
données. Dans MediScan AI, le deep learning est exploité pour entraı̂ner un modèle ca-
pable d’identifier des parasites dans des images microscopiques de frottis sanguins avec
une précision élevée.

0.6.3 Réseau de neurones convolutionnel (CNN)

Les réseaux de neurones convolutionnels (CNN) sont une architecture spécifique de deep
learning, particulièrement adaptée au traitement des images. Ils utilisent des couches de
convolution pour extraire automatiquement les caractéristiques importantes des images,
telles que les contours et les textures. Dans ce projet, un CNN est utilisé pour analyser
les images de frottis sanguins et identifier la présence de parasites ou micro-organismes
pathogènes.

0.6.4 Vision par ordinateur

La vision par ordinateur est un domaine de l’intelligence artificielle qui consiste à permet-
tre aux machines d’interpréter et de comprendre des informations visuelles issues d’images
ou de vidéos. Ce projet utilise la vision par ordinateur pour analyser automatiquement des
images de prélèvements sanguins et détecter la présence de micro-organismes pathogènes.

6
0.6.5 Frottis sanguin
Un frottis sanguin est une technique d’analyse microscopique consistant à étaler une
fine couche de sang sur une lame, puis à la colorer pour identifier les différentes cellules
sanguines et détecter d’éventuels parasites. Dans ce projet, les images de frottis sanguins
constituent la base de données d’entraı̂nement et de test du modèle de deep learning.

0.6.6 Modèle de classification

Un modèle de classification est un algorithme d’apprentissage supervisé qui apprend à
associer des observations (images, textes, données numériques) à des classes ou catégories
prédéfinies. Dans MediScan AI, le modèle de classification est entraı̂né pour distinguer
entre des images de frottis infectés par des micro-organismes pathogènes et des images
saines, en fournissant un diagnostic avec un pourcentage de confiance.

0.6.7 Prédiction et confiance

La prédiction est le résultat généré par un modèle d’intelligence artificielle lorsqu’il analyse
de nouvelles données. Le taux de confiance (ou probabilité prédictive) indique à quel point
le modèle est sûr de sa décision. Dans MediScan AI, la prédiction inclut le diagnostic
(infecté ou non) accompagné d’un pourcentage de confiance, ce qui aide le médecin à
évaluer la fiabilité du résultat.

0.6.8 Application web

Une application web est un programme informatique accessible via un navigateur inter-
net, sans nécessiter d’installation locale sur l’ordinateur de l’utilisateur. MediScan AI est
implémenté sous forme d’application web afin de faciliter son accessibilité par les profes-
sionnels de santé, leur permettant d’importer des images, de lancer l’analyse et d’obtenir
un diagnostic à distance.

0.6.9 Rapport médical automatique

Le rapport médical automatique est un document généré par le système après l’analyse
d’un prélèvement sanguin. Il contient les informations du patient, le diagnostic établi par
le modèle, le taux de confiance, ainsi qu’une explication médicale synthétique. Ce rapport
vise à faciliter l’interprétation des résultats et l’intégration dans les dossiers médicaux.

0.6.10 Framework TensorFlow/Keras

TensorFlow est une bibliothèque open-source développée par Google pour le calcul numérique
et le machine learning, tandis que Keras est une API haut-niveau fonctionnant sur Ten-
sorFlow, permettant de créer et entraı̂ner facilement des modèles de deep learning. Dans
MediScan AI, TensorFlow et Keras ont été utilisés pour construire et entraı̂ner le modèle
de détection des micro-organismes.

0.7 Présentation des outils ou technologies utilisés

Cette section présente les principaux outils et technologies utilisés dans le cadre de la
réalisation du projet MediScan AI.

7
0.7.1 Python
Description : Python est un langage de programmation interprété, orienté objet et
multi-paradigme, largement utilisé en intelligence artificielle et en développement web.
Raisons du choix : Sa simplicité de syntaxe, sa large communauté et la disponibilité de
nombreuses bibliothèques spécialisées en deep learning et en traitement d’images en font
un choix optimal. Rôle dans le projet : Python a été utilisé pour le développement du
modèle de deep learning et la mise en place du backend de l’application.

0.7.2 TensorFlow et Keras

Description : TensorFlow est une bibliothèque open-source développée par Google pour
le calcul numérique et l’apprentissage automatique. Keras est une API haut-niveau fonc-
tionnant sur TensorFlow pour construire rapidement des réseaux de neurones. Raisons
du choix : TensorFlow et Keras sont puissants, bien documentés et optimisés pour
l’entraı̂nement des modèles de deep learning, tout en offrant une grande flexibilité et une
intégration facile dans des applications web. Rôle dans le projet : Ces frameworks ont
servi à concevoir, entraı̂ner et évaluer le modèle de classification d’images utilisé pour la
détection des micro-organismes.

