Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

APPRENTISSAGE AUTOMATIQUE BASE SUR LE RÉSEAU DE NEURONES À CONVOLUTION POUR LA

APPRENTISSAGE AUTOMATIQUE BASE SUR LE RÉSEAU DE NEURONES À CONVOLUTION POUR LA RECONNAISSANCE DES FORMES ». LE TRAVAIL S’APPLIQUE À L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE (IRM). NTUMBA TSHITUNGU Omere 2021-2022 INTRODUCTION 1/2 L’Intelligence Artificielle est le domaine dans lequel se situe notre travail. Son but est de permettre aux ordinateurs d’agir et penser comme des êtres humains. Elle est présente dans tous les domaines de la vie quotidienne. La problématique fondamentale de l’Intelligence Artificielle se résume de la manière suivante : Comment concevoir une machine intelligente capable de reproduire le comportement de l’humain dans ses activités de raisonnement. Cependant c’est un très domaine vaste qui regroupe plusieurs disciplines, nous avons travaillé précisément sur le Machine Learning et la reconnaissance des formes. INTRODUCTION 2/2 L'imagerie par résonance magnétique est l'une des techniques d'observation les plus récentes. Basée sur le phénomène de résonance magnétique nucléaire, elle permet de sonder en profondeur un sujet donné tout en étant non invasive et non douloureuse. La qualité de ces images ainsi que les possibilités offertes en termes de vues, de modalités, de rendu, ou encore de contraste, ont fait d'elle un outil incontournable au sein du milieu médical. Sa précision et sa sensibilité se révèlent également être des atouts majeurs dans la traque des pathologies cérébrales. INTRODUCTION 2/2 Aujourd’hui, on se sert de la reconnaissance des formes en imagerie médicale pour permettre l’observation de la zone cérébrale. Elle donne aux machines la capacité de recueillir des informations différentes sur les tissus cérébraux et facilite l’interprétation au médecin. PROBLEMATIQUE 1/2 En milieu clinique, l'analyse des IRM cérébrales se fait par le biais d'un radiologue, la tâche de ce dernier consistant à traquer la présence d’anomalies. En présence d’anomalies, il procédera à leur délimitation (image par image) dans le but de mesurer leurs étendues. Ce procédé (appliqué pour chaque patient), en plus de consommer énormément de temps, il dépend d'une part du médecin qui ne prend pas en compte toute la structure cérébrale ce qui amènerait à une mauvaise conclusion, et d’autre part de la qualité d’images produites par la machine. PROBLEMATIQUE 2/2 Partant de cela, nous nous sommes posés comme questions suivantes : Comment un système informatique peut-il aider les médecins dans la prise de décision sur les images prises par IRM? Quel impact positif un système de reconnaissance automatique d’anomalies du cerveau pourrait-il apporter aux médecins ? HYPOTHESE En considération de ces questions de recherche, différentes solutions peuvent être proposées selon les chercheurs Ainsi, en rapport avec la première question, pour aider le médecin il conviendrait d’utiliser la reconnaissance automatique sur les images du cerveau. En rapport avec la deuxième question, nous pensons que le système diminuerait le temps d’examination des images produites par IRM, faciliterait la prise de décision sur base de mêmes caractéristiques sans possibilité de se tromper. OBJECTIF L'objectif principal de ce travail est de construire un modèle de réseau de neurones à convolution (CNN) qui classifierait si le sujet a une tumeur ou non sur la base d'une imagerie par résonance magnétique cérébrale. Nous avons utilisé l'architecture et les poids du modèle [VGG- 16] pour entraîner le modèle à ce problème binaire. INTERET DU TRAVAIL Ce mémoire nous est très capital car il nous permet de comprendre les notions d’apprentissage automatique, de traitements d’images, de réseau de neurones à convolution et de la programmation avec le langage python. Pour les médecins, ce travail permet de connaître avec exactitude les changements survenus sur les images prises et d’assister les médecins dans leur prise de décision. Enfin, le travail se veut une référence pour ceux qui aborderont le sujet des réseaux de neurones convolutifs et la reconnaissance de formes. METHODES UTILISEES Pour atteindre cet objectif, nous avons recouru à la méthode descriptive qui nous a permis de décrire le processus de traitement d’images. La méthode expérimentale qui nous permis de réaliser la prédiction sur un jeu de données en utilisant brain-mri-images-for-brain-tumor-detection/brain_tumor_dataset/. Notre travail est ainsi organisé, hormis l’introduction générale et la conclusion générale, en quatre chapitres, qui se présentent de la manière suivante : DIVISION DU TRAVAIL C’est l’un des champs d'étude de l'intelligence artificielle, c’est la discipline scientifique concernée par le développement, l'analyse et l'implémentation de méthodes automatisables qui permettent à une machine (au sens large) d'évoluer grâce à un processus d'apprentissage, et ainsi de remplir des tâches qu'il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques. CHAPITRE I :APPRENTISSAGE ARTIFICIEL Machine Learning Le Machine Learning est un champ d’étude de l’intelligence artificielle qui se fonde sur des approches