Système d’aide au diagnostic du cancer du cerveau
Des informations générales:
MASTER |
Le niveau |
Système d’aide au diagnostic du cancer du cerveau |
Titre |
| Génie Logiciel |
SPECIALITE |
Page de garde:
Sommaire:
Introduction générale
1 Imagerie par Résonance magnétique Cérébrale
1.1 Introduction
1.2 Notions élémentaires d’anatomie cérébrale
1.2.1 Cerveau humain
1.2.2 Structure du cerveau
1.3 L’encéphale
1.3.1 Structure de l’encéphale
1.3.2 Substances principales
1.3.3 Structures cérébrales d’intérêt
1.4 Observation du cerveau avec l’imagerie médicale
1.5 L’Imagerie par Résonance Magnétique (IRM)
1.5.1 Structures cérébrales d’intérêts
1.5.2 Particularité des images IRM
1.5.3 Les Artefacts courants d’IRM
1.5.4 Types Des Artefacts En IRM
1.6 Tumeurs cérébrales en IRM
1.6.1 Tumeurs de l’hypophyse (Pituitary)
1.6.2 Méningiomes (Meningioma)
1.6.3 Gliomes
1.7 Conclusion
2 Apprentissage profond « Deep Learning
2.1 Introduction
2.2 Histoire du Deep learning
2.3 Apprentissage automatique (Machine learning)
2.3.1 Définition
2.3.2 Types de machine learning :
2.4 l’apprentissage profond
2.4.1 Comment fonctionne
2.5 Domaine d’application de l’apprentissage
2.6 Architectures de réseaux de neurones profonds
2.6.1 Réseau de neurones récurrent (RNN, recurrent neural network)
2.6.2 Les réseaux de neurones convolutifs (CNN)
2.7 Les couches de CNN
2.7.1 La couche de convolution
2.7.2 La couche de pooling
2.7.3 La couche de correction ReLU
2.7.4 La couche fully-connected
2.7.5 Couche Flatten
2.8 Les Architecteurs de cnn :
2.8.1 AlexNet :
2.8.2 VGG-16 :
2.8.3 GoogLeNet:
2.8.4 ResNet
2.9 Transfer learning avec deep learning
2.10 Conclusion
3 Etat de l’art sur la détection des tumeurs cérébrales
3.1 Introduction
3.2 Travaux connexes
3.2.1 Travail de Khan et al
3.2.2 Travail de Chattopadhyay et Maitra
3.2.3 Travail de Saeedi et al
3.2.4 Travail de Tiwari et al
3.2.5 Travail de Mahmud et al
3.2.6 Travail de Siddique et al
3.2.7 Travail de Alsubai et al
3.2.8 Travail de Hossain et al
3.2.9 Travail de Ranjbarzadeh et al
3.2.10 synthèse des travaux
3.3 Conclusion
4 Expériences et résultats
4.1 Introduction
4.2 Bases d’images utilisées
4.3 Métriques d’évaluation
4.4 Division de la base d’images
4.5 Augmentation des données
4.6 Logiciels et bibliothèques utilisés
4.6.1 Python
4.6.2 Bibliothèques Python
4.7 Architectures des modèles proposés
4.7.1 Modèle 1 (le modèle de base)
4.7.2 Modèle 2
4.7.3 Modèle 3
4.7.4 Modèle 4 (Amélioration du modèle 1 en ajoutant le transfer learning)
4.8 Tests et résultats des différents modèles
4.8.1 Modèle 1
4.8.2 Modèle 2
4.8.3 Modèle 3
4.8.4 Modèle 4
4.8.5 Modèle 4 pour la classification en 3 classes
4.9 Interface de notre application
4.10 Conclusion
Conclusion
Bibliographie
Télécharger:
Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.