0.7.3 HTML, CSS et JavaScript

Description : HTML est le langage de balisage standard pour créer la structure des pages
web, CSS sert à les styliser et JavaScript permet d’ajouter des fonctionnalités interactives.
Raisons du choix : Ce sont des technologies incontournables pour le développement
d’interfaces web responsives et interactives. Rôle dans le projet : Elles ont été utilisées
pour la conception de l’interface utilisateur permettant de soumettre des images et de
visualiser les résultats.

0.7.4 Django
Description : Django est un framework web open-source en Python, suivant le modèle
MVC, permettant de développer des applications web rapidement et de manière sécurisée.
Raisons du choix : Il offre une structure robuste, intègre un ORM pour la base de
données, et permet un développement rapide et sécurisé. Rôle dans le projet : Django
a été utilisé comme backend de l’application pour gérer les requêtes, le stockage des
données et l’intégration du modèle d’intelligence artificielle.

0.7.5 SQLite
Description : SQLite est un système de gestion de base de données relationnelle, léger et
embarqué. Raisons du choix : Sa simplicité d’installation, sa compatibilité native avec
Django et sa légèreté en font un choix adapté pour des applications de démonstration et
prototypage. Rôle dans le projet : Il a servi à stocker les informations des patients,
les images analysées et les résultats générés par le système.

0.7.6 Visual Studio Code

Description : Visual Studio Code (VS Code) est un éditeur de code source développé par
Microsoft, supportant de nombreux langages de programmation et extensions. Raisons
du choix : Sa légèreté, ses fonctionnalités avancées comme l’auto-complétion, le debug

8
intégré et ses extensions facilitent grandement le développement. Rôle dans le projet
: VS Code a été l’environnement principal de développement pour l’écriture du code
Python, HTML, CSS et JavaScript.

0.7.7 Google Colab

Description : Google Colaboratory est un environnement d’exécution Python hébergé
sur le cloud, permettant d’exécuter des notebooks Jupyter avec des ressources GPU gratu-
ites. Raisons du choix : Il permet d’entraı̂ner rapidement des modèles de deep learning
sans contrainte matérielle locale. Rôle dans le projet : Google Colab a été utilisé pour
l’entraı̂nement initial et le test du modèle de deep learning sur des données d’images.

0.7.8 GitHub
Description : GitHub est une plateforme de versioning et d’hébergement de projets
basés sur Git. Raisons du choix : Elle facilite la sauvegarde, la collaboration et le suivi
des versions de code. Rôle dans le projet : GitHub a servi de dépôt pour héberger le
code source et suivre l’évolution du projet.

9
Réalisation du projet

0.8 Analyse des besoins

L’analyse des besoins vise à identifier les motivations ayant conduit à la réalisation du
projet MediScan AI ainsi que les attentes fonctionnelles et non fonctionnelles liées à son
utilisation.

0.8.1 Public cible et contexte d’usage

Le projet s’adresse principalement aux professionnels de santé, notamment les médecins
biologistes et techniciens de laboratoire, travaillant dans des centres de santé, hôpitaux
ou laboratoires d’analyses médicales. Le contexte d’utilisation est celui de l’analyse de
prélèvements sanguins pour le diagnostic de maladies infectieuses telles que le paludisme,
dans un environnement où l’accès aux experts microscopistes peut être limité.

0.8.2 Problèmes concrets à résoudre

• Délais importants dans l’obtention des résultats de diagnostic, entraı̂nant des prises
en charge tardives.

• Risque d’erreurs humaines liées à la fatigue ou au manque d’expertise des micro-

scopistes.

• Manque d’outils numériques automatisés adaptés aux réalités des pays à ressources
limitées.

• Difficulté de stockage et de traçabilité des résultats d’analyses pour le suivi médical

des patients.

0.8.3 Objectifs techniques et organisationnels

• Automatiser la détection des micro-organismes pathogènes dans les images de frottis
sanguins.

• Développer une application web intuitive et accessible.

• Générer automatiquement un rapport médical incluant le diagnostic et un taux de

confiance.

• Stocker de manière sécurisée les données des patients et les résultats d’analyses.

