Remerciez-le!

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

الجمهورية الجزائرية الديمقراطية الشعبية MINISTÈRE DE L'ENSEIGNEMENT SUPÉRIEUR E

الجمهورية الجزائرية الديمقراطية الشعبية MINISTÈRE DE L'ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE FACULTÉ DE LA TECHNOLOGIE DU DÉPARTEMENT DU GENIE ÉLECTRIQUE Mémoire de fin d’études de Master Filière : Télécommunications Spécialité : Systèmes de télécommunications Préparé et présenté par Berraf Issam Abdelwahab Titri Mohamed Mounir Proposé et dirigé par M. Boucherit Ismail Promotion : 2022 Débruitage des images basées sur l’apprentissage profond Résumé موجز الهدف الرئيسي من هذا المشروع هو بناء نظام ذكاء اصطناعي قادر على توفير صور طبية ذات نوعية جيدة للخبراء في المجال الطبي حتى يتمكنوا من تشخيص الحاالت الحرجة،بسهولة خاصة بعد األوبئة الضخمة التي حدثت في السنوات األخيرة مثل سارس كوف- 2 (كوفيد- 19) والعديد من األوبئة األخرى التي كلفت الكثير من األرواح البشرية. سنستخدم نظام الشبكة العصبية التالفيفية لمعالجة الصور وتقليل تشويش مجموعة بيانات األشعة السينية للصدر لمرض كوفيد- 19 . :الكلمات المفتاحية الصور،الطبية األشعة،السينية التعلم،العميق الترميز،التلقائي الشبكات،العصبية سي إن،إن تقليل ،الضوضاء بايثون. RÉSUMÉ L’objectif principal de ce projet est de construire un système d'intelligence artificielle susceptible de fournir des images médicales de bonne qualité aux experts du domaine médical afin qu'ils puissent facilement poser leur diagnostic sur des cas critiques notamment après les pandémies massives qui ont eu lieu ces dernières années telles que SARS-CoV-2 (COVID- 19) et bien d'autres qui ont coûté tant de vies humaines. Nous utiliserons un système de réseau de neurones convolutifs (CNN) pour le traitement d'images et le débruitage d'un ensemble de données de radiographie pulmonaire (rayons X) de la maladie covid-19. Mots clés : Imagerie médicale, rayons X, apprentissage en profondeur, auto-encodeur, réseaux de neurones, CNN, débruitage, python. ABSTRACT The main objective from this project is to build an artificial intelligence system could potentially provide good quality medical images for the experts in the medical field so they can easily make their diagnosis on critical cases especially after the massive pandemics that which took place in the few past years such as SARS-CoV-2 (COVID-19) and many others which took so many human lives. We will use a convolutional neural network (CNN) system for image processing and denoising of a chest x-ray dataset of the covid-19 disease. Key words: Medical imagery, x-ray, deep learning, autoencoders, neural networks, CNN, denoising, python. Liste des acronymes et abréviations Liste des acronymes et abréviations AE : AutoEncoder AI : Artificial Intelligence ANN : Artificial Neural Network AWGN : Additive white Gaussian noise CNN / ConvNet : convolutional neural network COVID-19 : coronavirus disease of 2019 CT : computed tomography CXR : Chest x-ray DAE : Denoising AutoEncoder / Deep AutoEncoder DL : Deep Learning FC : Fully Connected FCN : Fully Convolutional Network GUI : Graphical User Interface ML : Machine Learning MRI : Magnetic resonance imaging MSE : Mean squared error PSNR : Peak signal-to-noise ratio RNN : Recurrent Neural Network ReLU : Rectified Linear Unit SARS-CoV-2 : severe acute respiratory syndrome coronavirus 2 SNR : Singal-to-noise ratio Remerciement et dédicace Tout d'abord, nous voudrions remercier Allah de nous avoir guidés pour prendre les bonnes décisions et atteindre ce niveau d'éducation, un grand merci à notre encadreur M. Boucherit pour son aide tout au long du chemin, merci à vous monsieur. Merci à tous les enseignants d'avoir tout donné pour transmettre le message d'apprentissage, qu'Allah récompense vos efforts. Merci à nos chers parents d'avoir cru en nous et d'avoir fourni tout ce qu'ils pouvaient pour que nous puissions avoir une part d'apprentissage, qu'Allah vous bénisse Et enfin, nous voudrions dédier ce modeste travail à toutes nos familles et collègues ainsi qu'aux enseignants, merci à tous pour les précieux souvenirs, nous souhaitons à tous une vie joyeuse remplie de succès et de bonheur insha’allah. Sommaire Sommaire INTRODUCTION GENERALE .......................................................................... 1 Chapitre I : L'imagerie médicale I. Introduction .................................................................................................... 4 1 L’histoire de l’imagerie médicale ................................................................. 4 2 Différentes techniques d’imagerie médicale ................................................. 5 3 Imagerie par rayon X ................................................................................... 5 3.1 Les rayons X .......................................................................................... 5 3.2 Comment produire une radiographie ? .................................................. 6 3.3 Quand les radiographies médicales sont-elles utiles ? ........................... 7 3.3.1 Diagnostique .................................................................................... 7 3.3.1.1 La radiographie aux rayons X ................................................................ 7 3.3.1.2 Mammographie ...................................................................................... 8 3.3.1.3 CT (tomodensitométrie) ......................................................................... 