Un modèle de deep learning pour la détection des lésions de COVID-19
Des informations générales:
Le niveau |
Master |
Titre |
Un modèle de deep learning pour la détection des lésions de COVID-19 |
SPECIALITE |
Génie Informatique |
Page de garde:
Sommaire:
CHAPITRE 01 (Généralités sur le Covid-19)
I.1 Introduction
1.2 Système respiratoire
1.2.1. Principales parties de système respiratoire
1.2.1.1. Poumon droit
I.2.1.2 Poumon Gauche
I.2.1.3 Trachée
I.2.1.4 Alvéoles
1.3 Coronavirus et le Covid-19
1.3.1 Définition
I.3.2 Étiquette et forme
1.4 Diagnostic du Covid-19
I.4.1 Diagnostique biologique
1.4.1.1 RT-PCR
1.4.1.2 RT-LAMP.
1.4.2 Diagnostique par l’imagerie médicale.
I.4.2.1 Radiographie
I.4.2.2 Tomodensitométrie (TDM).
I.4.2.3 Imagerie par résonance magnétique (IRM).
I.4.2.4 Échographie des poumons
I.5 La relation entre covid-19 et les images chest x-ray
1.6 Conclusion
CHAPITRE 02 (Traitement d’images)
II.1 Introduction
II.2 Définition de traitement d’image.
II.2.1 Exemples de traitement d’images
II.3 Cadre général d’un système d’interprétation des images médicales
II.3.1 Acquisition
II.3.2 Prétraitement des images
II.3.2.1 Modification de l’histogramme des images
II.3.2.1.1 Expansion de la dynamique
II.3.2.1.2 Egalisation de l’histogramme
II.3.2.1.3 Inversion de l’histogramme.
II.3.2.2 Filtrage des images
II.3.2.2.1 Filtre passe bas (lissage)
II.3.2.2.2 Filtre passe haut (accentuation).
II.3.2.2.3 Filtre de Gauss
II.3.2.2.4 Filtre médian (non linéaire)
II.3.3 Segmentation des images
II.3.3.1 Objectifs de la segmentation
II.3.3.2 Différentes approches de segmentation
II.3.4 Interprétation des images
II.4 Conclusion
CHAPITRE 03 (Deep learning)
III.1 Introduction
III.2 Définition du deep learning
III.3 Domaines d’application du deep learning.
III.4 Classification avec les réseaux de neurones.
III.4.1 Définition d’un réseau neuronal
III.4.2 Neurone biologique
III.4.2.1 Cellule nerveuse
III.4.2.2 Corps cellulaire
III.4.2.3 Dendrites.
III.4.2.4 Axone
III.4.2.5 Transmission synaptique
III.4.3 Neurone artificiel
III.4.3.1 Réseaux “FEED-FORWARD”.
III.4.3.2 Réseaux “FEED-BACK”.
III.4.4 Apprentissage
III.4.4.1 Mode supervisé
III.4.4.2 Renforcement
III.4.4.3 Mode non-supervisé (ou auto-organisationnel)
III.4.4.4 Mode hybride
III.4.5 Neurone formel
III.4.5.1 Interprétation mathématique
III.4.5.2 Fonctions d’activation
III.4.6 Réseau de neurone multi couche (MLP).
III.5 Réseaux de neurones profonds
III.5.1 Méthodes non supervisées
III.5.2 Méthodes supervisées
III.5.3 Réseaux de neurones récurrents
III.5.4 Réseaux de neurones convolutifs (CNNs).
III.5.4.1 Architecture des réseaux de neurones convolutifs (CNNs)
III.5.4.1.1 Couche d’entrée
III.5.4.1.2 Couche de convolution
III.5.4.1.3 Couche de pooling
III.5.4.1.4 Couche de correction
III.5.4.1.5 Couche entièrement connectée (Fully connected layer ou FC).
III.5.4.1.6 Couche de sortie (output layer)
III.5.4.2 Autres outils des CNNs
III.5.4.2.1 Fonction d’erreur
III.5.4.2.2 Dropout
III.5.4.2.3 Normalisation par lots
III.5.4.2.4 Arrêt anticipé
III.5.4.2.5 Augmentation des données
III.5.4.2.6 Transfer Learning
III.5.4.2.7 Optimisation
a) Méthode du gradient stochastique
b) Méthode RMS prop
c) Méthode Adam
III.6 Conclusion
CHAPITRE 04 (Etat de l’art)
IV.1 Introduction
IV.2 Travaux connexes
IV.2.1 Travail d’Apostolopoulos et Mpesiana
IV.2.2 Travail de Narin et al
IV.2.3 Travail de Khan et al
IV.2.4 Travail d’Ozturk et al
IV.2.5 Comparaison entre les différents travaux
IV.3 Conclusion
CHAPITRE 05 (Expériences et résultats)
V.1 Introduction
V.2 Environnement du travail
V.2.1 Environnement matériel
V.2.2 Langage de programmation Python
V.2.4 Navigateur Anaconda.
V.2.5 Jupyter Notebook
V.2.6 Keras
V.2.7 TensorFlow
V.3 Base de données utilisée
V.3.1 Préparation des données
V.3.2 Prétraitement et augmentation des données
V.4 Architectures de nos modèles
V.4.1 Architecture du modèle 1
V.4.2 Architecture du modèle 2
V.4.3 Architecture du modèle 3.
V.5 Résultats obtenus et discussion.
