Remerciez-le!

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

A LA FAMILLE MOHAMADOU La rigueur scientifique et les exigences d’un travail ac

A LA FAMILLE MOHAMADOU La rigueur scientifique et les exigences d’un travail académique vont souvent au-delà des capacités de l’étudiant. Ainsi ce serait de l’ingratitude de notre part de nous lancer dans le sujet de ce mémoire sans nous acquitter de l’honorable devoir qui nous interpelle : celui d’exprimer nos remerciements à tous ceux qui de près ou de loin ont influencé ce travail de quelque manière que ce soit. Ces remerciements s’adressent particulièrement à : Professeur ROBERT NZENGWA, Doyen de la Faculté pour nous avoir accueilli à la Faculté de Génie Industriel et avoir mis à notre disposition tous les moyens dont nous avions besoin pour progresser dans les meilleures conditions académiques possibles ; Docteur JEAN NDOUMBE, Chef de Département de la filière Télécommunications et Technologie de l’Information et de la Communication pour avoir accepté de nous guider, de superviser notre spécialisation et de nous encadrer dans ce mémoire ; Docteur Brice EKOBO AKOA et Monsieur Jacques MATANGA, respectivement nos Encadreurs Académique et Professionnel, qui malgré leurs multiples occupations ont pu diriger et superviser nos travaux de recherche ; Ingénieur Junior MOMO ZIAZET pour sa disponibilité, son enseignement et ses conseils et orientations ; Tout le personnel de la Faculté de Génie Industriel de l’université de Douala ainsi que tout le corps enseignant, qui, durant toute notre scolarité nous ont encouragé sans ménager aucun effort pour faire de nous de futurs « Ingénieurs Managers » ; Mes parents pour leur soutien, leurs encouragements et leur amour infini ; Toute ma famille, mes frères et sœurs, mes tantes et oncles, ma grande mère pour leur soutien de toute nature ; A ma famille adoptive où, Monsieur et Madame OUMAROU HAMANDJODA par leur amour illimité, conseils, patience, encadrement m’ont assisté et suivi tout au long de cette formation. Je ne manquerais pas de remercier l’ensemble des membres du jury de soutenance pour l’honneur qu’ils m’ont fait en acceptant de juger ce modeste travail ; Mes amis pour leur apport et leur conseil et particulièrement Jean Richard Owona pour sa disponibilité, son aide ; et tous ceux et celles qui, de près ou de loin m’ont soutenu pour la réalisation de ce mémoire ; Enfin un regard singulier à tous mes camarades de la promotion 8 de la Faculté de Génie Industriel de l’université de Douala pour les inoubliables moments partagés. REMERCIEMENTS Ce travail porte sur la conception et la réalisation d’un système intelligent capable de diagnostiquer le paludisme à partir des images de frottis sanguins. Ce système prend en entrée des données sous le format d’images, et en fournit un diagnostic de manière instantanée et automatisée pour donner en sortie le résultat de l’état du patient sur un écran. La méthodologie de réalisation du système qui a été choisie dans la conception de notre modèle logiciel est basée sur le réseau de neurones convolutionnel. Ce dernier a la spécificité de fonctionner comme extracteur de caractéristiques et classificateur d’images. La partie logicielle ainsi obtenue est deployée sur un dispositif électronique qui sert de kit de diagnostic. La mise sur pied d’un tel système présente des atouts innombrables parmi lesquels la rapidité lors du diagnostic par un technicien de laboratoire ou non et la portabilité qui facilite l’usage partout où besoin se fera ressentir. Du point de vue ergonomique et fonctionnel, le système a un impact réel, dans le diagnostic d’une endémie paludéenne à grande échelle. Les résultats obtenus sont probants. Dans la mesure où le système réalisé après test sur plusieurs échantillons atteint une sensibilité moyenne de 94,50% et une précision moyenne de 94,50% améliorant ainsi la prise de décision sur le diagnostic du paludisme et par ricochet la prise en charge ipso facto du patient à grande échelle. Mots clés : Diagnostic, Paludisme, Réseaux de neurones convolutionnel, Système intelligent. RESUME This work focuses on the design and implementation of an intelligent system that can diagnose malaria from blood smear images. This system collects data in the image , and provides an instant and automated diagnosis to output the result of the patient's condition on a screen. The system realization methodology that was chosen in the design of our software model is based on the convolutional neural network. The latter has the specificity to function as a feature extractor and image classifier. The software part thus obtained is implemented in an electronic device that serves as a kit mounted with our care. The establishment of such a system has innumerable assets such as : - rapidity during diagnosis by a laboratory technician or not; - portability that will facilitate its use wherever needed. From an ergonomic and functional point of view, the system has a real impact in the diagnosis of a large-scale malaria endemic. The results obtained are convincing. Insofar as the system carried out after testing