Accueil > Documentations scientifiques > Revues récentes > Mada-ETI > Modélisation par apprentissage profond pour contribuer au traitement de (...)

• 
  Modélisation par apprentissage profond pour contribuer au traitement de l’imagerie médicale, application pour une classification binaire et multi-classe d’une tumeur cérébrale
  Mada-ETI, 2021, vol 2, page 64-80

  Auteurs : Hasinavalona H. S. E., Randriamitantsoa P. A., Randriamitantsoa A. A.

  Mots clés : réseaux de neurones, apprentissage profond, imagerie médicale, algorithme, robuste, vision par ordinateur, classification binaire, classification multi-classe, segmentation.
  
  

  FR :
  La vision par ordinateur est l’un de domaine qui progresse le plus rapidement grâce à l’apprentissage profond et aux nombres des données circulant aujourd’hui. Nombreux sont les domaines d’application, parmi eux, la conduite d’une voiture autonome, les classifications d’image, les reconnaissances faciales, les domaines des arts, les domaines de l’environnement et les domaines de la santé. L’algorithme en vision artificielle utilise la segmentation d’image pour connaitre chaque élément qui constitue l’image en combinant l’algorithme de classification d’image et la localisation d’objet ainsi que d’autre algorithme. Parmi les domaines mentionnés, l’imagerie médicale prend une place majeure en terme de recherche en vision artificielle. Le cerveau est l’organe principal, centre de l’activité motrice du corps humain. Très délicat et complexe, le diagnostic du cerveau fait l’objet de nombreuses recherches et études. Plusieurs méthodes telles que l’IRM, le scanner. Dans le diagnostic clinique et le traitement des tumeurs cérébrales, la lecture manuelle d’images consomme beaucoup d’énergie et de temps, l’acquisition devant être répétée autant de fois qu’il y a de coupes ce qui entraîne une fatigue du patient. L’IRM dure 30 à 1h, générant plusieurs images inutiles qui ralentit le traitement et fatigue les patients. Une solution pour contribuer à cette technique est l’utilisation d’un modèle en apprentissage profond qui entraînera plusieurs images médicales, complètera les données manquantes lors de l’IRM ou d’un scanner et testera l’image provenant d’un IRM ou d’un scanner pour aider les médecins à diagnostiquer.
  L’objectif du présent travail est de créer un algorithme d’apprentissage profond robuste pour contribuer à la classification binaire et multi-classe d’une tumeur de cerveau. L’algorithme est créé dans son intégralité à partir de zéro. Toutes les techniques de régularisation pour supprimer le sur apprentissage et les techniques d’optimisation pour trouver rapidement les paramètres ont été testés et implémentés pour avoir un algorithme robuste. Pour l’ensemble de données, notre méthode peut atteindre une précision maximale, pour la validation, de 96,88% pour la classification binaire, 93,38% pour la classification multi-classe et 98,37% pour la classification binaire en utilisant la technique de l’apprentissage par transfert.

  EN :
  Computer vision is one of the fastest growing fields thanks to deep learning and the sheer numbers of data circulating today. There are many areas of application, including autonomous car driving, image classification, facial recognition, art, environmental and health domains. The computer vision algorithm uses image segmentation to know each element that makes up the image by combining the image classification algorithm with object localisation and other algorithms. Among the fields mentioned, medical imaging takes a major place in terms of computer vision research. The brain is the main organ, the centre of motor activity in the human body. The diagnosis of the brain is very delicate and complex and is the subject of much research and study. Several methods such as MRI, CT scan. In the clinical diagnosis and treatment of brain tumours, the manual reading of images consumes a lot of energy and time, as the acquisition has to be repeated as many times as there are slices, which leads to patient fatigue. MRI takes 30 to 1 hour, generating many unnecessary images which slows down the treatment and makes the patients tired. One solution to help with this technique is the use of a deep learning model that will train multiple medical images, fill in missing data from MRI or CT scans and test the image from an MRI or CT scan to help doctors make a diagnosis. The objective of the present work is to create a robust deep learning algorithm to assist in the binary and multi-class classification of a brain tumour. The algorithm is created in its entirety from scratch. All regularisation techniques to remove overfitting and optimisation techniques to find parameters quickly have been tested and implemented to have a robust algorithm. For the dataset, our method can achieve a maximum validation accuracy of 96.88% for binary classification, 93.38% for multi-class classification and 98.37% for binary classification using the transfer learning technique.

  Télécharger