V.5.1 Résultats obtenus pour le modèle 1
V.5.2 Résultats obtenus pour le modèle 2
V.5.3 Résultats obtenus pour le modèle 3
V.5.4 Comparaison des différents résultats
V.6 Application
V.7 Conclusion
Conclusion générale
I.1 Introduction
1.2 Système respiratoire
1.2.1. Principales parties de système respiratoire
1.2.1.1. Poumon droit
I.2.1.2 Poumon Gauche
I.2.1.3 Trachée
I.2.1.4 Alvéoles
1.3 Coronavirus et le Covid-19
1.3.1 Définition
I.3.2 Étiquette et forme
1.4 Diagnostic du Covid-19
I.4.1 Diagnostique biologique
1.4.1.1 RT-PCR
1.4.1.2 RT-LAMP.
1.4.2 Diagnostique par l’imagerie médicale.
I.4.2.1 Radiographie
I.4.2.2 Tomodensitométrie (TDM).
I.4.2.3 Imagerie par résonance magnétique (IRM).
I.4.2.4 Échographie des poumons
I.5 La relation entre covid-19 et les images chest x-ray
1.6 Conclusion
CHAPITRE 02 (Traitement d’images)
II.1 Introduction
II.2 Définition de traitement d’image.
II.2.1 Exemples de traitement d’images
II.3 Cadre général d’un système d’interprétation des images médicales
II.3.1 Acquisition
II.3.2 Prétraitement des images
II.3.2.1 Modification de l’histogramme des images
II.3.2.1.1 Expansion de la dynamique
II.3.2.1.2 Egalisation de l’histogramme
II.3.2.1.3 Inversion de l’histogramme.
II.3.2.2 Filtrage des images
II.3.2.2.1 Filtre passe bas (lissage)
II.3.2.2.2 Filtre passe haut (accentuation).
II.3.2.2.3 Filtre de Gauss
II.3.2.2.4 Filtre médian (non linéaire)
II.3.3 Segmentation des images
II.3.3.1 Objectifs de la segmentation
II.3.3.2 Différentes approches de segmentation
II.3.4 Interprétation des images
II.4 Conclusion
CHAPITRE 03 (Deep learning)
III.1 Introduction
III.2 Définition du deep learning
III.3 Domaines d’application du deep learning.
III.4 Classification avec les réseaux de neurones.
III.4.1 Définition d’un réseau neuronal
III.4.2 Neurone biologique
III.4.2.1 Cellule nerveuse
III.4.2.2 Corps cellulaire
III.4.2.3 Dendrites.
III.4.2.4 Axone
III.4.2.5 Transmission synaptique
III.4.3 Neurone artificiel
III.4.3.1 Réseaux “FEED-FORWARD”.
III.4.3.2 Réseaux “FEED-BACK”.
III.4.4 Apprentissage
III.4.4.1 Mode supervisé
III.4.4.2 Renforcement
III.4.4.3 Mode non-supervisé (ou auto-organisationnel)
III.4.4.4 Mode hybride
III.4.5 Neurone formel
III.4.5.1 Interprétation mathématique
III.4.5.2 Fonctions d’activation
III.4.6 Réseau de neurone multi couche (MLP).
III.5 Réseaux de neurones profonds
III.5.1 Méthodes non supervisées
III.5.2 Méthodes supervisées
III.5.3 Réseaux de neurones récurrents
III.5.4 Réseaux de neurones convolutifs (CNNs).
III.5.4.1 Architecture des réseaux de neurones convolutifs (CNNs)
III.5.4.1.1 Couche d’entrée
III.5.4.1.2 Couche de convolution
III.5.4.1.3 Couche de pooling
III.5.4.1.4 Couche de correction
III.5.4.1.5 Couche entièrement connectée (Fully connected layer ou FC).
III.5.4.1.6 Couche de sortie (output layer)
III.5.4.2 Autres outils des CNNs
III.5.4.2.1 Fonction d’erreur
III.5.4.2.2 Dropout
III.5.4.2.3 Normalisation par lots
III.5.4.2.4 Arrêt anticipé
III.5.4.2.5 Augmentation des données
III.5.4.2.6 Transfer Learning
III.5.4.2.7 Optimisation
a) Méthode du gradient stochastique
b) Méthode RMS prop
c) Méthode Adam
III.6 Conclusion
CHAPITRE 04 (Etat de l’art)
IV.1 Introduction
IV.2 Travaux connexes
IV.2.1 Travail d’Apostolopoulos et Mpesiana
IV.2.2 Travail de Narin et al
IV.2.3 Travail de Khan et al
IV.2.4 Travail d’Ozturk et al
IV.2.5 Comparaison entre les différents travaux
IV.3 Conclusion
CHAPITRE 05 (Expériences et résultats)
V.1 Introduction
V.2 Environnement du travail
V.2.1 Environnement matériel
V.2.2 Langage de programmation Python
V.2.4 Navigateur Anaconda.
V.2.5 Jupyter Notebook
V.2.6 Keras
V.2.7 TensorFlow
V.3 Base de données utilisée
V.3.1 Préparation des données
V.3.2 Prétraitement et augmentation des données
V.4 Architectures de nos modèles
V.4.1 Architecture du modèle 1
V.4.2 Architecture du modèle 2
V.4.3 Architecture du modèle 3.
V.5 Résultats obtenus et discussion.
V.5.1 Résultats obtenus pour le modèle 1
V.5.2 Résultats obtenus pour le modèle 2
V.5.3 Résultats obtenus pour le modèle 3
V.5.4 Comparaison des différents résultats
V.6 Application
V.7 Conclusion
Conclusion générale
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.