Université Cheikh Anta DIOP de Dakar Laboratoire d’Algèbre de Cryptologie de

Faculté des Sciences et Techniques Géométrie Algébrique et Applications

Département Mathématiques et Informatique LACGAA
 

Master Transmission de Données et Sécurité de l’Information

Thème :
Étude et Implémentation d’un Outil d’aide à
la Décision Médicale Basé sur l’intelligence
artificielle: Cas du Cancer du Sein chez la
Femme
Présenté et soutenu par: Sous la direction du: 
Mlle. Aichétou Djimé GALLÉDOU Dr. Ousmane NDIAYE
Année Académique 2017 – 2018
Introduction
SOMMAIRE
I. Présentation du projet
II. Problématique
III.Cancer du sein
IV. Intelligence Artificielle
V. Machine Learning
VI. Deep Learning
VII.CNN
IX. Résultats et Interprétation
X. Démonstration
Conclusion et Perspectives
 Introduction
1

Examen sanguin Examen Radiographique

Annoncer les résultats aux patients Consultation des collègues

Prise de tension
2

I. Présentation du projet
 I . 1.Etape de mise en place de l’outil
3 Déployer le Modèle,
Obtenir les prédictions à
Connaissance Préalables et
Choix et Training du Modèle partir du modèle
Objectifs dans le domaine
entraîner

Étape #2 Étape #4
Étape #1 Étape #3 Étape #5

Collecte, Sélection et Test sur les Données

Prétraitement des Données Interprétation des Résultats
4

II. Problématique
5 II. Problématique
La patiente se voit remettre un compte rendu et le
résultat de sa mammographie selon une classification
établie par l’American college of radiology.

ACR 0 : signifie incomplet.

ACR 1 : signifie normal.
ACR 2 : bénin.
ACR 3 : probablement bénin mais à surveiller.
ACR 4 : lésion indéterminée ou suspecte.
ACR 5 : anomalie évoquant un cancer.
ACR 6 : Biopsie connue malignité prouvé

Les ACR 4 et 5 impliquent des examens

complémentaires. Les mammographies classées
1 et 2 sont revues en deuxième lecture par un
second radiologue
6

III. Cancer du sein

7 III. 1. Anatomie du sein
8 III. 2. Anatomie du sein
Type A
A Type A GRAISSE > GLANDE
Chez les femmes âgées
B Type B
Type B
C Type C
GRAISSE = GLANDE
D Type D
Type C
GRAISSE < GLANDE

Type D
GLANDULAIRE
chez les jeunes filles
9 III. 4. Symptômes

Une boule ou une La peau change de

masse apparait dans le couleur ou de
sein ou sous l’aisselle texture

La peau ride

Liquide verdâtre ou Le mamelon

sanglant sortant du change
mamelon d’apparence
10
III. 4. Signes

Lors de la visite chez le medecin celui-ci consulte la patiente pour voir les
signes suivantes:

Taille du sein

Rétraction, ride, rougeur

Position de la masse

Masse dure ou Molle

Douloureuse ou Indolore
 III. 5. Critère Tumeurs Contours bien délimité 01
11
Bénignes Homogène 02

Peut gonfler 03

Localisé dans un seul endroit 05

Ne contamine pas les autres organes 06

N’entraine pas de métastases 07

N’entraine pas le décès 08

 III. 6. Critère Tumeurs
12
Malignes Contours mal limité. 01

hétérogène. 02

Envahissement des tissus voisins. 03

Entrainer des métastases. 04

Peut entrainer le décès. 05

13 III. 8. Métastases
 Propagation de la tumeur malignes dans les autres organes tels que :

Les Os Les Poumons Le Foie Le Cerveau

14 III. 7.Calcification
La Calcification représente l’aspect dur et rigide d’une tumeur

Ils existe deux types

o Macrocalcifications sont des dépôts

grossier représentant le plus souvent des
tumeurs bénignes

o Microcalcifications apparaissent de petite

taille isolées ou regroupé en grappe, il
s’agit du plus souvent des cellules
cancéreuses
15
III. 8. Facteurs de risques
L'âge

Les facteurs génétiques

Les risques hormonaux

L’alimentation

Le tabac

La pilule

THM : Traitement Hormonal de la Ménopause

Antécédent de Cancer
16
III. 9.Types Histologiques du cancer du sein
Cancer du Sein Non- Cancer du Sien
Infiltrant In situ Infiltrant

