Documents disponibles écrits par cet auteur

Classification des tumeurs du cancer du sein avec les Réseaux de neurones convolutifs profonds / Mounir BELGHITI

Public ISBD Titre : Classification des tumeurs du cancer du sein avec les Réseaux de neurones convolutifs profonds Type de document : projet fin études Auteurs : Mounir BELGHITI, Auteur Langues : Français (fre) Catégories : BIG DATA Mots-clés : Breast cancer, Convolutional neural network, Deep learning, Image classification, Intelligence artificielle, Medical image processing. Index. décimale : mast 279/19 Résumé : Les réseaux de neurones convolutifs sont des réseaux de neurones multicouches qui sont spécialisés dans des taches de reconnaissance de forme. Le problème est que ces architectures nécessitent une masse gigantesque de données qui font défaut dans le domaine médical. En outre, il est très difficile de trouver de bonnes données étiquetées pour former de tels modèles complexes. Pour remédier à ces difficultés on a réalisé une solution de diagnostic des tumeurs de sein basée sur des méthodes d’apprentissage efficaces combinées au deep learning et au big data analytics permettent de mieux extraire les Marqueurs tumoraux de la progression de cancer de sein. En termes de ce travail nous exploitons la technique de l’apprentissage par transfert des données, l’idée est de combiner deux types de réseaux de neurones convolutifs qui se complémentaient très bien pour obtenir une méthode optimisée de classification d'images. Le premier réseau se forme d’un modèle pré-entrainé joue le rôle d’extracteur automatique de caractéristiques des images qui utilise une donnée biomédicale brute et apprend la normalisation optimale des données et mis en oeuvre des techniques d’augmentation du jeu d’entraînement. Le second réseau joue le rôle de classifieur utilise la sortie du premier réseau pour prédire la classe à laquelle appartient la donnée. L’objectif : Offrir aux pathologistes une solution collaborative pour améliorer le diagnostic précoce du cancer de sein à travers l’identification des anomalies et les mutations au niveau des tumeurs, afin de les accompagner dans la prise de décision. Classification des tumeurs du cancer du sein avec les Réseaux de neurones convolutifs profonds [projet fin études] / Mounir BELGHITI, Auteur . - [s.d.]. Langues : Français (fre) Catégories : BIG DATA Mots-clés : Breast cancer, Convolutional neural network, Deep learning, Image classification, Intelligence artificielle, Medical image processing. Index. décimale : mast 279/19 Résumé : Les réseaux de neurones convolutifs sont des réseaux de neurones multicouches qui sont spécialisés dans des taches de reconnaissance de forme. Le problème est que ces architectures nécessitent une masse gigantesque de données qui font défaut dans le domaine médical. En outre, il est très difficile de trouver de bonnes données étiquetées pour former de tels modèles complexes. Pour remédier à ces difficultés on a réalisé une solution de diagnostic des tumeurs de sein basée sur des méthodes d’apprentissage efficaces combinées au deep learning et au big data analytics permettent de mieux extraire les Marqueurs tumoraux de la progression de cancer de sein. En termes de ce travail nous exploitons la technique de l’apprentissage par transfert des données, l’idée est de combiner deux types de réseaux de neurones convolutifs qui se complémentaient très bien pour obtenir une méthode optimisée de classification d'images. Le premier réseau se forme d’un modèle pré-entrainé joue le rôle d’extracteur automatique de caractéristiques des images qui utilise une donnée biomédicale brute et apprend la normalisation optimale des données et mis en oeuvre des techniques d’augmentation du jeu d’entraînement. Le second réseau joue le rôle de classifieur utilise la sortie du premier réseau pour prédire la classe à laquelle appartient la donnée. L’objectif : Offrir aux pathologistes une solution collaborative pour améliorer le diagnostic précoce du cancer de sein à travers l’identification des anomalies et les mutations au niveau des tumeurs, afin de les accompagner dans la prise de décision.

Réservation

Réserver ce document

Exemplaires

Code barre	Cote	Support	Localisation	Section	Disponibilité
mast 279/19	mast 279/19 MOU	Texte imprimé	Unité des masters	Mast/19	Disponible