Détection et classification du cancer de la peau par l’utilisation de l’apprentissage profond.
Des informations générales:
MASTER |
Le niveau |
Détection et classification du cancer de la peau par l’utilisation de l’apprentissage profond. |
Titre |
| Génie Informatique |
SPECIALITE |
Page de garde:
Sommaire:
Introduction générale
CHAPITRE 01 (Généralités sur le cancer de la peau)
I.1 Introduction
I.2 Définition du terme “Peau”
1.3 Composants de la peau
1.3.1 L’épiderme
1.3.2 Derme
1.3.3 hypoderme
I.4 Maladies cutanées non cancéreuses
1.4.1 Psoriasis
I.4.2 Eczéma
1.4.3 Lupus érythémateux disséminé
1.5 Cancer de la peau
1.6 Type de cancer de la peau
1.6.1 Carcinome basocellulaire (Carcinome basocellulaire CBC)
I.6.2 Mélanome
1.6.3 Carcinome épidermoïde (Squamous-Cell Carcinoma SCC)
I.7 Comment repérer un cancer de la peau
1.8 Signes et symptômes possibles du mélanome
I.9 Techniques d’imagerie du cancer de la peau
I.9.1 Microscopie confocale à réflectance (Reflectance confocal microscopy RCM)
I.9.2 Tomographie par cohérence optique (Optical Coherence Tomography OCT)
I.9.3 Échographie
I.9.4 Dermoscopie
I.10 Conclusion
CHAPITRE 02 (Deep learning)
II.1 Introduction
II.2 Définition du deep learning
II.3 Domaines d’application du deep learning
II.4 Classification avec les réseaux de neurones
II.4.1 Définition d’un réseau neuronal
II.4.2 Neurone biologique
II.4.2.1 Cellule nerveuse
II.4.2.2 Corps cellulaire
II.4.2.3 Dendrites
II.4.2.4 Axone
II.4.2.5 Transmission synaptique
II.4.3 Neurone artificiel
II.4.3.1 Réseaux “Feed-forward”
II.4.3.2 Réseaux “Feed-back”
II.4.4 Apprentissage
II.4.4.1 Mode supervisé
II.4.4.2 Renforcement
II.4.4.3 Mode non-supervisé (ou auto-organisationnel)
II.4.4.4 Mode hybride
II.4.5 Neurone formel
II.4.5.1 Interprétation mathématique
II.4.5.2 Fonctions d’activation
II.4.6 Réseau de neurone multicouches (MLP)
II.5 Réseaux de neurones profonds
II.5.1 Réseaux de neurones récurrents
II.5.2 Réseaux de neurones convolutifs
II.6 Détails sur les CNNs
II.6.1 Couche d’entrée
II.6.2 Couche de convolution
II.6.3 Couche de pooling
II.6.4 Couche d’activation
II.6.5 Couche Flatten
II.6.6 Couche complètement connectée
II.6.7 Couche de sortie (output layer)
II.6.8 Autres outils des CNNs
II.6.8.1 Fonction d’erreur
II.6.8.2 Dropout
II.6.8.3 Normalisation par lots
II.6.8.4 Arrêt anticipé
II.6.8.5 Augmentation des données
II.6.8.6 Apprentissage par transfert
II.6.8.7 Optimisation
II.7 Travaux Connexes sur la Détection du Cancer de la Peau en utilisant le Deep Learning
II.8 Conclusion
CHAPITRE 03 (Expériences et résultats)
III.1 Introduction
III.2 Environnement du travail
III.2.2 Langage de programmation Python
III.2.4 Navigateur Anaconda
III.2.3 Google Colab
III.2.5 Jupyter Notebook
III.2.6 Keras
III.2.7 TensorFlow
III.2.8 OpenCV
III.2.9 Numpy
III.2.10 Pandas
III.3 Dataset utilisée
III.4 Prétraitement et augmentation des données
III.5 Modèles de détection de cancer de la peau
III.5.1 Architecture de notre modèle 1 (modèle personnalisé)
III.5.2 Modèles utilisant le transfer learning
III.5.2.1 Transfer learning avec VGG16 (Modèle 2)
III.5.2.2 Transfer learning avec EfficientNet (Modèle 3)
III.6 Résultats obtenus avec notre modèle 1
III.6.1 Résultats d’entrainement et de validation de notre modèle 1
III.6.2 Résultats obtenus dans la phase de teste
III.7 Résultats obtenus avec notre modèle 2 (transfer learning avec VGG16)
III.8 Résultats obtenus avec notre modèle 3 (transfer learning avec EfficientNet)
III.9 Comparaison des différents résultats
III.10 Conclusion
Conclusion générale
Références bibliographiques
Télécharger:
Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.