Deep Convolutional Network Model for Chest X-ray Abnormalities Detection / Zemmit, Maroua  

Public ISBD Titre : Deep Convolutional Network Model for Chest X-ray Abnormalities Detection Type de document : texte imprimé Auteurs : Zemmit, Maroua, Auteur ; Nasri,Khaled, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (47 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : CNN VGG19 VGG16 Resnet50v2 Index. décimale : 004 - Informatique Résumé : Les radiographies thoraciques (CXR) sont largement utilisées pour le diagnostic d’anomalies dans la région du coeur et des poumons. Automatiquement détecter ces anomalies avec une grande précision pourrait améliorer considérablement les processus de diagnostic et puis de bien prendre en charge ces cas. Avec les progrès des algorithmes informatiques, la détection de ce type des anomalies à un stade précoce est nécessaire de toute urgence pour le rétablissement rapide des patients. L’ensemble de données utilisé dans cette étude COVID19 radiographys dataset a été collecté auprès de différentes sources et il est disponible pour les chercheurs. Le nombre d’images dans l’ensemble de données collectées est de 3616 cas positifs au COVID-19, 10 192 images normales ainsi que 6012 images d’opacité pulmonaire (infection pulmonaire non COVID) et 1345 images de pneumonie virale. Pour éprouver notre architecture very deep learning, fondée sur 5 blocs, nous avons choisis trois architectures very deep qui sont : vgg16,vgg19, resnet50v2. Ces modèles ont été sélectionnés parce qu’ils obtiennent des résultats élevés dans la base de données imagenet. Résultats : Dans l’ensemble de données COVID19 radiographys, notre modèle atteint une réussite(accuracy) de 92,9% et une perte de 20%. Conclusions : Notre CNN proposé obtient des résultats améliorés par rapport aux architectures utilisées sur notre base de données ce qui prouve la qualité de notre modèle. Côte titre : MAI/0550 En ligne : https://drive.google.com/file/d/1ZT9kGy9j0-NhQTQmV0jwrNCrdFK5DG5T/view?usp=shari [...] Format de la ressource électronique : pdf Deep Convolutional Network Model for Chest X-ray Abnormalities Detection [texte imprimé] / Zemmit, Maroua, Auteur ; Nasri,Khaled, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (47 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : CNN VGG19 VGG16 Resnet50v2 Index. décimale : 004 - Informatique Résumé : Les radiographies thoraciques (CXR) sont largement utilisées pour le diagnostic d’anomalies dans la région du coeur et des poumons. Automatiquement détecter ces anomalies avec une grande précision pourrait améliorer considérablement les processus de diagnostic et puis de bien prendre en charge ces cas. Avec les progrès des algorithmes informatiques, la détection de ce type des anomalies à un stade précoce est nécessaire de toute urgence pour le rétablissement rapide des patients. L’ensemble de données utilisé dans cette étude COVID19 radiographys dataset a été collecté auprès de différentes sources et il est disponible pour les chercheurs. Le nombre d’images dans l’ensemble de données collectées est de 3616 cas positifs au COVID-19, 10 192 images normales ainsi que 6012 images d’opacité pulmonaire (infection pulmonaire non COVID) et 1345 images de pneumonie virale. Pour éprouver notre architecture very deep learning, fondée sur 5 blocs, nous avons choisis trois architectures very deep qui sont : vgg16,vgg19, resnet50v2. Ces modèles ont été sélectionnés parce qu’ils obtiennent des résultats élevés dans la base de données imagenet. Résultats : Dans l’ensemble de données COVID19 radiographys, notre modèle atteint une réussite(accuracy) de 92,9% et une perte de 20%. Conclusions : Notre CNN proposé obtient des résultats améliorés par rapport aux architectures utilisées sur notre base de données ce qui prouve la qualité de notre modèle. Côte titre : MAI/0550 En ligne : https://drive.google.com/file/d/1ZT9kGy9j0-NhQTQmV0jwrNCrdFK5DG5T/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0550	MAI/0550	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)