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.