Des informations générales:

Le niveau
Développement d’un modèle deep learning pour la segmentation et la classification d’images pulmonaires – Projet de certification d’une startup dans le cadre de la décision ministérielle 1275.

Titre
GI

SPECIALITE

Page de garde:

Développement d'un modèle deep learning pour la segmentation et la classification d'images pulmonaires - Projet de certification d’une startup dans le cadre de la décision ministérielle 1275.

Sommaire:

Introduction générale I.1 Introduction 1.2 Le poumon I.2.1 Définition Chapitre I (Les maladies des poumons) 1.2.2 Les causes du cancer du poumon. 1.2.3 Symptôme du cancer du poumon I.2.4 Evolution du cancer du poumon dans l’organisme. I.2.5 Les traitements des cancers du poumon 1.3 Diagnostic par l’imagerie médicale 1.3.1 Radiographie 1.3.2 Tomodensitométrie (TDM) 1.3.3 Imagerie par résonance magnétique (IRM) 1.3.4 Échographie des poumons 1.4 La relation entre cancer du poumon et les images chest x-ray 1.5 Conclusion II.1 Introduction II.2 Rappel sur la notion d’image. II.2.1 Définition de l’image II.2.2.1 Image binaire II.2.2.2 Image en niveau de gris. II.2.2.3 Image couleur (RGB) II.2.2.4 Image indexée II.2.2.5 Image à valeurs réelles II.3 Caractéristique de l’image II.3.1 Pixel II.3.2 Définition de l’histogramme II.3.3 Homogénéité II.3.4 Dimension II.3.5 Bruit II.3.6 Luminance II.3.7 Contraste II.3.8 Région II.3.9 Connexité II.4 Segmentation II.4.1 Définition II.4.2 Les approches de segmentation II.4.3 Segmentation – Techniques II.4.3.1 Méthode globale ou par séparation(Split) – Quad Trees II.4.3.2 Méthode locale ou par fusion méthode dite à croissance des régions II.4.3.2.1 Principe de fonctionnement II.4.3.2.2 Méthode récursive II.4.3.3 Méthode par séparation-fusion (Split and Merge) II.4.3.4 Segmentation par classification ou seuillage II.4.3.4.1 Seuillage II.4.3.4.2 Types de seuillage II.4.3.5 K-means II.4.3.5.1 Principe II.4.3.5.2 Les principales étapes de l’algorithme k-means sont : II.4.3.5.3 Application des K-means à la segmentation II.4.3.5.4 Les avantages et les inconvénients de l’algorithme K-means II.4.3.6 Détection les contours II.4.3.6.1 Le gradient d’une image II.5 Conclusion Chapitre III (L’intelligence artificielle et l’apprentissage profond) III.1 Introduction III.2 L’intelligence artificielle III.2.2 Apprentissage automatique III.2.3 L’apprentissage profond III.2.4 Les avantages de DL et pourquoi nous l’avons choisi plutôt que ML III.3 L’apprentissage profond III.3.1 Histoire du L’apprentissage profond III.3.2 Définition III.3.3 Domaines d’application du deep Learning III.3.4 Principe de fonctionnement de l’apprentissage profond III.3.5.2 Apprentissage non supervisé III.3.5.3 Apprentissage semi-supervisé III.4 Réseaux de neurones III.4.1 Qu’est-ce qu’un réseau de neurones ? III.4.2 Neurone Biologique III.4.3 Neurone Artificiel III.4.4 L’Analogie Entre le Neurone Biologique et le Neurone Artificiel III.4.5 Des réseaux neuronaux aux réseaux neuronaux profonds III.4.6 Les types des réseaux de neurones profonds III.4.6.1 Le perceptron multi-couches III.4.6.2 Réseau Feed Forward III.4.6.3 Réseau neuronal convolutif (CNN) III.4.6.4 Réseau neuronal récurrent (RNN) III.5 Réseaux de Neurones Convolutifs III.5.1 Le principe de Réseaux de neurones convolutifs III.5.2 Types de couches dans le réseau neuronal convolutif III.5.2.1 Couche convolutive III.5.2.2 Couche d’unité linéaire rectifiée III.5.2.3 Couche de Pooling III.5.3 Les Architectures de CNN III.5.3.1 LeNet-5 III.5.3.2 AlexNet III.5.3.3 VGG-19 III.5.3.4 GoogleNet III.5.3.5 Inception-v3 III.5.3.6 ResNet III.5.3.7 FaceNet III.5.3.9 U-NET III.5.3.9.1 L’architecture de U-NET III.5.3.9.2 Les avantages de U-NET : III.5.3.9.3 Comment apprendre à utiliser U-NET ? III.5.3.9.4 Comprendre le fonctionnement de U-Net III.5.3.10 Uw-Net III.5.3.11 U-Net++ III.5.3.12 Modèle YOLO III.5.4 Avantages de CNNs III.5.5 Les inconvénients des réseaux de neurones à convolution III.6 Conclusion Chapitre IV (Conception et implémentation) IV.1 Introduction IV.2 Environnement du travail IV.2.1 Environnement matériel IV.2.2 Langage de programmation Python IV.2.4 Keras IV.2.5 Jupyter Notebook IV.2.6 TensorFlow IV.2.7 PyTorch IV.2.8 NumPy IV.2.9 Pandas IV.2.10 Matplotlib IV.2.11 Seaborn IV.2.12 Google Colab IV.2.12.1 Les avantages de Colab IV.3 Base de données utilisée IV.3.1 Augmentation d’images IV.3.2 Implémentation du modèle CNN IV.3.3 Construction des modèles ResNet18, DenseNet IV.4 Conclusion CHAPITRE V (PLAN FINANCIER) V.1 La structure des coûts V.2 Les coûts fixes V.3 Les sources de revenus V.4 Chiffre d’affaires a Chiffre d’affaires de la première année b Chiffre d’affaires de la deuxième année c Chiffre d’affaires de la troisième année V.5 Pourcentage d’augmentation du chiffre d’affaires entre chaque année V.6 Modèle BMC Conclusion générale Bibliographie

Télécharger:


 

Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.