| Titre : | Détection de tumeur cérébrale avec l'apprentissage profond |
| Auteurs : | Chahinez Otmani, Auteur ; Tarek Ababsa, 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. (94p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Tumeur cérébrale, CNN, Deep Learning, IRM, Détection |
| Résumé : |
Dénicher les tumeurs au cerveau le plus tôt possible est essentiel pour la survie des patients. Raison pour laquelle des nouvelles techniques de détection automatique sont développées au fil du temps. La tumeur du cerveau est une maladie critique. Les médecins travaillent dur pour détecter et traiter la tumeur afin de sauver la vie des patients. La détection de la tumeur prend beaucoup de temps pour les médecins et les diagnostics peuvent changer d’un médecin à un autre. Le deep learning est une technique permettant de détecter la tumeur cérébrale utilisant les réseaux de neurones a convolution à l’aide des images IRM. Ce travail décrit la détection des tumeurs cérébrales à l'aide des réseaux de neurones convolutifs « CNN ». La détection des tumeurs cérébrales est notre objectif pour créer ce système afin de sauver la vie des patients. Donc, notre système se base sur trois étapes nécessaires à savoir : Prétraitement d'images, extraction de caractéristiques avec le modèle CNN. Et enfin, Les couches entièrement connectées de CNN pour classifier l'IRM en normale ou tumorale. |
| Sommaire : |
Introduction générale….1 Chapitre 1 : Tumeur Cérébrale et L’imagerie Par Résonance Magnétique (IRM) 1.1 Introduction…..4 1.2 Qu’est-ce qu’un cancer ?.4 1.2.1 La division cellulaire4 1.2.2 Une orchestration précise qui se dérègle5 1.2.3 Les caractéristiques d’une cellule cancéreuse….6 1.2.4 L’évolution d’un cancer au sein de l’organisme.7 1.3 Qu’est-ce qu’un cancer du cerveau ? .7 1.3.1 Un peu d’anatomie pour comprendre le cerveau8 1.3.1.1 Que se passe-t-il à l’intérieur du cerveau.8 1.3.1.2 Les différentes parties du cerveau et leurs fonctions…….9 1.3.2 Le cerveau, un organe sous haute protection12 1.4 Les Tumeurs du cerveau……13 1.5 Les Causes des tumeurs du cerveau……..14 1.6 Les symptômes et le diagnostic des tumeurs du cerveau 16 1.6.1 Les symptômes possible…..16 1.6.1.1 Tumeur du cerveau…………16 1.6.1.2 Tumeur à la moelle épinière.16 1.6.2 Le Diagnostic….17 1.6.2.1 L’examen clinique et neurologi.17 1.6.2.2 Les examens d’image.18 1.7 Imagerie par résonance magnétique (IRM.20 1.7.1 Une IRM, comment ça marche ?20 1.7.2 Que faut-il signaler au médecin et lors de la prise de rendez-vous ?……21 1.7.3 Comment se préparer le jour de l’IRM ? 21 1.7.4 Comment se déroule une IRM ? ….22 1.7.5 Le principe physique de l’IRM ….23 1.7.6 La formation des images IRM ..25 1.7.7 Les différentes pondérations 27 1.7.8 Défauts des images IRM (artefacts)29 1.7.9 Avantage des images IRM 31 1.8 Conclusion 31 Chapitre 2 : Apprentissage Profond (Deep Learning) 2.1 Introduction…34 2.2 Généralités sur les réseaux de neurones artificiels35 2.3 Historique du deep learning 40 2.4 Définition de l’apprentissage profond (Deep Learning)40 2.5 Pour quoi l’apprentissage profond (DL) ?