🫁 ThoraxAI

Classification d'images medicales par Deep Learning

Detection de pneumonie sur radiographies thoraciques par CNN, Transfer Learning et explicabilite visuelle

Built with:

Models:

Interpretability:

---

Tester l'application en ligne | Modeles sur HuggingFace

🎯 Objectif

Developper un pipeline complet de Deep Learning capable de distinguer des radiographies thoraciques normales de celles presentant une pneumonie, avec des performances robustes (validees par K-fold) et une interpretation visuelle des decisions (Grad-CAM, Grad-CAM++, Integrated Gradients).

⚕️ Ce projet s'inscrit dans le cadre d'un outil d'aide a la decision medicale — il ne vise en aucun cas a remplacer le diagnostic d'un medecin.

📊 Dataset

Chest X-Ray Images (Pneumonia) — Kaggle

Source : Guangzhou Women and Children's Medical Center. Labels valides par 2 medecins experts + 1 verificateur.

Set	NORMAL	PNEUMONIA	Total	Ratio P/N
Train	1,341	3,875	5,216	2.89
Val (original)	8	8	16	1.00
Test	234	390	624	1.67

⚠️ Problemes identifies :

• Val set original inutilisable (16 images) → re-split stratifie 85/15 du train set
• Desequilibre 2.89:1 → gere par WeightedRandomSampler + pos_weight
• 170 patients partages entre train et test (risque de data leakage)
• Population exclusivement pediatrique (un seul centre)

🏗️ Architectures

CNN Baseline (from scratch)

Conv(32) + BatchNorm + ReLU + MaxPool   (224 → 112)
Conv(64) + BatchNorm + ReLU + MaxPool   (112 → 56)
Conv(128) + BatchNorm + ReLU + MaxPool  (56  → 28)
Flatten → Dense(128) + Dropout(0.5) → Dense(1)

Transfer Learning

Trois modeles pre-entraines sur ImageNet, avec fine-tuning des dernieres couches et classifieur enrichi Linear(256) + ReLU + Dropout + Linear(1) :

Modele	Pre-entraine sur	Fine-tuning	Reference
ResNet18	ImageNet (1.4M images)	layer4	He et al., 2016
DenseNet121	ImageNet (1.4M images)	denseblock4	Huang et al., 2017 / CheXNet
EfficientNet-B0	ImageNet (1.4M images)	derniers blocs	Tan & Le, 2019

📈 Resultats

Comparaison des modeles (test set, seuil = 0.5)

Metrique	CNN Baseline	ResNet18	DenseNet121	EfficientNet
Accuracy	82.53%	85.74%	88.78%	87.98%
Recall	98.72%	99.49%	98.97%	97.69%
Specificite	55.56%	62.82%	71.79%	71.79%
F1-score	87.60%	89.71%	91.69%	91.04%
AUC-ROC	0.9457	0.9666	0.9710	0.9703
AUC-PR	0.9648	0.9751	0.9792	0.9829

🏆 Meilleur modele global : DenseNet121 (AUC-ROC = 0.9710, seulement 4 pneumonies manquees sur 390).

Matrice de confusion — DenseNet121

	Predit NORMAL	Predit PNEUMONIA
Vrai NORMAL	168 (TN)	66 (FP)
Vrai PNEUMONIA	4 (FN)	386 (TP)

🎚️ Seuil optimal

Le seuil par defaut de 0.5 n'est pas optimal. Seuil optimal a 0.89 (F1 passe de 0.9169 → 0.9328).

🔄 Validation croisee K-fold (5 folds, CNN baseline)

Metrique	Moyenne	Ecart-type
Accuracy	97.60%	± 0.54%
F1-score	98.38%	± 0.37%
Recall	97.96%	± 0.88%
AUC-ROC	0.9974	± 0.0009

Ecarts-types < 1% → le modele est stable et les performances ne dependent pas du split.

🔍 Interpretabilite

Trois methodes complementaires implementees from scratch :

Methode	Principe	Avantage
Grad-CAM	Gradients moyens sur la derniere couche conv	Vue globale des zones influentes
Grad-CAM++	Derivees d'ordre superieur	Meilleure localisation, lesions multifocales
Integrated Gradients	Interpolation baseline → input (50 steps)	Attributions au niveau pixel

L'analyse des erreurs par Grad-CAM revele que les faux negatifs sont lies a une attention trop localisee du modele, et les faux positifs a une activation sur des structures anatomiques ambigues.

⚠️ Les heatmaps ne sont pas des preuves cliniques. Elles analysent le comportement du modele, pas les lesions.

