| Titre : | Détection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur | | Type de document : | document multimédia | | Auteurs : | Rahil Chellali, Auteur ; Rihab Mechikel, Auteur ; Mustapha Bouakkaz, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse | | Editeur : | Laghouat : Université Amar Telidji - Département d'informatique | | Année de publication : | 2023 | | Importance : | 56 p. | | Accompagnement : | 1 disque optique numérique (CD-ROM) | | Note générale : | Option : Systèmes d’information et de décision | | Langues : | Français | | Mots-clés : | Cancer du sein échographie Réseaux neuronaux convolutionnels Apprentissage profond Apprentissage par transfert InceptionV3 Xception VGG16 ResNet50V2 EfcientNetB7 DenseNet201 | | Résumé : | le cancer du sein est l’une des causes de décès les plus fréquentes chez les femmes. Il est essentiel de détecter la maladie tôt avant qu’elle ait une chance de se propager en raison de son diagnostic tardif. Il existe plusieurs méthodes pour la détection et le diagnostic du cancer du sein, échographique est la technique la plus efcace. Dans cette étude, notre but est de proposer un modèle précis pour la détection du cancer du sein en images échographiques, basé sur les réseaux neuronaux convolutionnels. Un ensemble de données de 780 images d’échographie mammaire (133 normales, 437 bénignes et 210 malignes) a été utilisé. Des techniques de pré-traitement des images et d’apprentissage profond ont été utilisées, y compris l’apprentissage par transfert. Notre stratégie de prétraitement comprenait la détection et l’extraction de la région d’intérêt. Après cela, six modèles CNN pré-formés ont été modifiés et adaptés à notre problème InceptionV3, Xception, VGG16, ResNet50V2, EfcientNetB7 et DenseNet201. Les résultats obtenus ont été satisfaisants, en particulier pour la classification des images échographiques du sein en normales et anormales, Xception, ResNet50V2 et DensNet201 ont atteint l’accuracy la plus élevée de 100 %. Bien que les autres modèles aient obtenu d’excellents résultats, EfcientNetB7 était le modèle le plus approprié pour notre tâche avec une accuracy de 92 % pour la classification des cas bénins et malins, et de 94 % pour la classification multiple des cas normaux, bénins et malins. | | note de thèses : | Mémoire de master en informatique |
Détection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur [document multimédia] / Rahil Chellali, Auteur ; Rihab Mechikel, Auteur ; Mustapha Bouakkaz, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2023 . - 56 p. + 1 disque optique numérique (CD-ROM). Option : Systèmes d’information et de décision Langues : Français | Mots-clés : | Cancer du sein échographie Réseaux neuronaux convolutionnels Apprentissage profond Apprentissage par transfert InceptionV3 Xception VGG16 ResNet50V2 EfcientNetB7 DenseNet201 | | Résumé : | le cancer du sein est l’une des causes de décès les plus fréquentes chez les femmes. Il est essentiel de détecter la maladie tôt avant qu’elle ait une chance de se propager en raison de son diagnostic tardif. Il existe plusieurs méthodes pour la détection et le diagnostic du cancer du sein, échographique est la technique la plus efcace. Dans cette étude, notre but est de proposer un modèle précis pour la détection du cancer du sein en images échographiques, basé sur les réseaux neuronaux convolutionnels. Un ensemble de données de 780 images d’échographie mammaire (133 normales, 437 bénignes et 210 malignes) a été utilisé. Des techniques de pré-traitement des images et d’apprentissage profond ont été utilisées, y compris l’apprentissage par transfert. Notre stratégie de prétraitement comprenait la détection et l’extraction de la région d’intérêt. Après cela, six modèles CNN pré-formés ont été modifiés et adaptés à notre problème InceptionV3, Xception, VGG16, ResNet50V2, EfcientNetB7 et DenseNet201. Les résultats obtenus ont été satisfaisants, en particulier pour la classification des images échographiques du sein en normales et anormales, Xception, ResNet50V2 et DensNet201 ont atteint l’accuracy la plus élevée de 100 %. Bien que les autres modèles aient obtenu d’excellents résultats, EfcientNetB7 était le modèle le plus approprié pour notre tâche avec une accuracy de 92 % pour la classification des cas bénins et malins, et de 94 % pour la classification multiple des cas normaux, bénins et malins. | | note de thèses : | Mémoire de master en informatique |
|
Ajouter le résultat dans votre panier Faire une suggestion Affiner la rechercheDétection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur / Rahil Chellali