9 3.3.1.4 Fluoroscopie .......................................................................................... 9 3.3.2 Thérapeutique ................................................................................ 10 3.3.2.1 Radiothérapie dans le traitement du cancer ......................................... 10 4 Le bruit dans l’imagerie médicale .............................................................. 10 4.1 Les modèles de bruit dans l’image ....................................................... 10 4.1.1 Le bruit additif ............................................................................... 10 4.1.2 Le bruit multiplicatif ...................................................................... 11 4.1.3 Le bruit convolutif .......................................................................... 11 4.2 Les types de bruit ................................................................................. 11 4.2.1 Bruit sel et poivre........................................................................... 11 4.2.2 Bruit blanc Gaussien (AWGN : additive white Gaussien noise) ..... 12 4.2.3 Le flou ............................................................................................ 13 4.2.4 Bruit multiplicatif Poisson (Poisson noise, shot noise) ................... 14 5 Débruitage ................................................................................................. 14 5.1 Les critères de choix d’un filtre (sous-titre débruitage) ........................ 14 5.1.1 Erreur moyenne quadratique (MSE) .............................................. 15 Sommaire 5.1.2 Erreur signal sur bruit SNR (Signal to Noise Ratio) ...................... 15 5.1.3 Rapport signal sur bruit crête (PSNR) ........................................... 15 6 Filtrage ...................................................................................................... 15 6.1 Filtre médian (sous-titre filtrage) ......................................................... 15 Conclusion ....................................................................................................... 17 Chapitre II : Apprentissage profond I. Introduction ............................................................................................................................. 19 II. Historique .............................................................................................................................. 20 1 Réseaux de neurones .................................................................................. 21 2 Réseaux de neurones convolutifs ................................................................ 22 3 Les couches de réseaux de neurones convolutionnels ................................. 22 3.1 Couche d'entrée du CNN ......................................................................... 23 3.2 Couche de convolution ............................................................................ 23 3.3 Couche de mise en commun (Pooling) .................................................... 25 3.4 Couche entièrement connecté (Fully Connected) .................................... 25 3.5 Couche de perte ...................................................................................... 26 3.6 Couche de sortie (output layer) ............................................................... 26 4 Auto-encodeur ............................................................................................ 26 5 Opérations de couches convolutives ........................................................... 28 6 Logiciel utilisé dans l’apprentissage profond ............................................. 28 6.1 Python ..................................................................................................... 28 6.1.1 Bibliothèques utilisées dans ce projet (Python) .................................... 28 6.1.1.1.1 OpenCV (Open-Source Computer Vision Library) ............................ 28 6.1.1.1.2 Matplotlib ......................................................................................... 28 6.1.1.1.3 Numpy (Numerical Python) ............................................................... 29 6.1.1.1.4 Keras ................................................................................................ 29 6.1.1.1.5 Tensorflow ........................................................................................ 29 III. Conclusion ................................................................................................. 29 Sommaire Chapitre III : Simulation et résultats I. Introduction ............................................................................................................................. 31 II. Plan de travail ...................................................................................................................... 31 1. Chargement de l'ensemble de données ....................................................................... 32 2. Prétraitement des images ................................................................................................ 33 3. Addition de bruit ................................................................................................................ 33 4. Training, validation, et test de la base de données ................................................ 34 5. Résultats ............................................................................................................................... 