on several samples reaches an average sensitivity of 94.50% and an average accuracy of 94.50%, thus improving the decision-making on the diagnosis of malaria and by ricochet management ipso facto of the patient on a large scale. Key words: Convolutional Neural Network, Diagnosis, Intelligent System, Malaria. ABSTRACT Figure 1.1 : Image acquise........................................................................................................12 Figure 1.2 : Image transformée en niveau de gris.....................................................................13 Figure 1.3 : Egalisation de l'histogramme.................................................................................14 Figure 1.4 : Image segmentée...................................................................................................14 Figure 1.5 : Erosion [32]...........................................................................................................15 Figure 1.6 : Image dilatée.........................................................................................................15 Figure 1.7 : Détection de contours………………………………………………………… 16 Figure 1.8 : Algorithme classique d’un k-means......................................................................20 Figure 1.9 : Structure d’un neurone artificiel en correspondance avec celle d’un neurone biologique [34]..........................................................................................................................21 Figure 1.10: La fonction sigmoïde [35]....................................................................................22 Figure 1.11 : Fonction linéaire..................................................................................................22 Figure 1.12 : Fonction tangente hyperbolique [35]..................................................................23 Figure 1.13 : Fonction ReLU [35]............................................................................................23 Figure 1.14 : Architecture d’un perceptron avec le sens de rétropropagation de l’erreur [35].24 Figure 1.15 : Overfitting et Underfitting...................................................................................26 Figure 1.16 : Architecture d'un CNN [39]................................................................................28 Figure 1.17 : Couches du CNN [40].........................................................................................28 Figure 1.18 : Exemple du processus de convolution [41].........................................................29 Figure 1.19 : Max Pooling avec un filtre de 2X2 [41]..............................................................30 Figure 2.1 : Analyse fonctionnelle du besoin...........................................................................34 Figure 2.2 : Schéma synoptique du kit......................................................................................34 Figure 2.3 : Cas d'utilisation du système..................................................................................35 Figure 2.4 : Diagramme de séquence de fonctionnement global du système...........................36 Figure 2.5 : Diagramme de séquence d’entrainement..............................................................37 Figure 2.6 : Diagramme de composants du système................................................................38 Figure 2.7 : Topologie du système............................................................................................38 Figure 2.8 : Organigramme du système...................................................................................39 Figure 2.9 : Architecture du modèle proposé............................................................................41 LISTE DES FIGURES Figure 3.1 : Exemple d'images utilisés.....................................................................................44 Figure 3.2 : Configuration de l'architecture du CNN................................................................46 Figure 3.3 : Image prétraitée.....................................................................................................47 Figure 3.4 : Image d'ensemble du prototype............................................................................49 Figure 3.5 : Image du prototype au démarrage.........................................................................49 Figure 3.6 : Interface graphique................................................................................................50 Figure 3.7 : Importer l’image d’un frottis.................................................................................50 Figure 3.8 : Image importée......................................................................................................51 Figure 3.9.1 : résultat pour un frottis sanguin positif................................................................51 Figure 3.9.2 : résultat pour un frottis sanguin négatif...............................................................52 Figure 3.10 : Matrice de confusion de données