Etude Comparative des CNNs et de L’algorithme K-NN en mammographie
Des informations générales:
MASTER |
Le niveau |
Etude Comparative des CNNs et de L’algorithme K-NN en mammographie |
Titre |
| Génie Informatique |
SPECIALITE |
Page de garde:
Sommaire:
INTRODUCTION GENERALE
CHAPITRE I: L’INTELLIGENCE ARTIFICIELLE ET L’APPRENTISSAGE PROFOND.
INTRODUCTION.
I.1 L’INTELLIGENCE ARTIFICIELLE (IA)
1.1.1 Sous-domaines de l’Intelligence Artificielle
A. Apprentissage automatique (Machine Learning)
B. L’apprentissage profond (Deep Learning en anglais).
a. Les avantages de DL et pourquoi nous l’avons choisi plutôt que ML
1.2 L’APPRENTISSAGE PROFOND
1.2.1 Histoire du L’apprentissage profond.
1.2.2 Définition.
1.2.3 Domaines d’application du deep learning
A. La reconnaissance faciale
B. La détection d’objets.
C. Traductions.
D. Conduite autonome.
E. Robots industriels.
1.2.4 Principe de fonctionnement de l’apprentissage profond.
1.2.5 Les types d’apprentissage profond.
A. Apprentissage supervisé.
C. Apprentissage semi-supervisé (hybride)
B. Apprentissage non supervisé.
1.3 RESEAUX DE NEURONES
1.3.1 Qu’est-ce qu’un réseau de neurones ?
1.3.2 Neurone Biologique.
1.3.3 Neurone Artificiel.
1.3.4 L’Analogie Entre le Neurone Biologique et le Neurone Artificiel.
1.3.5 Des réseaux neuronaux aux réseaux neuronaux profonds
1.3.6 Les types des réseaux de neurones profonds.
A. Le perceptron multi-couches (MLP).
B. Réseau Feed Forward (FF).
C. Réseau neuronal convolutif (CNN).
D. Réseau neuronal récurrent (RNN).
E. Mémoire à long et court terme (LSTM)
1.3.7 Réseaux de Neurones Convolutifs (ConvNets/CNNs).
1.3.8 Le principe de Réseaux de neurones convolutifs.
1.3.9 Types de couches dans le réseau neuronal convolutif.
A. Couche convolutive (Convolutional layer CONV)
B. Couche d’unité linéaire rectifiée (Rectified Linear Unit layer ReLU)
C. Couche de Pooling.
1.4 ETAT DE L’ART.
1.4.1 Les Architectures de CNN.
A. LeNet-5.
a. La structure LeNet-5.
B. AlexNet.
a. Structure du réseau AlexNet
C. VGG-19
D. GoogleNet
a. Applications de GoogleNet
E. ResNet
F. FaceNet.
G. DenseNet.
H. U-NET : le réseau de neurones de Computer Vision
a. L’architecture de U-NET
b. Les avantages de U-NET
c. Comment apprendre à utiliser U-NET?
d. Comprendre le fonctionnement de U-Net
I. Modèle YOLO
1.4.2 Avantages de CNNs.
1.4.3 Les inconvénients des réseaux de neurones à convolution (CNN):
1.5 FONCTION D’ACTIVATION.
1.5.1 Fonction sigmoïde
1.5.2 Fonction de Relu.
conclusion
CHAPITRE II: GENERALITES SUR L’APPRENTISSAGE AUTOMATIQUE.
II. 1 DEFINITION.
II.2 LES ALGORITHMES DE L’APPRENTISSAGE AUTOMATIQUE UTILISES.
II.2.1 Apprentissage supervisé.
II.2.2 Apprentissage non supervisé.
A. Knearest neighbors (KNN).
a. Algorithme de construction de KNN
b. L’algorithme KNN
c. Avantage de KNN.
d. Inconvénients de KNN
B. Random Forest (forêts aléatoires)
a. Avantage de Random forest.
b. Inconvénient de Random forest.
C. Support Vector Machine (SVM).
a. Avantage de SVM.
b. Inconvénient de SVM.
D. Naïve Bayes.
a. Théorème de bayes
b. Avantage de naïve Bayes.
c. Inconvénient de naïve Bayes.
conclusion.
CHAPITRE III: TRAITEMENT D’IMAGE.
III.1 RAPPELS SUR LA NOTION D’IMAGE.
III.2 DEFINITION DE L’IMAGE.
III.2.1 Image binaire
III.2.2 Image en niveaux de gris.
III.2.3 Image couleur (RGB).
III.2.4 Image indexée.
III.3 CARACTERISTIQUES DE L’IMAGE NUMERIQUE.
III.3.1 Pixel.
III.3.2 Définition de l’histogramme.
III.3.3 Contours et textures.
III.3.4 Dimension.
III.3.5 Bruit
III.3.6 Luminance.