….41 2.6 L’importance de l’apprentissage profond (DL) 41 2.7. Comment fonctionne l’apprentissage profond ?.43 2.8 Principe de l’apprentissage profond (DL)….44 2.9 Classification de l’apprentissage profond…45 2.10 Les différents types de modèles.46 2.10.1 Réseau de neurones récurrents (RNN).46 2.10.2 Perceptrons multicouches….47 2.10.3 Modèle génératif (deep generative model) 48 2.10.4 Réseaux de neurones convolutifs (CNN)….49 2.10.4.1 Introduction49 2.10.4.2 Définition de réseau de neurones covolutif49 2.10.4.3 CNN vs ANN….50 2.10.4.4 Les différentes couches des réseaux de neurones convolutifs….51 2.10.4.4.1 La Couche de convolution CONV…….52 2.10.4.4.2 Couche de correction (ReLU) …….55 2.10.4.4.3 La couche pooling (POOL) ………56 a. Max Pooling………………....56 b. Moyenne Pooling……………56 c. Global pooling………………57 2.10.4.4.4 Couche entièrement connectée (FC) 57 2.10.4.4.5 Couche de dé-convolution…………….57 2.10.4.4.6 Couche de perte (LOSS) ……………………57 2.10.4.4.7 Couche de normalisation (BN)…….57 2.10.4.4.8 Couche de régularisation (Dropout)…………………...….57 2.10.4.5 Quelques réseaux convolutifs célèbres .58 2.10.4.6 Transfert Learning ………………..59 2.11 Conclusion …………………………………………………………………..60 Chapitre 3 : Conception du système 3.1Introduction …………..62 3.2 Principes de réseau de neurones à convolution……………………..62 3.3 Construction du modèle CNN .62 3.4 Structure des données……………………………………………....63 3.5 Augmentation des données ………………………………………...63 3.6 Architecture de notre système ……………………………………..64 3.7 Mise en œuvre de notre système …………………………………...64 3.8 La base de données ………………………………………………...66 3.9 Prétraitement des images IRM ………………………………….....67 3.9.1 Redimensionnement d’image ………………………………......67 3.9.2 Recadrage d’image…………………………………………....67 3.9.3 Augmentation de données………………………………….......67 3.10 Architecture du modèle CNN de notre système………………….68 3.11 Procédure de détection d’une tumeur cérébrale en utilisant CNN……….69 3.12 Conclusion…………………………69 Chapitre 4 : Implémentation et résultats 4.1 Introduction…………….70 4.2 Ensembles de données d’entraînement, de validation et de test 70 4.3 Environnement de développement de système……..72 4.3.1 Environnement matériel………………………….72 4.3.2 Environnement logiciel………………………….72 4.3.2.1 Le langage de programmation utilisé (Python).72 4.3.2.2 Kaggle………………………….…………………………73 4.3.2.3 Les bibliothèques Python…………..73 4.3.2.4 Google Colab…..74 4.4 Implémentation et résultat……………....75 4.4.1 Paramètres d’entraînement……………………....75 4.4.2 Prétraitement des données………………………..76 4.4.3 Architecture de réseau………………………….....78 4.4.4 Résultat et discussion…………………..……...78 4.4.4.1 Adam optimizer………………………………...82 4.4.4.2 SGD optimizer……………………….82 4.4.5 Ajout d’une couche Dropout a notre réseau…………………...83 4.4.6 Recadrage des images IRM et les résultats obtenus…84 4.4.7 Augmentation de la base de données, Recadrage des images IRM et les résultats obtenus….85 4.5 Le fonctionnement de l’application…………………………………....86 4.5.1 Prétraitement des données, création du modèle CNN, et apprentissage.864.5.2 La courbe de perte (loss) et la courbe de précision(accuracy)86 4.5.3 Partie de test……………………………………………………87 4.5.4 Interface de l’application………………………………………88 4.6 Travaux existants…………………………….…………………………89 4.7 Conclusion……………………………………………………………....90 Conclusion Générale…………………………………………………………..92 Bibliographie………………………………………………………………….…94 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/722 | Mémoire master | bibliothèque sciences exactes | Consultable |