10
0.8.4 Besoins fonctionnels et non fonctionnels
Besoins fonctionnels Besoins non fonctionnels
Importer une image de frottis Interface utilisateur intuitive et responsive
sanguin
Analyser l’image et prédire Sécurité et confidentialité des données pa-
la présence ou non de micro- tients
organismes
Afficher le diagnostic accompagné Rapidité de traitement (résultats en quelques
du pourcentage de confiance secondes)
Générer et télécharger un rapport Compatibilité avec différents navigateurs
médical automatique web
Enregistrer les résultats et infor- Facilité de maintenance et de mise à jour du
mations des patients dans la base système
de données

Table 1: Besoins fonctionnels et non fonctionnels du projet MediScan AI

0.8.5 Contraintes identifiées

• Temps : Le projet a été réalisé dans un délai académique limité.
• Matériel : Entraı̂nement initial réalisé sur Google Colab faute de GPU local per-
formant.
• Compétences : Maı̂trise requise en deep learning, vision par ordinateur et développement
web.
• Données : Nécessité de disposer d’un jeu de données d’images de frottis sanguins
annotées et de qualité.

0.9 Architecture de la solution

Cette section présente l’architecture générale du projet MediScan AI, permettant de com-
prendre l’organisation et les interactions entre ses différentes composantes.

0.9.1 Description générale

Le système MediScan AI est basé sur une architecture web de type client-serveur et
comprend les principaux composants suivants :
• Interface utilisateur (Frontend) : développée avec HTML, CSS et JavaScript,
elle permet aux utilisateurs d’interagir avec l’application, notamment pour importer
les images de frottis sanguins et visualiser les résultats.
• Serveur (Backend) : implémenté avec Django (Python), il gère les requêtes
de l’utilisateur, le traitement des images et la génération des résultats. Il assure
également la communication avec la base de données.
• Modèle de deep learning : intégré dans le backend, il analyse les images soumises
pour détecter et classifier les micro-organismes pathogènes.
• Base de données : stocke les informations des patients, les images analysées et
les rapports générés par le système.

11
 Figure 1: Schéma d’architecture générale du projet MediScan AI

0.9.2 Schéma d’architecture

Le schéma ci-dessus illustre l’architecture globale du système. L’utilisateur accède à
l’application via un navigateur web (client), interagit avec le serveur Django qui traite
la requête, appelle le modèle de deep learning pour effectuer la prédiction, puis renvoie
le résultat affiché à l’utilisateur. La base de données enregistre toutes les informations
nécessaires pour la traçabilité et l’historique des analyses.

0.10 Étapes de mise en œuvre

Cette section décrit le processus de réalisation du projet MediScan AI étape par étape,
depuis la conception jusqu’aux tests.

0.10.1 Phase de conception

La phase de conception a débuté par l’analyse approfondie du besoin, permettant de
dégager les fonctionnalités essentielles du système. Des maquettes d’interface utilisateur
ont été réalisées à l’aide d’outils de dessin afin de prévoir l’agencement des différentes pages
de l’application web. Ces maquettes incluaient la page d’accueil, la page de soumission
des images de frottis sanguins ainsi que la page de résultats affichant le diagnostic et le
taux de confiance.

12
 Figure 2: Maquette de l’interface utilisateur de MediScan AI

0.10.2 Phase d’implémentation

Durant cette phase, le développement s’est déroulé comme suit :
1. Mise en place de l’environnement de développement (installation de Python, Ten-
sorFlow, Django et des bibliothèques nécessaires).
2. Construction du modèle de deep learning basé sur un réseau de neurones convolu-
tionnel (CNN) entraı̂né avec un dataset d’images de frottis sanguins annotées. Le
modèle a été implémenté avec Keras et entraı̂né sur Google Colab.
3. Développement de l’application web avec Django pour la gestion du backend, inclu-
ant les routes, les templates HTML/CSS et la logique d’intégration du modèle de
deep learning.
4. Intégration du modèle entraı̂né dans l’application web pour permettre la soumission
d’images et l’affichage du résultat de la prédiction.
5. Développement des fonctionnalités de génération automatique du rapport médical,
incluant le diagnostic, le pourcentage de confiance et les informations du patient.
6. Configuration de la base de données SQLite pour le stockage des informations des
patients, des images soumises et des résultats générés.
7. Déploiement local de l’application pour les tests finaux.

0.10.3 Phase de tests

Des tests fonctionnels ont été réalisés afin de vérifier le bon fonctionnement de chaque
composant du système.
• Test du modèle de deep learning : vérification de la précision du modèle sur
un jeu de données de test, atteignant un taux de précision satisfaisant.
• Test de l’interface utilisateur : validation de l’ergonomie et de la facilité d’utilisation
de l’application web sur différents navigateurs.
• Test global du système : simulation complète d’un scénario utilisateur depuis la
soumission de l’image jusqu’à l’obtention du rapport médical généré automatique-
ment.
Les résultats des tests confirment que le système répond aux besoins identifiés et
fonctionne de manière fiable dans le contexte académique pour lequel il a été conçu.

13
 Figure 3: Extrait de code du modèle CNN implémenté

0.11 Résultats obtenus

Les résultats finaux obtenus après la réalisation du projet MediScan AI sont satisfaisants
et démontrent la faisabilité de la solution. L’application permet :

• L’importation d’images de frottis sanguins via une interface web intuitive.

• L’analyse automatique de ces images par le modèle de deep learning intégré, aboutis-
sant à un diagnostic (infecté ou non infecté) avec un pourcentage de confiance.

• L’affichage clair des résultats sur la page web pour consultation immédiate.

• La génération automatique d’un rapport médical incluant les informations du pa-

tient, le diagnostic, la présentation médicale de la maladie détectée et le taux de
confiance.

• Le stockage sécurisé des données des patients, des images analysées et des résultats
dans la base de données pour assurer la traçabilité.

Ces résultats confirment que le système est fonctionnel et prêt pour des tests appro-
fondis dans un environnement médical réel afin d’envisager un déploiement futur.

14
Figure 4: Exemple d’affichage du résultat après analyse d’une image

Figure 5: Exemple de rapport médical généré au format PDF

15
Difficultés rencontrées et limites

0.12 Difficultés rencontrées

Au cours de la réalisation du projet MediScan AI, plusieurs obstacles ont été rencontrés,
qui ont nécessité de l’adaptation et de la persévérance.

• Difficultés techniques :

– La configuration de l’environnement de développement et l’intégration du modèle

de deep learning dans l’application Django ont demandé une bonne maı̂trise
des outils et du langage Python.
– L’optimisation du modèle CNN pour atteindre une précision acceptable a
nécessité plusieurs phases d’entraı̂nement et de réglage des hyperparamètres,
parfois longues et consommatrices en ressources.
– La gestion du stockage sécurisé des données patients et la génération dynamique
des rapports PDF ont impliqué l’apprentissage de bibliothèques spécifiques.

• Difficultés organisationnelles :

– Le délai académique imposé a limité le temps disponible pour le développement

complet et la phase de tests approfondis.
– La coordination entre les différentes phases du projet (conception, implémentation,
tests) a demandé une planification rigoureuse malgré des imprévus.

• Difficultés personnelles :

– La nécessité d’acquérir de nouvelles compétences en intelligence artificielle et

en développement web a représenté un défi important mais enrichissant.
– La gestion de la charge de travail entre les études et le projet a requis une
bonne organisation personnelle.

Malgré ces difficultés, chaque obstacle a été analysé, et des solutions adaptées ont été
mises en œuvre, permettant d’avancer progressivement vers l’achèvement du projet.

0.13 Limites de la solution

Bien que le projet ait abouti à une application fonctionnelle, certaines limites restent à
souligner :

• Validation des résultats : Le modèle n’a pas encore été testé sur un large panel
de données réelles collectées localement, ce qui limite la garantie de sa robustesse
en conditions pratiques.

16
 • Fonctionnalités incomplètes : La génération de rapports médicaux reste basique,
sans intégration d’un système expert ou de recommandations thérapeutiques.

• Déploiement : L’application est pour l’instant hébergée localement, sans accès

distant, ce qui limite son utilisation par des professionnels situés en dehors de
l’environnement de développement.

• Ergonomie : L’interface, bien que fonctionnelle, pourrait être améliorée pour offrir
une meilleure expérience utilisateur et un design plus professionnel.

• Dépendance technologique : L’application repose sur plusieurs bibliothèques

Python et frameworks qui peuvent nécessiter une maintenance régulière pour garan-
tir la compatibilité future.

Ces limites offrent des pistes claires pour des travaux futurs et des améliorations
potentielles, en vue de rendre le système plus complet, robuste et accessible.

