Académique Documents
Professionnel Documents
Culture Documents
Réalisé par :
Chalbi Achref
Encadrante Universitaire :
M. Borhen Rahmeni
Année Universitaire : 2023/2024
ii
Table des matières
2 Structure du Projet 3
3 Étapes du Projet 4
3.1 Étapes accomplies : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.1.1 Collecte et de prétraitement des données : . . . . . . . . . . . . . . . . . . . . 4
3.1.2 Exploration et d’analyse des données : . . . . . . . . . . . . . . . . . . . . . . 4
3.1.3 Conception et de développement des modèles : . . . . . . . . . . . . . . . . . . 4
3.2 Étapes restant à faire : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.1 évaluation des modèles : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.2 Validation et d’interprétation des résultats : . . . . . . . . . . . . . . . . . . . 5
Bibliographie 6
1
Problématique et objectif de recherche
Problématique : Au sein du domaine médical, l’interprétation précise des images diagnostiques consti-
tue un enjeu majeur pour les praticiens, influant directement sur les décisions thérapeutiques et la
qualité des soins prodigués aux patients. Face à la complexité croissante des données d’imagerie et
à la diversité des pathologies, l’intégration de l’intelligence artificielle, notamment à travers les ré-
seaux neuronaux convolutionnels (CNN), offre de nouvelles perspectives pour optimiser les processus
diagnostiques. Toutefois, la transposition de ces modèles de classification d’images médicales dans
des environnements cliniques réels nécessite une évaluation rigoureuse de leur fiabilité et de leur
adaptabilité.
Objectif de recherche : Dans le cadre de cette étude menée sous l’égide de Sierra Bravo Intelligence,
notre objectif principal est de développer et de valider des modèles de classification d’images médicales
basés sur des approches d’intelligence artificielle, en mettant particulièrement l’accent sur les CNN.
Nous chercherons à concevoir des méthodes robustes et efficaces pour automatiser la détection et la
caractérisation des pathologies à partir d’images médicales, tout en garantissant leur performance
dans des contextes cliniques variés. Par cette démarche, nous visons à fournir des outils innovants
qui pourraient contribuer à améliorer la précision et la rapidité des diagnostics médicaux.
2
Structure du Projet
Le rapport débute par une introduction générale qui établit le contexte du travail de recherche.
Le premier chapitre se focalise sur le contexte du sujet, en commençant par présenter l’entreprise
d’accueil, Sierre Bravo Intelligence, et son engagement envers l’innovation dans le domaine de la
santé. Ensuite, la problématique et les objectifs du projet de classification d’images médicales sont
exposés, permettant ainsi de définir clairement les attentes et les orientations du travail à réaliser
dans ce domaine crucial de la médecine assistée par l’intelligence artificielle.
Le deuxième chapitre explore les fondements théoriques des méthodes de classification d’images médi-
cales à travers une revue de littérature. Cette section examine les différentes architectures de réseaux
neuronaux convolutionnels (CNN), les techniques de prétraitement des données, ainsi que les critères
d’évaluation des modèles de classification. Dans le troisième chapitre, nous nous concentrons sur le
quatrième chapitre présente l’application pratique des modèles de classification d’images médicales.
Nous décrivons en détail le processus de collecte et de prétraitement des données, ainsi que les résul-
tats obtenus grâce à l’utilisation des modèles développés. Nous analysons également la performance
des modèles à travers différentes mesures d’évaluation.
3
Étapes du Projet
4
3.2 Étapes restant à faire :
3.2.1 évaluation des modèles :
Divisant nos données en ensembles d’entraînement, de validation et de test, nous évaluons méticuleu-
sement les performances de nos modèles. Nous utilisons une variété de mesures telles que la précision,
le rappel et le F1-score pour quantifier l’efficacité de nos modèles. En parallèle, nous utilisons des
méthodes d’évaluation supplémentaires comme la courbe ROC pour évaluer leur robustesse.
5
Bibliographie
[1] Andre Esteva, Brett Kuprel, Roberto A Novoa, Justin Ko, Susan M Swetter, Helen M Blau, and
Sebastian Thrun. Dermatologist-level classification of skin cancer with deep neural networks.
nature, 542(7639) :115–118, 2017.
[2] Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. nature, 521(7553) :436–444,
2015.
[3] Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco
Ciompi, Mohsen Ghafoorian, Jeroen Awm Van Der Laak, Bram Van Ginneken, and Clara I
Sánchez. A survey on deep learning in medical image analysis. Medical image analysis, 42 :60–88,
2017.
[4] Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-net : Convolutional networks for bio-
medical image segmentation. In Medical image computing and computer-assisted intervention–
MICCAI 2015 : 18th international conference, Munich, Germany, October 5-9, 2015, proceedings,
part III 18, pages 234–241. Springer, 2015.
[5] Karen Simonyan and Andrew Zisserman. Very deep convolutional networks for large-scale image
recognition. arXiv preprint arXiv :1409.1556, 2014.
[6] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, and Zbigniew Wojna. Rethinking
the inception architecture for computer vision. In Proceedings of the IEEE conference on computer
vision and pattern recognition, pages 2818–2826, 2016.
[1] [3] [4] [5] [6] [2]