Cancer canalaire In Cancer Lobulaire In Cancer canalaire Cancer Lobulaire

Situ (CCIS) Situ (CLIS) Infiltrant (CCI) Infiltrant(CLI)
 III. 9.Types Histologiques du cancer du sein
17

Cancer canalaire In Situ (CCIS)

 III. 9.Types Histologiques du cancer du sein
18

Cancer Lobulaire In Situ (CLIS)

19 III. 9.Types Histologiques du cancer du sein
Cancer canalaire Infiltrant (CCI)
20 III. 9.Types Histologiques du cancer du sein
Cancer Lobulaire Infiltrant(CLI)
17
III. 10. Diagnostic
La Microbiopsie échoguidée
La Microbiopsie Prélèvement de fragment de tissus
echoguidée sur la tumeur.
La cytoponction
Prélevement de cellules ou de liquide
La cytoponction
sur la tumeur.

L’échographie
L’échographie Images en temps réel effectué avec
des ultrasons.

La Mammographie
La Mammographie Clichés (images) en noir et blanc
effectué aux rayons X
18 III. 10. Mammographies

MLO, MedioLateral-Oblique

CC, Cranio-Caudal
19 III. 10. Echographie

Échographie montrant une masse bénigne

20 III. 10. La Cytoponction et la
Microbiopsie échoguidée

Cytoponction d'une tumeur.

21 III. 11.Traitements

La chirurgie

La radiothérapie

La chimiothérapie

L’hormonothérapie
22

IV. Intelligence Artificiel

23 IV. Intelligence Artificiel
24 IV. 1. L’Intelligence Artificiel est déjà là
25 IV. 1. L’Intelligence Artificiel est déjà là
26 IV. 2. Les domaines d’évolution de l’IA
3
27
IV. 4. Intelligence Artificiel
Phase 2 Phase 3 Phase 4
Phase 1 Horizon 2030 Inconnue
1960 - 2010 2010 – aujourd’hui

Machine Learning & La phase ultime

Deep Learning Intelligence
artificielle FORTE

Algorithmes Horizontale
/ Transversale

On ne programme plus Capable de multiplier Intelligence conceptuelle:

100% programmés par - Langage
les machines. On les les disciplines et de les
l’Homme. - Raisonnements
éduque ! croiser.
complexes
28

V. Machine Learning
29
V. Machine Learning

;
Machine Learning est une moyen d’enseigner une
machine en alimentant d’une grande quantité de
données.
Machine
Learning Un Modèle est un formule mathématique  résultant
de la mise en œuvre d'un algorithme ML.

Les algorithmes ML sont des concepts théoriques qui

décrivent ce qu’il faut faire pour une tache spécifique.
 V. 1. Apprentissage Machine
30
01 Données d’Entrainement

1 02 Apprentissage
2
3
Analyse des erreurs ensuite le
4 03 Modèle statique est créé
5

Application du Modèle sur les

04 nouvelles données

05 Prédictions
31

V. 2. Types de Machine Learning

 U
Types d’apprentissage en
Machine Learning
32

DO
L E
Supervised Unsupervised Semi-Supervised Reinforcement
Learning

L
Learning Learning Learning

A
Variable Variable Variable Variable

G
Variable cible non
cible cible Variable cible catégorique cible cible non
disponible
continue catégorique disponible disponible

HA
I C
Régression Classification Clustering Association Classification Clustering Classification Control

Prédiction
du prix d’une
maison
A Imagerie
Médicale
Segmentation
des Données
Analyses
du Panier
des produits
Classification
Texte
Lane-Finding
sur les
Données GPS
Marketing
Réseaux
Voiture
Autonome
33
V. 3. SUPERVISED LEARNING
Le supervised Learning consiste à donner à la machine un ensemble de données labellisés
en entrée (données d’entraînement) et il est composé de deux catégories qui sont:

Les problèmes de Les problèmes de

Régression Classification
34 V. 4. SUPERVISED LEARNING
Supervised Learning soit un ensemble d’apprentissage composé
de exemples de pair entrée-sortie :

Chaque a été généré par une fonction inconnue, le but est

découvrir la fonction qui se rapproche de .

En représentation un peu plus mathématiques en Surpervised Learning,

on reçoit en entrer des données d’exemple annotées : (,), (,), (,),… et on
prédit la sortie sur une nouvelle observation :
 V. 5. UNSUPERVISED LEARNING
35

L’ensemble des données

d’apprentissage

Chercher les Trouver les

ensembles patterns
Modèle
36
V. 6. UNSUPERVISED LEARNING
Unsupervised Learning dans ce cas l’algorithme doit découvrir par lui-
même les structures des données les ciblées selon leurs attributs
disponibles, pour les classer en groupes.

