Français : Un exemple de capture en temps réel pour (a) la langue noire (papilles fongiformes) et (b) la langue blanche (anémie)
La couleur de la langue est l’une de ces caractéristiques qui joue un rôle essentiel dans l’identification des maladies et les niveaux de progression de la maladie. Avec le développement des systèmes de vision par ordinateur, en particulier dans le domaine de l’intelligence artificielle, il y a eu d’importants progrès dans l’acquisition, le traitement et la classification des images de la langue. Cette étude propose un nouveau système d’imagerie pour analyser et extraire les caractéristiques de couleur de la langue à différentes saturations de couleurs et dans différentes conditions d’éclairage à partir de cinq modèles d’espace colorimétrique (RGB, YcbCr, HSV, LAB et YIQ). Le système d’imagerie proposé a entraîné 5260 images classées en sept classes (rouge, jaune, vert, bleu, gris, blanc et rose) à l’aide de six algorithmes d’apprentissage automatique, à savoir les méthodes naïves Bayes (NB), SVM (SVM), k plus proches voisins (KNN), arbres de décision (DT), forêt aléatoire (RF) et XGBoost (Extreme Gradient Boost), pour prédire la couleur de la langue dans toutes les conditions d’éclairage. Les résultats obtenus des algorithmes d’apprentissage automatique ont montré que XGBoost avait la précision la plus élevée à 98,71%, tandis que l’algorithme NB avait la précision la plus faible, avec 91,43%. Sur la base de ces résultats obtenus, l’algorithme XGBoost a été choisi comme classificateur du système d’imagerie proposé et relié à une interface utilisateur graphique pour prédire la couleur de la langue et ses maladies associées en temps réel. Selon les auteurs, la précision pourrait encore être améliorée par une meilleure maitrise de l'éclairage et des reflets sur la lentille de la caméra. source : https://www.mdpi.com/2227-7080/12/7/97#B3-technologies-12-00097