💻 Application Streamlit — ThoraxAI

Interface de demonstration avec :

• 🔬 Selection parmi les 4 modeles
• 🎚️ Seuil de decision ajustable
• ⚖️ Comparaison multi-modeles avec vote de consensus
• 🔥 Visualisation Grad-CAM (original / heatmap / superposition)
• 📂 Exemples pre-charges du dataset
• 📋 Historique des analyses

uv run streamlit run app.py

📁 Structure du projet

ThoraxAI/
├── 📂 app/                      # Application Streamlit (modulaire)
│   ├── main.py
│   ├── styles.py
│   ├── components.py
│   ├── inference.py
│   └── data.py
├── 📂 src/                      # Pipeline ML
│   ├── config.py                # Constantes et configuration
│   ├── dataset.py               # Transforms, DataLoaders, split stratifie
│   ├── model.py                 # CNN baseline + ResNet18 + DenseNet121 + EfficientNet
│   ├── train.py                 # EarlyStopping, boucle d'entrainement, K-fold
│   └── eval/                    # Evaluation (modulaire)
│       ├── metrics.py           # Metriques, comparaison, export JSON
│       ├── plots.py             # Visualisations (confusion matrix, ROC, etc.)
│       ├── gradcam.py           # Grad-CAM, Grad-CAM++, Integrated Gradients
│       └── visualize.py         # Visualisations Grad-CAM
├── 📂 notebooks/
│   ├── 01_data_exploration.ipynb
│   ├── 02_training.ipynb
│   └── 03_evaluation.ipynb
├── 📂 outputs/
│   ├── checkpoints/             # Modeles sauvegardes (.pt)
│   ├── figures/                 # Graphiques generes
│   ├── results.json
│   ├── training_summary.json
│   └── eda_summary.json
├── 📂 reports/                  # Rapport technique
├── 📂 samples/                  # Images exemples pour la demo
├── 📂 scripts/                  # Scripts utilitaires
├── 📄 app.py                    # Point d'entree Streamlit
├── 📄 pyproject.toml
└── 📄 README.md

🚀 Installation

# Cloner le repo
git clone https://github.com/Exowz/ThoraxAI.git
cd ThoraxAI

# Installer les dependances avec UV
uv sync --extra demo

# Les modeles (.pt) et les images exemples sont telecharges
# automatiquement depuis HuggingFace Hub au premier lancement de l'app.
# Aucun telechargement manuel n'est necessaire.

# Telecharger le dataset Kaggle (uniquement pour re-entrainer)
uv sync --extra kaggle
uv run kaggle datasets download -d paultimothymooney/chest-xray-pneumonia
unzip chest-xray-pneumonia.zip -d data/

🧪 Usage

# 1. Exploration des donnees
uv run jupyter notebook notebooks/01_data_exploration.ipynb

# 2. Entrainement (4 modeles + ablation study + K-fold)
uv run jupyter notebook notebooks/02_training.ipynb

# 3. Evaluation + interpretabilite
uv run jupyter notebook notebooks/03_evaluation.ipynb

# 4. Application Streamlit
uv run streamlit run app.py

🚀 Deploiement

L'application est deployee sur Streamlit Community Cloud et accessible a l'adresse : thoraxai-exowz.streamlit.app

Les checkpoints des modeles et les images exemples sont heberges sur Hugging Face Hub et telecharges automatiquement au premier lancement. Cela permet un deploiement leger sans inclure les fichiers .pt dans le repo Git.

🔒 Reproductibilite

Composant	Valeur
Python	>= 3.10
PyTorch	>= 2.0
Gestionnaire	UV
Seed	42
Split validation	15% stratifie
Device	CUDA / MPS / CPU

⚠️ Limites

• Data leakage : 170 patients partages entre train et test
• Source unique : population pediatrique, un seul centre (Guangzhou)
• Specificite limitee : 66 faux positifs sur le meilleur modele
• Pas de calibration des probabilites : les scores ne refletent pas les vraies probabilites

🔭 Perspectives

• Split par patient pour eliminer le data leakage
• Validation sur des datasets multi-centres (CheXpert, MIMIC-CXR)
• Ensemble de modeles (voting entre les 4 architectures)
• Augmentations avancees (cutout, mixup)

📚 References

• Kaggle, Chest X-Ray Images (Pneumonia)
• He et al., Deep Residual Learning for Image Recognition, CVPR 2016
• Huang et al., Densely Connected Convolutional Networks, CVPR 2017
• Tan & Le, EfficientNet: Rethinking Model Scaling, ICML 2019
• Selvaraju et al., Grad-CAM: Visual Explanations from Deep Networks, ICCV 2017
• Chattopadhay et al., Grad-CAM++, WACV 2018
• Sundararajan et al., Axiomatic Attribution for Deep Networks, ICML 2017
• Rajpurkar et al., CheXNet: Radiologist-Level Pneumonia Detection, arXiv 2017

---

Projet B3 Deep Learning — ECE Paris 2026

M.K.E. Kapoor & T.M. Rakotomalala — Pr. F. Derraz

Made with ❤️ and PyTorch