d’entrainement...............................................55 Figure 3.11 : Matrice de confusion de données de test.............................................................55 LISTE DES TABLEAUX ANN: Artificial Neural Network BPNN: Back Propagation Neural Network CNN: Convolutional Neural Network GLCM: Gray Level Coocurrence Matrix IA: Intelligence Artificielle LCD : Liquid Cristal Display MLP: Multiple Layer Perceptron OMS: Organisation Mondiale de la Santé ReLU: Rectified Linear Unit RGB: Red Green Blue RNA: Réseau de Neurones Artificiels ROI: Region Of Interest RVB: Rouge Vert Bleu SVM: Support Vector Machine TIC : Technologies de l’information et de la communication LISTE DES ABBREVIATIONS REMERCIEMENTS___________________________________________________ii RESUME____________________________________________________________iii ABSTRACT__________________________________________________________iv LISTE DES FIGURES_________________________________________________v LISTE DES TABLEAUX______________________________________________vii LISTE DES ABBREVIATIONS________________________________________viii SOMMAIRE_________________________________________________________ix INTRODUCTION GENERALE_________________________________________1 Contexte_____________________________________________________________1 Problématique________________________________________________________2 Objectifs du travail____________________________________________________3 Hypothèses du travail__________________________________________________3 Plan du mémoire______________________________________________________3 CHAPITRE 1 : ETAT DE L’ART________________________________________5 1.1 Techniques de diagnostic du paludisme_________________________________5 1.1.1 Les techniques classiques_____________________________________5 1.1.1.1 Le TDR (Tests de Diagnostiques Rapides)_______________________5 1.1.1.2 l’examen microscopique______________________________________6 1.1.2 Les techniques automatiques___________________________________7 1.1.2.1 Traitement d’image et diagnostic du paludisme____________________7 1.1.2.1.1 Travaux sur l’identification des parasites du paludisme et classification de quatre espèces______________________________________7 1.1.2.1.2 Travaux sur la détection et classification des parasites du paludisme_8 1.1.2.2 Système de diagnostic du paludisme utilisant les réseaux de neurones_ _8 1.1.2.2.1 Détection quantitative du paludisme___________________________8 1.1.2.2.2 Détection et classification automatique du paludisme_____________9 1.2 Traitement d’images pour le diagnostic du paludisme_________________11 1.2.1 Acquisition d’images_________________________________________12 1.2.2 Prétraitements______________________________________________12 1.2.3 Segmentation_______________________________________________14 1.2.4 Opérations morphologiques___________________________________14 SOMMAIRE 1.3 Intelligence Artificielle pour le diagnostic du paludisme__________________16 1.3.1 Le Machine Learning (Apprentissage Automatique)________________17 1.3.1.1 L’approche Naive Baye (Classification Bayésienne)_______________17 1.3.1.2 Les SVM (Support Vector Machine)___________________________18 1.3.1.3 Le K-means clustering______________________________________19 1.3.2 Le Deep Learning (Apprentissage Profond)_______________________20 1.3.2.1 Les réseaux de neurones artificiels (RNA)_______________________20 1.3.2.2 Le Perceptron Multicouche (PMC), Algorithme de rétropropagation_23 1.3.2.3 Les réseaux de neurone à convolutions_________________________26 Conclusion___________________________________________________________32 CHAPITRE 2 : CONCEPTION DU SYSTEME INTELLIGENT_____________33 2.1 Méthodologie de conception_________________________________________33 2.1.1 Analyse fonctionnelle________________________________________33 2.1.2 Définition générale des besoins_________________________________35 2.1.2.1 Modélisation des besoins____________________________________35 2.1.2.2 Vue d’ensemble du système intelligent_________________________37 2.2 Conception du système_____________________________________________38 2.2.1 Module de prétraitement______________________________________39 2.2.2 Module du CNN____________________________________________40 Conclusion___________________________________________________________41 CHAPITRE 3 : REALISATION, IMPLEMENTATION ET RESULTATS____42 3.1 Présentation des outils utilisés________________________________________42 3.1.1 Langage et librairies utilisés___________________________________42 3.1.2 Le Hardware_______________________________________________43 3.2 Implémentation du modèle CNN_____________________________________43 3.2.1 Jeu de données______________________________________________43 3.2.1.1 Présentation du jeu de données_______________________________43 3.2.1.2 Répartition de ces données___________________________________44 3.2.2 Architecture du CNN_________________________________________44 3.2.3 Apprentissage du modèle_____________________________________46 3.3 Réalisation, Simulation uploads/Sante/ memoire-madina-correction.pdf