35 6. Evaluation ............................................................................................................................ 38 6.1 Première manipulation ................................................................................................ 38 6.2 Deuxième manipulation ............................................................................................... 38 III. Conclusion............................................................................................................................ 38 Conclusion générale et perspectives ................................................................................... 40 Liste des figures Liste des figures FIGURE 1. UNE PHOTO D'UN MEDECIN TENANT UNE RADIOGRAPHIE. ............................................................... 6 FIGURE 2. UNE ILLUSTRATION D'UN PATIENT QUI PASSE UNE RADIOGRAPHIE THORACIQUE. ..................... 7 FIGURE 3. ACQUISITION DE RADIOGRAPHIE PAR PROJECTION MEDICALE. ....................................................... 8 FIGURE 4. UNE ILLUSTRATION QUI MONTRE LA MAMMOGRAPHIE. ................................................................... 9 FIGURE 5. IMAGE DU BRUIT POIVRE ET SEL (A GAUCHE). ................................................................................... 12 FIGURE 6. COURBE DE DENSITE DE PROBABILITE D'EQUATION. ....................................................................... 12 FIGURE 7. L'IMAGE (A) A UN BRUIT BLANC ADDITIF. ........................................................................................... 13 FIGURE 8. IMAGE FLOUE A GAUCHE. ...................................................................................................................... 13 FIGURE 9. IMAGE DEGRADEE PAR LE BRUIT DE POISSON. .................................................................................. 14 FIGURE 10. PRINCIPE DU FILTRE MEDIAN 3X3. ...................................................................................................... 16 FIGURE 11. SCHEMA D’UN RESEAU DE NEURONES ARTIFICIEL ......................................................................... 21 FIGURE 12. EXEMPLE D'UN RESEAU CNN POUR LE DEBRUITAGE ...................................................................... 22 FIGURE 13. EXEMPLE D’ARCHITECTURE CNN ....................................................................................................... 23 FIGURE 14. EXEMPLE DE PRINCIPE DU FILTRE CONVOLUTIONNEL ................................................................... 24 FIGURE 15. PRINCIPE DE FONCTION RELU .............................................................................................................. 24 FIGURE 16. EXEMPLE DE PRINCIPE DE POOLING. .................................................................................................. 25 FIGURE 17. PRINCIPE DE LA COUCHE ENTIEREMENT CONNECTEE.................................................................... 25 FIGURE 18. ARCHITECTURE D'UN AUTOENCODEUR ............................................................................................. 26 FIGURE 19. ARCHITECTURE D'UN AUTOENCODEUR ............................................................................................. 27 FIGURE 20. OPERATIONS CONV/DECONV RELU ET MAXPOOLING ..................................................................... 27 FIGURE 21. UN ORGANIGRAMME QUI REPRESENTE LE PLAN DE TRAVAIL POUR LA SIMULATION ............ 31 FIGURE 22. APERÇU DE L'ENSEMBLE DE DONNEES .............................................................................................. 32 FIGURE 23. IMAGES DES RESULTATS DE MANIPULATION 1 DU MODELE CNN ................................................ 36 FIGURE 24. UN ECHANTILLON QUI MONTRE LES DEUX METHODES DE DEBRUITAGE UTILISEES ............... 36 FIGURE 25. IMAGES DES RESULTATS DE MANIPULATION 2 DU MODELE CNN ................................................ 37 Liste des tableaux Liste des tableaux TABLEAU 1. LES VALEURS DE CRITERE PSNR POUR LA 1ERE MANIPULATION ................................35 TABLEAU 2. LES VALEURS DE CRITERE MSE POUR LA 1ERE MANIPULATION .................................35 TABLEAU 3. LES VALEURS DE CRITERE PSNR POUR LA 2EME MANIPULATION ...............................37 TABLEAU 4. LES VALEURS DE CRITERE MSE POUR LA 2EME MANIPULATION .................................37 Introduction Générale Introduction générale 1 INTRODUCTION GENERALE L’imagerie médicale regroupe l’ensemble des techniques utilisées par la médecine pour le diagnostic mais aussi le traitement d’un grand nombre de pathologies. Elle a révolutionné la médecine en donnant un accès immédiat et fiable à des informations jusqu’alors « invisibles » au diagnostic clinique, comme par exemple aux caractéristiques anatomiques, voire même à certains aspects du métabolisme (imagerie fonctionnelle) des organes. Les techniques d’imagerie médicale ne donnent pas une simple « photographie » du tissu ou de l’organe étudié mais une représentation visuelle fondée sur des caractéristiques physiques ou chimiques particulières. Avec un appareillage certes beaucoup plus lourd que les instruments d’optique (endoscopes, fibres optiques...) - aujourd’hui si petits qu’ils peuvent être introduits dans les étroits canaux du corps humain -, mais sans les contraintes que ces uploads/Sante/ image-denoising-using-cnn-networks 1 .pdf