17
Conclusion générale

0.14 Récapitulatif
Ce projet avait pour objectif principal le développement d’une application nommée MediS-
can AI, capable de détecter automatiquement la présence de micro-organismes pathogènes
à partir d’images de frottis sanguins en utilisant des techniques de deep learning. La
démarche suivie a consisté à analyser les besoins dans le domaine médical, à concevoir
l’architecture de la solution, à implémenter le modèle de classification convolutionnel, et
à intégrer l’ensemble dans une application web développée sous Django. Les principaux
outils utilisés ont été Python, TensorFlow, Keras, Django, SQLite, ainsi que des bib-
liothèques de génération de rapports PDF. Les résultats obtenus sont satisfaisants, avec
un modèle atteignant un taux de précision global de 96.4%, une interface fonctionnelle
permettant l’importation d’images et l’affichage des diagnostics, ainsi que la génération
de rapports médicaux synthétiques.

0.15 Apports du projet

La réalisation de ce projet m’a permis de développer plusieurs compétences techniques et
méthodologiques. Sur le plan technique, j’ai renforcé ma maı̂trise du deep learning ap-
pliqué à la classification d’images médicales, ainsi que l’utilisation du framework Django
pour la création d’applications web. J’ai également amélioré mes compétences en gestion
de bases de données avec SQLite et en génération de rapports PDF automatisés.
Sur le plan méthodologique, ce projet m’a appris à organiser un travail complexe en
différentes phases, de l’analyse à la conception, puis à l’implémentation et aux tests. J’ai
aussi appris à mieux gérer mon temps et à documenter chaque étape de façon structurée.
Globalement, ce projet a constitué une expérience enrichissante qui a renforcé mes
compétences et ma confiance en tant que futur data scientist et développeur en intelligence
artificielle.

0.16 Perspectives
Pour la suite, plusieurs perspectives d’amélioration et d’extension sont envisageables :

• Valider le modèle sur des données réelles collectées localement dans des hôpitaux ou
laboratoires, afin de garantir sa robustesse en conditions pratiques.

• Améliorer l’interface utilisateur pour la rendre plus ergonomique et adaptée à un

usage médical professionnel.

• Ajouter un système expert intégré pour générer des recommandations thérapeutiques

automatiques en fonction des diagnostics.

18
 • Déployer l’application sur un serveur distant sécurisé, accessible aux médecins et
chercheurs.

• Étendre le système à d’autres types d’analyses médicales (ex : classification d’autres

parasites ou bactéries) pour en faire un outil polyvalent.

• Poursuivre ce projet dans le cadre d’un futur mémoire de licence ou d’un projet de
recherche plus avancé.

Ainsi, bien que ce projet reste une preuve de concept à ce stade, il ouvre la voie
à la mise en place d’une solution technologique innovante et accessible pour l’aide au
diagnostic médical dans un contexte à ressources limitées.

19
Bibliographie et Webographie

Bibliographie
• Idir Aniss Acherar. (2016). Détection et identification de Plasmodium falciparum
sur des images mi croscopiques.. Sorbonne Université.

Webographie
• TensorFlow. TensorFlow Documentation. Consulté à l’adresse : https://www.tensorflow.org/

• Keras. (2024). Keras Documentation. Consulté à l’adresse : https://keras.io/

• Django Django Documentation. Consulté à l’adresse : https://docs.djangoproject.com/

• Introduction Deep learning . (2024). Convolutional neural network (CNN) - 1/2.

Consulté à l’adresse : https://fidle.cnrs.fr

20
Annexes

Annexe A : Glossaire
• Deep Learning : Sous-domaine de l’intelligence artificielle utilisant des réseaux de
neurones profonds pour résoudre des problèmes complexes comme la classification
d’images.

• CNN (Convolutional Neural Network) : Architecture de réseau de neurones

conçue pour l’analyse d’images, comprenant des couches de convolution, pooling et
fully connected.

• Django : Framework web Python permettant un développement rapide d’applications

web sécurisées et maintenables.

• Keras : API de haut niveau pour la création et l’entraı̂nement de modèles de deep

learning, intégrée à TensorFlow.

• SQLite : Système de gestion de base de données léger et embarqué, utilisé pour

stocker localement les données de l’application.

• Classification : Tâche consistant à affecter une étiquette (classe) à une donnée

d’entrée, par exemple infecté ou sain pour une image de frottis sanguin.

• Accuracy : Mesure de performance d’un modèle, correspondant au pourcentage

de prédictions correctes sur l’ensemble des données testées.

Annexe B : Captures d’écran de MediScan AI

21
 Figure 6: Interface de gestion patiens de l’application MediScan AI

Figure 7: Affichage du résultat de prédiction avec pourcentage d’assurance

Figure 8: H
istorique analyse

22
 Figure 9: Capture de l’insertion su frottis dans le système

Figure 10: Formulaire enregistrément Patients

Figure 11: Formulaire ajout recommandations et observations

23