| Titre : | Évaluation de la classification d’images histologiques basée sur la normalisation de tâches |
| Auteurs : | NESRINE KOULAIBI, Auteur ; Rachida Saouli, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (70 p.) / couv. ill. en coul |
| Langues: | Français |
| Résumé : |
Le diagnostic assisté par ordinateur en pathologie numérique devient omniprésent car il peut fournir des diagnostics de santé plus efficaces et objectifs. Des études avancées récentes ont montré que les architectures de réseau neuronal convolutif (CNN) sont un paradigme d’apprentissage en profondeur qui peut être utilisé pour concevoir un système de diagnostic assisté par ordinateur (CAO) pour la détection du cancer du sein. Cependant, les défis dus à la complexité des tissus dans les images histologiques en particulier du cancer du sein, nécessitent des stratégies de normalisation de tâches (stain normalization) afin d’augmenter la performance des méthodes d’apprentissage en profondeur. Pour cela, dans ce projet nous avons réalisé plusieurs algorithmes de normalisation des couleurs basés sur la déconvolution des couleurs. Ensuite, nous avons proposées d’évaluer la performance de ces méthodes sur l’apprentissage d’une architecture CNN basée sur le réseau EfficientNet en utilisant un ensemble de données BreaKHis accessible au public. Les résultats que nous avons obtenus constituent une étude comparative et fourni une aide de prétraitement d’images complexes afin de dé- velopper un système fiable et efficace d’aide au diagnostic de maladies graves. |
| Sommaire : |
Remerciements Liste des matières i Liste des figures iii Liste des tableaux v Liste des codes sources vi Lise des abréviations vii Résumé viii Abstract ix Introduction générale 1 1 État de l’art sur la classification des images histologique 4 1.1 Introduction 4 1.2 Présentation des images histologiques 4 1.2.1 Le cancer du Sein 4 1.2.2 Classification histologique . 5 1.2.3 Les images histologiques colorées 6 1.3 La classification des images histologiques 7 1.3.1 Les méthodes de deep learning 8 1.3.2 Notion de transfer learning (Apprentissage par transfert)9 1.4 Les réseaux de neurones convolutionnels 10 1.4.1 L’architecture de CNN10 1.4.2 Les architectures les plus connues de CNN 11 1.5 Les méthodes de prétraitement des images histologiques 15 1.5.1 Stain normalization (normalisation des taches) 16 1.5.2 Les méthodes de stain normalization 18 1.6 Synthèses des travaux relatifs 22 1.7 Conclusion 23 iListe des matières 2 Conception du modèle de classification SN_ENet 24 2.1 Introduction 24 2.2 Architecture générale 24 2.3 Le prétraitement des images 25 2.3.1 Stain normalization 25 2.3.2 Augmentation des données 28 2.4 L’apprentissage 28 2.4.1 Description détaillée du réseau EfficientNet 30 2.5 Conclusion 32 3 Implémentation du modèle SN_ENet 33 3.1 Introduction 33 3.2 Environnements et outils de développement 33 3.2.1 Environnements de développement 33 3.2.2 Bibliothèques et outils de développement 34 3.3 Préparation des données . . . . . . . . 38 3.4 Réalisation du modèle SN_ENet. . . . . . 40 3.4.1 Réalisation de stain normalization . . . . . 40 3.4.1.1 Importation des bibliothèques et des modules 40 3.4.1.2 Résultat des méthodes . 41 3.4.2 Réalisation du modèle EfficientNet . . . . 44 3.4.2.1 Importation des bibliothèques et des modules 44 3.4.2.2 Implémentation du réseau EfficientNet 44 3.4.2.3 Résultats du modèle EfficientNet 45 3.5 Discussion des résultats obtenus 51 3.6 Conclusion 53 Conclusion générale 54 Bibliographie 56 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/688 | Mémoire master | bibliothèque sciences exactes | Consultable |