statistiques pour donner aux ordinateurs la capacité d’« apprendre » à partir de données. Dataset Un dataset (ou jeu de données ou ensemble de données) est un ensemble de données numérisées (statistiques, textes, images, son, vidéo…). C’est le minerai brut que l’on fournit aux algorithmes de machine Learning ou de deep Learning pour que ces derniers créent des « modèles », c’est-à-dire des équations statistiques qui permettent à l’algorithme de réaliser des prévisions. Modèle et ses paramètres Un modèle de machine Learning est un fichier qui a été entraîné à partir d'une base d'apprentissage en vue d'automatiser des tâches. Une fois entraîné, le modèle doit être capable de générer des résultats à partir de données (textes, photos) qu'il n'a encore jamais traitées. Concepts de base du machine Learning CHAPITRE I :APPRENTISSAGE ARTIFICIEL CHAPITRE I :APPRENTISSAGE ARTIFICIEL Fonction cout Lorsqu’on teste notre modèle sur le Dataset, celui-ci nous donne des erreurs. L’ensemble de ces erreurs, c’est ce qu’on appelle la Fonction Coût.  Algorithme d’apprentissage Un algorithme d’apprentissage est un programme à même d’apprendre en toute autonomie à partir des données. Ils sont ainsi capables de s’améliorer avec les entrainements et sont employés pour accomplir des tâches comme la simple analyse de données ou des prédictions. Types d’apprentissage Apprentissage supervisé Apprentissage non supervisé Apprentissage semi supervisé Apprentissage par renforcement CHAPITRE I :APPRENTISSAGE ARTIFICIEL Apprentissage supervisé L’apprentissage supervisé est peut-être le type de problèmes de machine Learning le plus facile à appréhender : son but est d’apprendre à faire des prédictions, à partir d’une liste d’exemples étiquetés, c’est-à-dire accompagnés de la valeur à prédire. Les étiquettes servent de « professeur » et supervisent l’apprentissage de l’algorithme. Observations Algorithme de ML Étiquettes Modèle prédictif CHAPITRE I :APPRENTISSAGE ARTIFICIEL Apprentissage non supervisé L’apprentissage non supervisé consiste à mettre en évidence les informations cachées par le grand volume de données, en vue de détecter dans ces données des tendances cachées. Dans ce cas les données ne sont pas étiquetées, on a pas des hypothèses, ni des informations supplémentaires sur les données. C’est-à-dire les classes ne sont pas connues et il faut les déterminer. Observations Algorithme de ML Observations réduites CHAPITRE I :APPRENTISSAGE ARTIFICIEL Apprentissage semi supervisé L’apprentissage semi-supervisé consiste à apprendre des étiquettes à partir d’un jeu de données partiellement étiqueté. Le premier avantage de cette approche est qu’elle permet d’éviter d’avoir à étiqueter l’intégralité des exemples d’apprentissage, ce qui est pertinent quand il est facile d’accumuler des données mais que leur étiquetage requiert une certaine quantité de travail humain. CHAPITRE I :APPRENTISSAGE ARTIFICIEL Apprentissage par renforcement Dans le cadre de l’apprentissage par renforcement, le système d’apprentissage peut interagir avec son environnement et accomplir des actions. En retour de ces actions, il obtient une récompense, qui peut être positive si l’action était un bon choix, ou négative dans le cas contraire. CHAPITRE I :APPRENTISSAGE ARTIFICIEL Deep Learning Le Deep Learning ou l’apprentissage profond est une discipline d’intelligence artificielle, et plus précisément une branche du Machine Learning. Elle consiste à laisser les machines apprendre à partir de leurs expériences, à la manière des humains. CHAPITRE I :APPRENTISSAGE ARTIFICIEL Les algorithmes du deep learning Il existe différents algorithmes de deep Learning, que nous pouvons citer :  Réseaux neuronaux récurrents (RNN)  Réseaux adversariaux génératifs (GAN)  Machines de Boltzmann restreintes (RBM)  Réseaux neuronaux convolutifs (CNN) CHAPITRE I :APPRENTISSAGE ARTIFICIEL CHAPITRE II: TRAITEMENT D’IMAGE Une image numérique est définie par : le nombre de pixels qui la composent en largeur et en hauteur. Image aux niveaux gris Image en couleur Définition et types d’image numérique CHAPITRE III: RESEAU DE NEURONES A CONVOLUTIONS La première convolutive fonctionne comme un extracteur de caractéristiques. Une image passe à travers une succession de filtres de convolution. Habituellement, une couche de convolution est suivie d'une fonction d'activation. Certains filtres intermédiaires sont là pour réduire la résolution de l’image par une opération de maximum local; les cartes de convolutions sont concaténées dans un vecteur, appelé code CNN. Ce vecteur représente la sortie du premier bloc, et l’entrée du second.,La deuxième partie est constituée d’une couche entièrement connectée. Cette partie a pour rôle de combiner les caractéristiques du code CNN pour classer l’image. La sortie est une dernière couche qui contient autant d'éléments qu'il y a de classes. Différentes couches d’un CNN Une architecture CNN est formée par un empilement de couches de traitement indépendantes : • La couche de convolution (CONV) qui traite les données d'un champ récepteur. • La couche de pooling (POOL), qui permet de compresser l'information en réduisant la uploads/Industriel/ omerediapo.pdf