III.3.7 Contraste.
III.3.8 Région
III.3.9 Connexité.
III.4 LA SEGMENTATION D’IMAGE.
III.4.1 Définition de la segmentation d’images.
III.4.2 les approches de segmentation.
A. Approches contour.
a. Définition.
B. Approche région
a. Segmentation par fusion de régions (MERGE).
b. Segmentation par division de régions (SPLIT).
C. Segmentation par division-fusion (SPLIT+Merge).
III.4.3 Les inconvénients de cette méthode se situent à trois niveaux
III.5 QUELQUES ALGORITHMES DE SEGMENTATION D’IMAGES
III.5.1 Algorithmes de classification de pixels non-supervisée :[33].
a. L’algorithme des k-moyennes.
b. L’algorithme des C-moyennes floues.
c. L’algorithme de Fisher.
III.5.2 Algorithmes de classification de pixels supervisée
a. Algorithme des k-plus proches voisins.
b. Algorithme de Bayes.
c. Algorithme des Machines à support de vecteurs.
d. Algorithme des Réseaux de Neurones Multi Couches.
III.6 OBJECTIFS DE LA SEGMENTATION.
III.7 SEGMENTATION SEMANTIQUE D’IMAGES
III.8 LA CLASSIFICATION D’IMAGE
III.8.1 Méthodes de classification d’images.
III.8.2 L’objectif de la classification.
III.8.3 Domaines d’application de la classification
conclusion
CHAPITRE IV: GENERALITES SUR LE CANCER DU SEIN
IV.1 DEFINITION.
IV.2 LES CARACTERISTIQUES DU CANCER DU SEIN
IV.3 CLASSIFICATION DE CANCER DE SIEN
IV.3.1 Classification Clinique.
IV.3.2 La classification histopathologies du cancer du sein.
IV.3.3 la classification moléculaire du cancer du sein.
IV.4 LES TYPES DE CANCER DU SEIN.
IV.4.1 Le cancer in Situ.
A. Carcinome canalaire in situ (intracanalaire)
B. Carcinome lobulaire in situ (intralobulaire).
IV.4.2 Le cancer Infiltrant.
A. Les masses.
IV.5 EPIDEMIOLOGIE DU CANCER DE SEIN
IV.5.1 Indice et mortalité.
A. Dans le monde
B. En Algérie.
IV.5.2 Survie.
IV.6 FACTEURS DES RISQUES DU CANCER DU SEIN.
IV.6.1 Facteurs des risques intrinsèques.
IV.6.2 Facteurs de risques extrinsèques.
A. Obésité et prise de poids.
B. Activité physique.
C. Cigarette
D. Alcool.
IV.7 DEPISTAGE DU CANCER DU SEIN.
IV.8 LES SYMPTOMES DU CANCER DU SEIN.
IV.9 DIAGNOSTIC DU CANCER DU SEIN.
IV.9.1 L’examen clinique.
IV.9.2 Mammographie.
IV.9.3 L’échographie mammaire.
IV.9.4 Le scanner
IV.9.5 IRM (Imagerie par Résonance Magnétique).
IV.9.6 La biopsie.
A. Local.
B. Evolué.
IV.10 TRAITEMENT
IV.10.2 Chirurgie.
a. La chirurgie tumorale.
b. La chirurgie ganglionnaire.
IV.10.3 Radiothérapie.
IV.10.4 Traitement systémique
A. Chimiothérapie
B. Hormonothérapie.
C.Thérapie ciblée.
IV.10.5 Traitement non systémique
conclusion.
CHAPITRE V: IMPLEMENTATION ET DISCUSSION DES RESULTATS
V.1 INTRODUCTION.
V.2 OUTILS ET BIBLIOTHEQUES
V.2.1 Python :
V.2.2 Google Colab :
A. Avantages de Colab :
V.2.3 Navigateur Anaconda
V.2.4 Jupyter Notebook.
V.2.5 Google drive:.
V.3 DESCRIPTION DE LA BASE MIAS
V.4 LE MODELE CNN (DEEP LEARNING):
V.4.1 Implémentation du modèle CNN.
V.4.2 Résultats de modèle CNN.
A. VGG-16 :.
B. VGG-19:
C. MobileNet
D. DenseNet:
V.4.3 Comparaison entre les 04 modèles (VGG-16, VGG-19, MobileNet, DenseNet).
V.5 LES MODELES DE MACHINE LEARNING :.
V.5.1 k plus proche voisins.
V.5.2 Random Forest.
V.5.3 DummyClassifier.
V.6 LA COMPARAISON DES ALGORITHMES K PLUS PROCHES VOISINS (KNN) ET DES MODELES CNN (VGG-16, VGG-19, DENSENET ET MOBILENET) EN MAMMOGRAPHIE.
conclusion
conclusion générale
bibligtaphie
Télécharger:
Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.