Extraction du réseau rétinien par la méthode de Deep Learning pour l’aide au diagnostic en Ophtalmologie
Des informations générales:
Le niveau |
Master |
Titre |
Extraction du réseau rétinien par la méthode de Deep Learning pour l’aide au diagnostic en Ophtalmologie |
SPECIALITE |
Imagerie Médicale |
Page de garde:
Sommaire:
Introduction générale
Chapitre I: Contexte Médical
I.1.Introduction
I.2.Description générale de l’œil
I.3.Anatomie de la rétine
I.4.Les Pathologies Rétiniennes
I.4.1.La rétinopathie diabétique
I.4.2. Dégénérescence maculaire liée à l’âge (DMLA)
I.4.3. Le décollement de rétine
I.4.4.Les membranes épirétiniennes et trous maculaires
I.5.Techniques d’Acquisition des Images Rétiniennes
I.5.1. Rétinographe mydriatique(RM) et non mydriatique(RNM).
I.5.2. Angiographie a la fluorescence
I.5.3. Nouvelles techniques d’imagerie rétinienne
I.6.Conclusion
Chapitre II: Apprentissage Profond (Deep Learning)
II.1. Introduction
II.2. Principe des réseaux de neurones
II.2.1. Réseaux de neurones biologiques
II.2.2. Les réseaux de neurones artificiels
II.2.3. Apprentissage profond (Deep Learning)
II.2.4. Les réseaux de neurones convolutifs
II.2.4.1. Les différentes couches des réseaux de neurones convolutifs.
A. Couche de convolution (CONV)
B. Couche de pooling (POOL)
C. Couche de correction (ReLU)
D. Couche entièrement connectée (FC)
E. Couche de dé-convolution
F. Couche de perte (LOSS)
G. Couche de normalisation
H. Couche de régularisation (Drop out)
II.2.4.2. Avantages des CNN
II.2.4.3. Inconvénients des CNN
II.3. Architectures du Deep Learning
II.3.1. SegNet
II.3.2.UNet
II.3.3. Réseaux de neurones entièrement connectés (FCN)
II.4. Les options d’apprentissage
II.4.1. Optimiseurs
II.4.2. Epoque.
II.4.3.Taux d’apprentissage.
II.4.5. Fréquence de validation (ValidationFrequency).
II.4.5.MiniBatchSize
II.4.6.Ressource matérielle.
II.5. Etat de l’art.
II.6.Conclusion
Chapitre III: Expérimentation, Résultats et Discussions
III.1. Introduction
III.2. Description de la base de données
III.2.1. Base d’images « DRIVE ».
III.2.2. Base d’images <<< HRF »
III.2.3. Base d’images « CHASE_DB1 ».
III.3. Matériels et méthodes
III.3.1. Matériels utilisés
III.3.1.1. Le software
III.3.1.2. Le hardware
III.3.2. Méthodes proposées
III.3.2.1. Préparation des données
III.3.2.1.1 Prétraitement
III.3.2.1.2. Augmentation des bases d’images
III.3.2.2. Extraction du réseau vasculaire rétinien
III.3.2.2.1. Architecture 01: SegNet
III.3.2.2.2. Architecture 02: U-Net
III.3.2.2.3. Architecture 03: CNN Simple
III.4. Résultats et discussion
III.5. Interface graphique développée
III.6. Conclusion
Conclusion générale
Bibliographie
Chapitre I: Contexte Médical
I.1.Introduction
I.2.Description générale de l’œil
I.3.Anatomie de la rétine
I.4.Les Pathologies Rétiniennes
I.4.1.La rétinopathie diabétique
I.4.2. Dégénérescence maculaire liée à l’âge (DMLA)
I.4.3. Le décollement de rétine
I.4.4.Les membranes épirétiniennes et trous maculaires
I.5.Techniques d’Acquisition des Images Rétiniennes
I.5.1. Rétinographe mydriatique(RM) et non mydriatique(RNM).
I.5.2. Angiographie a la fluorescence
I.5.3. Nouvelles techniques d’imagerie rétinienne
I.6.Conclusion
Chapitre II: Apprentissage Profond (Deep Learning)
II.1. Introduction
II.2. Principe des réseaux de neurones
II.2.1. Réseaux de neurones biologiques
II.2.2. Les réseaux de neurones artificiels
II.2.3. Apprentissage profond (Deep Learning)
II.2.4. Les réseaux de neurones convolutifs
II.2.4.1. Les différentes couches des réseaux de neurones convolutifs.
A. Couche de convolution (CONV)
B. Couche de pooling (POOL)
C. Couche de correction (ReLU)
D. Couche entièrement connectée (FC)
E. Couche de dé-convolution
F. Couche de perte (LOSS)
G. Couche de normalisation
H. Couche de régularisation (Drop out)
II.2.4.2. Avantages des CNN
II.2.4.3. Inconvénients des CNN
II.3. Architectures du Deep Learning
II.3.1. SegNet
II.3.2.UNet
II.3.3. Réseaux de neurones entièrement connectés (FCN)
II.4. Les options d’apprentissage
II.4.1. Optimiseurs
II.4.2. Epoque.
II.4.3.Taux d’apprentissage.
II.4.5. Fréquence de validation (ValidationFrequency).
II.4.5.MiniBatchSize
II.4.6.Ressource matérielle.
II.5. Etat de l’art.
II.6.Conclusion
Chapitre III: Expérimentation, Résultats et Discussions
III.1. Introduction
III.2. Description de la base de données
III.2.1. Base d’images « DRIVE ».
III.2.2. Base d’images <<< HRF »
III.2.3. Base d’images « CHASE_DB1 ».
III.3. Matériels et méthodes
III.3.1. Matériels utilisés
III.3.1.1. Le software
III.3.1.2. Le hardware
III.3.2. Méthodes proposées
III.3.2.1. Préparation des données
III.3.2.1.1 Prétraitement
III.3.2.1.2. Augmentation des bases d’images
III.3.2.2. Extraction du réseau vasculaire rétinien
III.3.2.2.1. Architecture 01: SegNet
III.3.2.2.2. Architecture 02: U-Net
III.3.2.2.3. Architecture 03: CNN Simple
III.4. Résultats et discussion
III.5. Interface graphique développée
III.6. Conclusion
Conclusion générale
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.