Brain Tumor Classification Using Convolutional Neural Network / Kheniche, Nedjoua  

Public ISBD Titre : Brain Tumor Classification Using Convolutional Neural Network Type de document : texte imprimé Auteurs : Kheniche, Nedjoua, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (62 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux neuronaux convolutionnels Imagerie médicale Apprentissage Index. décimale : 004 - Informatique Résumé : L'apprentissage en profondeur est un nouveau domaine d'apprentissage automatique qui a suscité beaucoup d'intérêt ces dernières années. Il a été largement appliqué à plusieurs applications et s'est avéré être un puissant outil d'apprentissage automatique pour de nombreux problèmes complexes. Dans cette thèse, nous voulons proposer un nouveau modèle de classication basé sur l'apprentissage en profondeur qui sera capable de classer et d'identier diérentes tumeurs cérébrales à des stades précoces avec une grande précision qui surpasse les approches de pointe et les travaux précédents. Le travail de classication ou d'annotation des tumeurs cérébrales à partir d'images IRM peut être long et dicile, même pour les radiologues. Pour augmenter les chances de survie d'un patient, les médecins souhaitent un moyen de diagnostic rapide et précis. Ce travail couvre cinq architectures de réseaux de neurones à convolution profonde et a réglé trois modèles pré-entraînés qui ont été formés sur un grand ensemble de données tels que MobileNet, VGG-16 et ResNet50. Notre modèle proposé a surpassé les travaux publiés précédemment en utilisant les mêmes données, où nous avons obtenu une précision de 99,72 %. Côte titre : MAI/0349 En ligne : https://drive.google.com/file/d/13rglINyx_KeBhemPyfs6reTUFuQoUnjK/view?usp=shari [...] Format de la ressource électronique : pdf Brain Tumor Classification Using Convolutional Neural Network [texte imprimé] / Kheniche, Nedjoua, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (62 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux neuronaux convolutionnels Imagerie médicale Apprentissage Index. décimale : 004 - Informatique Résumé : L'apprentissage en profondeur est un nouveau domaine d'apprentissage automatique qui a suscité beaucoup d'intérêt ces dernières années. Il a été largement appliqué à plusieurs applications et s'est avéré être un puissant outil d'apprentissage automatique pour de nombreux problèmes complexes. Dans cette thèse, nous voulons proposer un nouveau modèle de classication basé sur l'apprentissage en profondeur qui sera capable de classer et d'identier diérentes tumeurs cérébrales à des stades précoces avec une grande précision qui surpasse les approches de pointe et les travaux précédents. Le travail de classication ou d'annotation des tumeurs cérébrales à partir d'images IRM peut être long et dicile, même pour les radiologues. Pour augmenter les chances de survie d'un patient, les médecins souhaitent un moyen de diagnostic rapide et précis. Ce travail couvre cinq architectures de réseaux de neurones à convolution profonde et a réglé trois modèles pré-entraînés qui ont été formés sur un grand ensemble de données tels que MobileNet, VGG-16 et ResNet50. Notre modèle proposé a surpassé les travaux publiés précédemment en utilisant les mêmes données, où nous avons obtenu une précision de 99,72 %. Côte titre : MAI/0349 En ligne : https://drive.google.com/file/d/13rglINyx_KeBhemPyfs6reTUFuQoUnjK/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0349	MAI/0349	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)