Détection automatique de la tuberculose à partir de sons de toux

Chiboub, Assaad (2026). Détection automatique de la tuberculose à partir de sons de toux. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

La tuberculose demeure l’une des principales menaces sanitaires mondiales, avec plus de dix millions de nouveaux cas chaque année selon l’OMS, et constitue un enjeu majeur de santé publique, particulièrement dans les pays à faibles ressources. Les méthodes actuelles de dépistage, bien qu’efficaces (tests moléculaires, cultures, imagerie), présentent des contraintes importantes en termes de coût, de délai et d’accessibilité, limitant leur déploiement à grande échelle.

Ce mémoire propose une approche innovante de détection automatisée de la tuberculose à partir de sons de toux, reposant sur des techniques avancées de traitement du signal et d’apprentissage profond. À partir du corpus fourni par le CODA TB DREAM Challenge 2022, un pipeline complet a été conçu et implémenté : prétraitement audio, extraction de caractéristiques (MFCC, spectrogrammes de Mel et statistiques globales), augmentation des données, architectures neuronales hybrides CNN–BiGRU–Attention, et optimisation systématique des hyperparamètres par Optuna. Une validation croisée stricte par sujet a été mise en place pour garantir la robustesse et la généralisabilité des résultats.

Les résultats obtenus confirment le potentiel de l’analyse acoustique de la toux comme outil complémentaire, non invasif et abordable, pour améliorer le dépistage précoce de la tuberculose et contribuer à la réduction de sa transmission communautaire.

Titre traduit

Automatic tuberculosis detection from cough sounds

Résumé traduit

Tuberculosis remains one of the leading global health threats, with over ten million new cases reported annually according to WHO. Despite their effectiveness, current diagnostic methods (molecular assays, cultures, imaging) are still limited by cost, infrastructure requirements, and turnaround time, which restricts their widespread use in low-resource settings.

This thesis introduces an innovative automated tuberculosis detection system based on cough sounds, leveraging advanced signal processing and deep learning. Using the dataset provided by the CODA TB DREAM Challenge 2022, we designed a complete pipeline comprising audio preprocessing, feature extraction (MFCC, Mel spectrograms, and global statistics), data augmentation, hybrid deep neural architectures CNN–BiGRU–Attention, and hyperparameter optimization with Optuna. To ensure robust and generalizable results, strict subject-level cross-validation was applied throughout the experiments.

The findings demonstrate the potential of cough sound analysis as a complementary, non-invasive, and cost-effective approach for early tuberculosis screening, with significant implications for reducing community transmission and improving global health outcomes.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en technologie de l'information". Comprend des références bibliographiques (pages 93-99).
Mots-clés libres:	tuberculose, dépistage précoce, sons de toux, traitement du signal, apprentissage profond
Directeur de mémoire/thèse:	Directeur(-trice) Labbé, David
Codirecteur:	Codirecteur(-trice) de mémoire/thèse Mezghani, Neila
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	15 avr. 2026 14:26
Dernière modification:	15 avr. 2026 14:26
URI:	https://espace.etsmtl.ca/id/eprint/3862

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt