University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Guenifi,Abderrahmane |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Détection de la pneumonie avec l’apprentissage profond Type de document : texte imprimé Auteurs : Guenifi,Abderrahmane, Auteur ; Mediani ,chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (74 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage Machine
Apprentissage Profond
CNN
Forêt aléatoire
pneumonie
Imagerie médical pneumonieIndex. décimale : 004 - Informatique Résumé : Ce travail présente un système de reconnaissance qui applique un apprentissage profond pour détecter et prédire automatiquement la maladie de la pneumonie. Les approches ont été formées et testées à l’aide de jeux de données (radiographies thoraciques) comprenant des images des maladies de la pneumonie et des images normales. En plus de l’approche profonde qui était les réseaux de neurones convolutionnels, une méthode classiques de classification de l’approche d’apprentissage machine (forets aléatoire ) était construite et leur rapport de classification était bon et acceptable. Aussi l'algorithme CNN a pu reconnaitre la maladie avec une grande précision : 99,61% et 99,55% respectivement. Note de contenu : Sommaire
Introduction Générale …………………………………………………………………………………………….…………….9
1 Chapitre 01 :………………………………………………………………………………………………………………………....11
1.1. Introduction : ............................................................................................................................ 11
1.2 . Pneumonie : ................................................................................... 11
1.3. Les Formes de la pneumonie :................................................................................................. 11
1.4. Les causses de la pneumopathie : ............................................................................................ 12
1.6. Diagnostic..........................................................................................
13 1.7. La radiographie du thorax : ......................................................................................................
14 1.8 Les difficultés et Les limites à l’interprétation de la radiographie thoracique dans le diagnostic pneumon ......................................................................................... 14
1.10. Conclusion ............................................................................................................................ 16
2 Chapitre 02 :………………………………………………………………………………………………………………..….…..17
2.1 Introduction : .................................................................................................... 17
2.2 Qu’est qu’une Intelligence artificielle : .................................................................................. 17
2.2.1 Types de l’Intelligence Artificielle : ................................................................................ 17
2.2.2 Les Approches d’Intelligence Artificielle : ...................................................................... 18
2.3 Les moteurs de règles ............................................................................................................ 18
2.4 Apprentissage Automatique (Machine Learning) : ............................................ 19
2.4.1 Les Données d’Apprentissage : ...................................................................................... 19
2.4.2 Les Types d'apprentissage Automatique : ...................................................... 20
2.4.2.1 Apprentissage supervisé : .............................................................................................. 20
2.4.3 Les réseaux de neurones : .............................................................................................. 33
2.5 Apprentissage Profond (Deep learning): ............................................................................... 38
2.5.1 Reconnaissance d’images .............................................................................................. 38
2.5.2 Les Algorithme d’apprentissage Profond : ............................................... 39
2.5.3 Paramètres d’un Modèle : ............................................................................................ 41
2.6 Apprentissage et optimisation dans les réseaux profonds ...................................... 42
2.6.1 L’algorithme Descente de gradient : .............................................................................. 42
2.6.2 L’algorithme de descente de gradient stochastique (SGD) : ......................................... 42 2.7 Apprentissage par Transfert: ..................................................................................................
45 2.7.1 Modèle VGG16 : ............................................................................................................ 46
2.7.2 Fonction d’Application VGG16: ...................................................................................... 46
2.7.3 Description des couches: ............................................................................................... 47
2.8 Les Mesures de Performance .................................................................................................
48 2.9 Les Recherches ET Travaux connexe : ................................................................................... 49
2.10 Conclusion ....................................................................................
3 Chapitre 03……………………………………………………………………………………………………………………………51
3.1 Introduction : ..................................................................................................... 51
3.2 Le Jeu de Données : ............................................................................................................... 51
3.3 Environnements et outils de développement : ..................................................................... 52
3.2.1. Kaggle : ........................................................................................................................... 52 3.2.2. Anaconda : ..................................................................................................................... 52
3.2.3. Python : .......................................................................................................................... 53
3.2.4. Bibliothèques de Python ................................................................................................ 53
3.4 Conception du travail et méthodologie ................................................................................. 54
3.5 Nettoyage des Données : ....................................................................................................... 54
3.6 Modèles d’apprentissage : ..................................................................................................... 56
3.6.1. Les Approches d'apprentissage machine (Machine learning)......................................... 56
3.6.2. Les approches d’apprentissage profond (Deep Learning) : ........................................... 56
3.7 CONCLUSION .......................................................................................................................... 63
4. Chapitre 04 : ………………………………………….………………………….……………………………………….…………64
4.1 Introduction : ......................................................................................................................... 64
4.2 Approche d'apprentissage machine (Machine Learning)...................................................... 64
4.2.1. La forêt aléatoire (random forest) : .............................................................................. 64
4.3 Approches d 'Apprentissage Profond (Deep Learning) : ....................................................... 64
4.3.1. Architecture CNN (1) ..................................................................................................... 65
4.3.2. Architecture CNN (2) ..................................................................................................... 67
4.3.3. Modèle VGG16 : ............................................................................................................ 69
4.4 Comparaison entre les modèles : .......................................................................................... 70
4.5 CONCLUSION ......................................................................................................................... 72
Conclusion Générale ………………………………………………………………………………………………..………………..…….73 Références………………………………………………………………………………………………………..Côte titre : MAI/0334 En ligne : https://drive.google.com/file/d/1Q-iH5bxq3UlraOWh74_StuSSKnlUx8Jg/view?usp=shari [...] Format de la ressource électronique : Détection de la pneumonie avec l’apprentissage profond [texte imprimé] / Guenifi,Abderrahmane, Auteur ; Mediani ,chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (74 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage Machine
Apprentissage Profond
CNN
Forêt aléatoire
pneumonie
Imagerie médical pneumonieIndex. décimale : 004 - Informatique Résumé : Ce travail présente un système de reconnaissance qui applique un apprentissage profond pour détecter et prédire automatiquement la maladie de la pneumonie. Les approches ont été formées et testées à l’aide de jeux de données (radiographies thoraciques) comprenant des images des maladies de la pneumonie et des images normales. En plus de l’approche profonde qui était les réseaux de neurones convolutionnels, une méthode classiques de classification de l’approche d’apprentissage machine (forets aléatoire ) était construite et leur rapport de classification était bon et acceptable. Aussi l'algorithme CNN a pu reconnaitre la maladie avec une grande précision : 99,61% et 99,55% respectivement. Note de contenu : Sommaire
Introduction Générale …………………………………………………………………………………………….…………….9
1 Chapitre 01 :………………………………………………………………………………………………………………………....11
1.1. Introduction : ............................................................................................................................ 11
1.2 . Pneumonie : ................................................................................... 11
1.3. Les Formes de la pneumonie :................................................................................................. 11
1.4. Les causses de la pneumopathie : ............................................................................................ 12
1.6. Diagnostic..........................................................................................
13 1.7. La radiographie du thorax : ......................................................................................................
14 1.8 Les difficultés et Les limites à l’interprétation de la radiographie thoracique dans le diagnostic pneumon ......................................................................................... 14
1.10. Conclusion ............................................................................................................................ 16
2 Chapitre 02 :………………………………………………………………………………………………………………..….…..17
2.1 Introduction : .................................................................................................... 17
2.2 Qu’est qu’une Intelligence artificielle : .................................................................................. 17
2.2.1 Types de l’Intelligence Artificielle : ................................................................................ 17
2.2.2 Les Approches d’Intelligence Artificielle : ...................................................................... 18
2.3 Les moteurs de règles ............................................................................................................ 18
2.4 Apprentissage Automatique (Machine Learning) : ............................................ 19
2.4.1 Les Données d’Apprentissage : ...................................................................................... 19
2.4.2 Les Types d'apprentissage Automatique : ...................................................... 20
2.4.2.1 Apprentissage supervisé : .............................................................................................. 20
2.4.3 Les réseaux de neurones : .............................................................................................. 33
2.5 Apprentissage Profond (Deep learning): ............................................................................... 38
2.5.1 Reconnaissance d’images .............................................................................................. 38
2.5.2 Les Algorithme d’apprentissage Profond : ............................................... 39
2.5.3 Paramètres d’un Modèle : ............................................................................................ 41
2.6 Apprentissage et optimisation dans les réseaux profonds ...................................... 42
2.6.1 L’algorithme Descente de gradient : .............................................................................. 42
2.6.2 L’algorithme de descente de gradient stochastique (SGD) : ......................................... 42 2.7 Apprentissage par Transfert: ..................................................................................................
45 2.7.1 Modèle VGG16 : ............................................................................................................ 46
2.7.2 Fonction d’Application VGG16: ...................................................................................... 46
2.7.3 Description des couches: ............................................................................................... 47
2.8 Les Mesures de Performance .................................................................................................
48 2.9 Les Recherches ET Travaux connexe : ................................................................................... 49
2.10 Conclusion ....................................................................................
3 Chapitre 03……………………………………………………………………………………………………………………………51
3.1 Introduction : ..................................................................................................... 51
3.2 Le Jeu de Données : ............................................................................................................... 51
3.3 Environnements et outils de développement : ..................................................................... 52
3.2.1. Kaggle : ........................................................................................................................... 52 3.2.2. Anaconda : ..................................................................................................................... 52
3.2.3. Python : .......................................................................................................................... 53
3.2.4. Bibliothèques de Python ................................................................................................ 53
3.4 Conception du travail et méthodologie ................................................................................. 54
3.5 Nettoyage des Données : ....................................................................................................... 54
3.6 Modèles d’apprentissage : ..................................................................................................... 56
3.6.1. Les Approches d'apprentissage machine (Machine learning)......................................... 56
3.6.2. Les approches d’apprentissage profond (Deep Learning) : ........................................... 56
3.7 CONCLUSION .......................................................................................................................... 63
4. Chapitre 04 : ………………………………………….………………………….……………………………………….…………64
4.1 Introduction : ......................................................................................................................... 64
4.2 Approche d'apprentissage machine (Machine Learning)...................................................... 64
4.2.1. La forêt aléatoire (random forest) : .............................................................................. 64
4.3 Approches d 'Apprentissage Profond (Deep Learning) : ....................................................... 64
4.3.1. Architecture CNN (1) ..................................................................................................... 65
4.3.2. Architecture CNN (2) ..................................................................................................... 67
4.3.3. Modèle VGG16 : ............................................................................................................ 69
4.4 Comparaison entre les modèles : .......................................................................................... 70
4.5 CONCLUSION ......................................................................................................................... 72
Conclusion Générale ………………………………………………………………………………………………..………………..…….73 Références………………………………………………………………………………………………………..Côte titre : MAI/0334 En ligne : https://drive.google.com/file/d/1Q-iH5bxq3UlraOWh74_StuSSKnlUx8Jg/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0334 MAI/0334 Mémoire Bibliothéque des sciences Français Disponible
Disponible