SUJET

Apprentissage automatique basé sur le réseau de neurones à

convolution pour la reconnaissance des formes ». Le travail s’applique
à l’imagerie par résonance magnétique (IRM).
INTRODUCTION 1/2
L’Intelligence Artificielle est le
domaine dans lequel se situe notre
travail. Son but est de permettre aux
ordinateurs d’agir et penser comme
des êtres humains. Elle est présente
dans tous les domaines de la vie
quotidienne. Cependant c’est un
domaine vaste qui regroupe plusieurs
disciplines, nous avons travaillé
précisément sur le Machine Learning
et la reconnaissance des formes.
INTRODUCTION 2/2
L'imagerie par résonance magnétique est l'une des techniques d'observation
les plus récentes. Basée sur le phénomène de résonance magnétique
nucléaire, elle permet de sonder en profondeur un sujet donné tout en étant
non invasive et non douloureuse. La qualité de ces images ainsi que les
possibilités offertes en termes de vues, de modalités, de rendu, ou encore de
contraste, ont fait d'elle un outil incontournable au sein du milieu médical. Sa
précision et sa sensibilité se révèlent également être des atouts majeurs dans la
traque des pathologies cérébrales.
Aujourd’hui, on se sert de la reconnaissance des formes en imagerie médicale
pour permettre l’observation de la zone cérébrale. Elle donne aux machines la
capacité de recueillir des informations différentes sur les tissus cérébraux et
facilite l’interprétation au médecin.
PROBLEMATIQUE
En milieu clinique, l'analyse des IRM cérébrales se fait par le biais d'un radiologue, la
tâche de ce dernier consistant à traquer la présence d’anomalies. En présence
d’anomalies, il procédera à leur délimitation (image par image) dans le but de
mesurer leurs étendues. Ce procédé (appliqué pour chaque patient), en plus de
consommer énormément de temps, il dépend d'une part du médecin qui ne prend
pas en compte toute la structure cérébrale ce qui amènerait à une mauvaise
conclusion, et d’autre part de la qualité d’images produites par la machine.
Partant de cela, nous nous sommes posés comme questions suivantes :
• Comment un système informatique peut-il aider les médecins dans la prise de
décision sur les images prises par IRM?
• Quel impact positif un système de reconnaissance automatique d’anomalies du
cerveau pourrait-il apporter aux médecins ?
HYPOTHESES
En considération de ces questions de recherche, différentes solutions
peuvent être proposées selon les chercheurs
Ainsi, en rapport avec la première question, pour aider le médecin il
conviendrait d’utiliser la reconnaissance automatique sur les images du
cerveau.
En rapport avec la deuxième question, nous pensons que le système
diminuerait le temps d’examination des images produites par IRM,
faciliterait la prise de décision sur base de mêmes caractéristiques sans
possibilité de se tromper.
OBJECTIF
L'objectif principal de ce travail est de construire un modèle de réseau
de neurones à convolution (CNN) qui classifierait si le sujet a une
tumeur ou non sur la base d'une imagerie par résonance magnétique
cérébrale. Nous avons utilisé l'architecture et les poids du modèle
[VGG-16] pour entraîner le modèle à ce problème binaire.
INTERET DU TRAVAIL
• Ce mémoire nous est très capital car il nous permet de comprendre
les notions d’apprentissage automatique, de traitements d’images, de
réseau de neurones à convolution et de la programmation avec le
langage python. Pour les médecins, ce travail permet de connaître
avec exactitude les changements survenus sur les images prises et
d’assister les médecins dans leur prise de décision. Enfin, le travail se
veut une référence pour ceux qui aborderont le sujet des réseaux de
neurones convolutifs et la reconnaissance de formes.
METHODES UTILISEES
Pour atteindre cet objectif, nous avons recouru à la méthode
descriptive qui nous a permis de décrire le processus de traitement
d’images. La méthode expérimentale qui nous permis de réaliser la
prédiction sur un jeu de données en utilisant brain-mri-images-for-
brain-tumor-detection/brain_tumor_dataset/.
DIVISION DU TRAVAIL
En dehors de l’introduction et la conclusion, notre travail est subdivisé en quatre grands
chapitres suivants :
Chapitre premier : Apprentissage automatique : dans ce chapitre, nous abordons les
notions de base sur le Machine Learning et le deep Learning.
Chapitre deuxième : Traitement d’images : dans ce chapitre, nous présentons
quelques notions de base du domaine de traitement d’image numérique.
Chapitre troisième : Réseaux de neurones convolutionnels ; ce chapitre est consacré
à la description des réseaux de neurones convolutifs ainsi que leur place dans le
domaine de la classification.
Chapitre quatrième : Implémentation et interprétation des résultats ; ce chapitre
est consacré à la présentation des résultats obtenus après l’implémentation des réseaux
de neurones convolutionnels (CNN) que nous avons utilisés.