Classification des tumeurs cérébrales par les réseaux de neurones convolutifs (CNN)
No Thumbnail Available
Date
2024-10-02
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
FGEI.UMMTO
Abstract
L'objectif de ce projet est d'explorer l'utilisation de l'apprentissage profond, et plus spécifiquement des réseaux de neurones convolutifs (CNN), pour classifier trois types de tumeurs cérébrales à partir d'images d'IRM. Trois modèles CNN ont été utilisés pour cette tâche : DenseNet121, VGG19 et un modèle concaténé combinant ces deux architectures. L'objectif principal est de comparer les performances de ces modèles pour la classification des tumeurs en utilisant des métriques telles que la précision, le rappel et le F1-score.
L'environnement de développement choisi est Google Colab, une plateforme cloud qui permet d'accéder à des ressources de calcul puissantes, notamment des GPU, essentiels pour l'entraînement efficace des modèles d'apprentissage profond. Le prétraitement des données inclut la normalisation des images et leur redimensionnement à une taille uniforme. Des techniques comme le transfert d'apprentissage et la régularisation par Dropout ont été utilisées pour optimiser les performances des modèles.
En résumé, ce projet vise à classifier avec précision les tumeurs cérébrales à partir d'images d'IRM en utilisant différentes architectures CNN. Les résultats montrent que le modèle concaténé offre une précision supérieure par rapport aux modèles individuels, démontrant ainsi l'efficacité de la combinaison de plusieurs architectures pour améliorer la performance de classification.
Description
64 p. : ill. ; 30 cm. ( CD-Rom)
Keywords
Tumeur cérébrale, IRM, Deep learning, Classi cation, Transfer learning, DenseNet121, VGG19.
Citation
Automatique et Système