Détection du paludisme en utilisant les réseaux de neurones convolutifs parallèles batou

Abstract

Le paludisme est une maladie mortelle causant de nombreux décès dans le monde particulièrement en Asie du sud et en Afrique. La manière traditionnelle de diagnostiquer le paludisme consiste à examiner schématiquement des frottis sanguins d’êtres humains à la recherche de globules rouges infectés par des parasites au microscope par un laboratoire ou des techniciens qualifiés. Malheureusement, cette tache est fastidieuse et dépend de l’expérience du personnel médical. Des algorithmes de Deep Learning ont déjà été appliqués aux frottis sanguins du paludisme afin d’améliorer le diagnostic. Mais, l’une des particularités de ces algorithmes est qu’ils sont d’autant plus performant que la quantité de données utilisées est grande. Toutefois, l’exécution séquentielle de ces algorithmes sur des grandes quantités de données est confrontés à de grands défis notamment le temps d’exécution qui peut être très long et le modèle peut être trop volumineux pour la mémoire. Dans ce mémoire nous nous servons de l’algorithme des réseaux de neurones convolutifs (CNN) pour effectuer la détection du paludisme. Nous avons pour cela utilisé un jeu de données d’images de frottis sanguins observé depuis un microscope. Pour avoir à la fois de bonnes performances métriques et un temps d’exécution réduit avec la version séquentielle, nous avons procédé à une implémentation parallèle de l’algorithme d’entraînement. Nous avons proposé une implémentation parallèle basée sur le parallélisme de données sur la partie convolutive car la convolution est l’opération qui a la complexité la plus élevée et prend donc plus de temps lors de l’exécution de l’algorithme par rapport à une stratégie hybride qui combine le parallélisme de données sur la partie convolutive et le parallélisme de modèle sur la couche entièrement connectée. Ce qui justifie les différences de résultats entre nous et cette stratégie qui a obtenu un speedup de 6,16. Les résultats expérimentaux sur une machine de 8 coeurs à 1,80 GHz montrent qu’on obtient de résultats prométteurs avec la stratégie de parallélisation qui a été proposée. De ce fait, nous avons obtenu un speedup de 2,085 et 0,5 pour l’accuracy.