En représentation un peu plus mathématiques en l’apprentissage non-

supervisé, on reçoit uniquement des observations brutes de variables
aléatoires :

Et on découvre la relation avec des variables latentes structurelles :

 V. 7. Neurone humaine
37

influx nerveux
dendrites

neurone émetteur neurone récepteur

38 V. 8. Neurone Artificiel

𝑋1
39 V. 8. Neurone Artificiel

𝐗𝟏
𝐗𝟐
𝐗𝟑
40 V. 8. Neurone Artificiel

𝐗𝟏
𝐗𝟐
𝐗𝟑
Inputs
41 V. 8. Neurone Artificiel

𝐗𝟏 𝐖𝟏

𝐖𝟐
𝐗𝟐
𝐖𝟐

𝐗𝟑
Poids
42 V. 8. Neurone Artificiel

𝐗𝟏 𝐖𝟏

𝐖𝟐
𝐗𝟐 b

𝐖𝟑
Bias

𝐗𝟑
43 V. 8. Neurone Artificiel

𝐗𝟏 𝐖𝟏

𝐗𝟐
𝐖𝟐
(∑ 𝐗𝐢 𝐖𝐢+𝐛 )
𝐖𝟑

𝐗𝟑
44 V. 8. Neurone Artificiel

𝐗𝟏

(∑ 𝐗𝐢 𝐖𝐢+𝐛)
𝐖𝟏

𝐖𝟐
𝐗𝟐 𝝈
Output
𝐖𝟑 Fonction
d’Activation

𝐗𝟑
45 V. 8. Neurone Artificiel

𝐗𝟏 𝐖𝟏

𝐖𝟐
𝐗𝟐
𝐖𝟑 Fonction
d’activation

𝐗𝟑
46 V. 8. Neurone Artificiel

𝐗𝟏 𝐖𝟏

𝐖𝟐
𝐗𝟐
𝐖𝟑
Sigmoid function

𝐗𝟑 𝟏
𝒇 ( 𝒙 )= − 𝒁
𝟏+𝒆
47
V. 9. Réseaux de Neurones : fonction Sigmoïde

𝐗𝟏 b

(∑ 𝐗𝐢 𝐖𝐢+𝐛)
𝐖𝟏

{
Output
𝐖𝟐 𝟏, 𝒛 ≥𝟎
𝐗𝟐 𝒇
𝒇 ( 𝒛 )=
𝐖𝟑 ¿𝟎, 𝒛<𝟎
𝐗𝟑
Sortie du neurone
48 V. 9. Avantage et Inconvénients

 Avantages :
o Capacité à découvrir les dépendances par lui-même ;
o Résistance aux bruits.
 Inconvénients
o C’est un modèle boite noire qui n’explique pas ses
décisions.
49

VI. Deep Learning

50
VI. 1. Concept du Deep Learning
Réseaux de Neurones simple Synapse Neuronale

Réseaux de Neurones profonds

 VI. 2. Les Différents Types D’architecture Deep
51
Learning
Deep Neural Network (DNN)

Deep Belief Network

Les Réseaux de Neurones Réccurents

Les Réseaux de Neurones Convolutionels

52 Relation entre IA, ML et DL
Technique qui permet aux
machines d'imiter le
comportement humain

Sous-ensemble de l‘Intelligence
Artificielle (IA) utilisant des
méthodes statistiques pour
permettre aux machines de
s'améliorer avec l'expérience

Sous-ensemble du Machine
Learning (ML) permettant le
calcul d'un réseau de neurones
multicouches
53

VII.CNN
54 VII.1. Image en CNN
55
VII.2. Les différents couches CNN
La Couche CONV

La couche ReLU

La couche POOL

La couche Flatten

La couche Fully Connected

On applique une fonction pour classifier

56
VII.3. Construction d’un CNN

 
   
       
   
         
         
   

     

     

