| Titre : | Une approche Deep Learning pour le diagnostic préalable de la tuberculose |
| Auteurs : | Aya Djouani, Auteur ; Houcine Belouaar, 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. (71 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Diagnostic, Tuberculose pulmonaire, Rayons X du Thorax, Intelligence Artificielle, Apprentissage profond, CNN, Apprentissage Ensembliste. |
| Résumé : |
Le diagnostic précoce de la tuberculose pulmonaire (TBP) pourrait réduire le taux de mortalité de cette maladie, à des niveaux plus faibles. L’examen radiographique à Rayons X du thorax constitue une méthode efficace pour identifier la TBP. Mais la lecture précise de ces radiographies nécessite la disponibilité de radiologues qualifiés, ce qui n’est pas toujours lecas dans les pays en voie de développement. L'Intelligence Artificielle, qui englobe les réseaux de neurones convolutifs (CNN) de l’apprentissage profond (Deep Learning), a le potentiel de diagnostiquer la maladie à un stade précoce et donne donc une solution adéquate. En explorant le potentiel de l’apprentissage profond pour l’analyse des images, nous avons pu étudier les concepts du Deep Learning avec des algorithmes des réseaux neuronaux convolutifs (CNN) pour construire un modèle de classification binaire de ces images, qui peut donc, prédire la présence ou l’absence de la tuberculose sur une radiographie pulmonaire du patient. En nous basant sur le concept de l’Apprentissage Ensembliste, nous avons proposé un modèle constitué d’un ensemble de trois (03) architectures CNN différentes à plusieurs paramètres et avec l’utilisation de la technique du Transfer Leaning. Pour l’entrainement et la validation, nous avons utilisé un jeu de données ou dataset de 800 radiographies pulmonaires. Les résultats obtenus, en termes de classification, sont importants et prometteurs. |
| Sommaire : |
Introduction générale 1 1 État de l’art. 3 1.1 Introduction 3 1.2 Santé numérique 3 1.2.1 Définition 4 1.2.2 Domaines d’application de la santé numérique 4 1.3 Intelligence Artificielle (IA) 6 1.3.1 Définition 6 1.3.2 Principaux avantages de l’IA 6 1.3.3 Exemples de l’IA dans les domaines de la santé numérique 6 1.4 Apprentissage Automatique (Machine Learning) . 8 1.4.1 Définition 8 1.4.2 Types d’apprentissage Automatique 9 1.5 Réseaux de Neurones Artificiels. 11 1.5.1 Définition 11 1.5.2 Neurone Biologique . 12 1.5.3 Neurone Artificiel 12 1.5.4 Constitution d’un réseau neuronal 13 1.5.5 Couches d’un réseau de neurones 14 1.5.6 Fonction d’activation 15 1.6 Apprentissage profond (Deep Learning) 15 1.6.1 Définition 15 1.6.2 Réseau de neurones convolutif (CNN ou ConvNet)16 1.6.3 Autres Algorithmes de deep learning 20 1.6.4 Différence entre l’apprentissage automatique et l’apprentissage profond 21 ITable des matières 1.6.5 Transfer Learning (apprentissage par transfert) 21 1.6.6 Ensemble Learning 22 1.6.7 Quelques architectures des CNNs 23 1.7 La maladie de la tuberculose 27 1.7.1 Définition 27 1.7.2 Cause de la tuberculose 27 1.7.3 Evolution du BK dans l’organisme 28 1.7.4 Symptômes de la tuberculose active 28 1.7.5 Transmission de la maladie 29 1.7.6 Diagnosti 29 1.7.7 Traitement 29 1.8 Imagerie médicale 29 1.9 Radiographie du thorax (Chest X-Ray) 31 1.10 Détection Assistée par Ordinateur de la tuberculose 32 1.11 Travaux Connexes 33 1.11.1 Tableau récapitulatif des travaux connexes35 1.12 Conclusion 36 2 Conception et Implémentation37 2.1 Introduction 37 2.2 Modèle proposé 37 2.3 Approches du Transfer Learning 39 2.4 Ensemble de données (Dataset) 40 2.5 Pré-traitement. 41 2.5.1 Divison du dataset (Dataset splitting) 41 2.5.2 Redimensionnement des images 42 2.5.3 Augmentation des données (Data Augmentation)42 2.6 Couches du modèle CNN 42 2.7 Hyper-paramètres d’apprentissage CNN 43 2.7.1 Taux d’apprentissage (Learning Rate) 43 2.7.2 Epoque (epoch) 43 2.7.3 Batch size43 2.7.4 Etape par époque (Step per epoch) 43 IITable des matières 2.7.5 Etapes de validation (Validation steps)43 2.7.6 Fonction de perte (Loss Function) 44 2.7.7 Fonction de classification Softmax 44 2.7.8 Optimiseur Adam44 2.8 Evaluation du modèle CNN (métriques) 44 2.8.1 Matrice de confusion 44 2.8.2 Mesures de performance 45 2.9 Implémentation 46 2.9.1 Langage de programmation utilisé (Python) 46 2.9.2 Google Colab 46 2.9.3 Frameworks, IDE et Bibliothèques Python 46 2.9.4 Importation des bibliothèques 50 2.9.5 Préparation des données 50 2.9.6 Application du Transfer Learning 51 2.9.7 Initialisation des paramètres 53 2.9.8 Compilation du modèle 54 2.9.9 Entrainement du modèle55 2.9.10 Evaluation du modèle55 2.9.11 Test du modèle 56 2.9.12 Modèle ensembliste 57 2.10 Conclusion . 58 3 Résultats et Discussion 59 3.1 Introduction 60 3.2 Résultats et discussion 60 3.2.1 Premier modèle (VGG-16) 61 3.2.2 Deuxième modèle (MobileNet-V2) . 64 3.2.3 Troisième modèle (DenseNet-169) 66 3.2.4 Modèle final (Modèle ensembliste) 68 3.2.5 Discussion 69 3.3 Comparaison avec les travaux connexes. 69 3.4 Conclusion 70 IIITable des matières Conclusion Générale et Travaux Futurs 71 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/712 | Mémoire master | bibliothèque sciences exactes | Consultable |