FULLY
INPUT FLATEEN CONNECTED SOFTMAX
CONVOLUTION + RELU POOLING CONVOLUTION + RELU POOLING

EXTRACTIONDES CARACTÉRISTIQUES CLASSIFICATION

 VII.4. Couche de Convolution: Le Filtre
57

CONVOLUTION DES
IMAGES CARACTÉRISTIQUES
58
VII.5. Couche de Convolution: Le pas

Pas de pixel = 2

1 2 3 4 5 6 7
Convolution
11 12 13 14 15 16 17 avec un filtre
21 22 23 24 25 26 27 de
108 126
31 32 33 34 35 36 37
288
41 42 43 44 45 46 47
51 52 53 54 55 56 57
61 62 63 64 65 66 67
71 72 73 74 75 76 77

1 + 2 + 3 + 11 + 12 + 13 + 21 + 22 + 23=108
59
VII.6. Couche ReLU

{
𝑓 ( 𝑥 )= 0 ,∧𝑥< 0
𝑥 ,∧𝑥 ≥ 0
 VII.7. Couche de Pooling
60

1 8 6 0 8 9
5 2 9 5 4 7
1 4 7 1
4 3 1 5
 VII.7. Couche de Pooling
61

x
 VII.7. Couche de Max Pooling
62
 VII.7. Couche de Max Pooling
63

x
 VII.7. Couche de Max Pooling
64

1 8 6 0
5 2 9 5
y
1 4 7 1
4 3 1 5

x
 VII.7. Couche de Max Pooling
65

1 8 6 0
5 2 9 5 8 9
y
1 4 7 1 4 7
4 3 1 5

x
 VII.8. Couche d’Average Pooling
66

1 8 6 0
5 2 9 5 4 5
y
1 4 7 1 3 3
4 3 1 5

x
67
VII.9. La Couche Flatten

8
Aplatissement
8 9 9
4 7 4
7
68
VII.10. Couche entièrement connecté FC
69
VII.11. La Fonction Softmax

INPUTS o SOFTMAX PROBABILITÉS

{
❑
𝑦
2.0 → S 𝑦 ❑ = 𝑒 𝑖

𝑦 1.0 → ( 𝑖 ) 𝑘

∑
❑
𝑦
𝑒 𝑖

0.1 → 𝑖=1

∑ probabilit é s  = 0.7 + 0.2 + 0.1 = 1 
 VII.12. Transfert Learning en CNN
70
71 VII. 13. Les modèles pré-entrainés célèbres
Alexnet GoogleNet ResNet
Alex Krizhevsky, /Inception L’équipe de
Ila Sutskerer et L’équipe de chercheur de
Geoffrey Hinton chercheur de Google. Microsoft.

1994 2013 2014

2012 2014 2015

Le Net ZFnet VGGNet

Yann LeCun Matthew Zeiler et VGG (Groupe de
Rob Fergus Géométrie Visuelle)
de l'Université
d'Oxford.
72

VIII.Résultats et Interprétations
73
VIII. 1. Présentations des Outils
 VIII. 2. Architecture de
74
notre modèle
75
VIII. 3. Résultats et Interprétations
Trois (3) Types de classification

Création de 3 ensemble d’apprentissages

suivant les labels ci-dessous.

Classification binaire
Normal et Anormal

Classification Normal, Bénin et Malin

Classification Normal, Bénin Mass,

Bénin Calcification, Malin Mass, Malin
Calcification
99% 68% 39%
76
VIII. 4. Cas 1 : Normal et Anomalie présente
77
VIII. 4. Cas 1 : Normal et Anomalie présente
Valeur prédite
   
anormal normal
anormal 14 VP 6 FP
Vrai valeur
normal 9 FN 11 VN
78
VIII. 5. Cas 2 : Normal Bénin et Malin
79 VIII. 5. Cas 2 : Normal Bénin et Malin
Valeur prédite
   
Benin Malin Normal
Benin 41 VP 26 97

Vrai valeur Malin 31 15 VP 85

Normal 24 6 75 VP
 VIII. 6. Cas 3 : Normal Bénin masse, Malin masse,
80 Bénin calcification et Malin calcification
 VIII. 7. Cas 3 : Normal Bénin masse, Malin mass
81
Bénin calcification et Malin calcification
Valeur prédite
    Benin Malin Malin
Malin Normal
Mass Calc Mass
Benin 17 VP 2236 0 7 35
Benin
3131 36 VP 0 6 26
Mass
Malin
6 24 0 VP 8 21
Vrai valeur Calc
Malin
12 27 0 5 VP 28
Mass

Normal 15 44 750 VP 7 39 VP
82

Démonstration
83

CONCLUSION
84

PERSPECTIVES
MERCI DE VOTRE
ATTENTION