Advancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation / Taranim Attallah

Public ISBD Titre : Advancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation Type de document : document électronique Auteurs : Taranim Attallah, Auteur ; Mohamed Fadhel Mansouri, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (60 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Colorectal Cancer Artificial Intelligence in Healthcare Deep Learning Medical Image Segmentation Index. décimale : 004 Informatique Résumé : This study presents an innovative approach for colorectal cancer detection based on the CoNIC Challenge dataset. We have developed an ensemble model that uses the architectures U-Net, Segformer, and SAM for segmentation and classification. Data preprocessing and augmentation techniques are employed to enhance the model’s generalization and robustness. Comparative analysis with traditional deep learning models demonstrates the performance of the proposed model in terms of precision, recall, and F1-score, achieving a precision of 98.15% and an accuracy of 96.69%. Furthermore, the model exhibits efficient execution performance, making it suitable for real-world clinical applications. This research contributes to the advancement of medical diagnostics by providing a promising solution for colorectal cancer detection. Note de contenu : Sommaire Abstract i Resumé ii Table of contents ix List of figures x List of tables xi Abbreviations xii Introduction 1 1 Theoretical Background 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Machine Learning definition . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.2 Deep learning architectures . . . . . . . . . . . . . . . . . . . . 9 1.3.3 U-Net: Convolutional Networks for Biomedical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.4 SegFormer: Transformer-based Segmentation Model . . . . . . . 13 1.3.5 SAM (Self-Attention Mechanism) in Image Analysis . . . . . . 14 1.4 Algorithm and Model Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.1 Introduction to Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.2 Train-Test Split . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.3 Cross-validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.4 Holdout Validation . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.4.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5 Evaluating Deep Learning VS Traditional Machine Learning Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.1 Data Complexity and Representation . . . . . . . . . . . . . . . 17 1.5.2 Model Complexity and Structure . . . . . . . . . . . . . . . . . 18 1.5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.5 Training time and computing capabilities . . . . . . . . . . . . 19 1.6 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.1 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.2 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.3 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.5 Data Discretization . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 Artificial Intelligence in Colorectal Cancer 22 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1 Anatomy and Physiology of the Colon and Rectum . . . . . . . 22 2.2.2 Epidemiology of Colorectal Cancer . . . . . . . . . . . . . . . . 24 2.2.3 Current Diagnostic Challenges . . . . . . . . . . . . . . . . . . 25 2.3 AI in Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.1 Machine learning in Colorectal Cancer . . . . . . . . . . . . . . 26 2.3.2 Deep learning in Colorectal Cancer . . . . . . . . . . . . . . . . 26 2.3.3 Challenges and limitations . . . . . . . . . . . . . . . . . . . . . 27 2.4 Histopathology Image Generation . . . . . . . . . . . . . . . . . . . . . 28 2.4.1 Histopathological Semantic Segmentation . . . . . . . . . . . . 29 2.5 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Experiments and Results 34 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.1 Dataset and Preprocessing Contributions . . . . . . . . . . . . . 34 3.2.2 Tools and Frameworks . . . . . . . . . . . . . . . . . . . . . . . 36 3.3 Experimental Results and Model Evaluation . . . . . . . . . . . . . . . 40 3.3.1 The proposed Approach and Model Architecture . . . . . . . . 40 3.3.2 Training Dynamics . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3.3 Results and Anaylsis . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.5 Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.1 Dataset Complexity . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.2 Computational Constraints . . . . . . . . . . . . . . . . . . . . 46 3.5.3 Model Integration . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Future Works and prespectives . . . . . . . . . . . . . . . . . . . . . . 46 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Côte titre : MAI/0953 Advancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation [document électronique] / Taranim Attallah, Auteur ; Mohamed Fadhel Mansouri, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (60 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Colorectal Cancer Artificial Intelligence in Healthcare Deep Learning Medical Image Segmentation Index. décimale : 004 Informatique Résumé : This study presents an innovative approach for colorectal cancer detection based on the CoNIC Challenge dataset. We have developed an ensemble model that uses the architectures U-Net, Segformer, and SAM for segmentation and classification. Data preprocessing and augmentation techniques are employed to enhance the model’s generalization and robustness. Comparative analysis with traditional deep learning models demonstrates the performance of the proposed model in terms of precision, recall, and F1-score, achieving a precision of 98.15% and an accuracy of 96.69%. Furthermore, the model exhibits efficient execution performance, making it suitable for real-world clinical applications. This research contributes to the advancement of medical diagnostics by providing a promising solution for colorectal cancer detection. Note de contenu : Sommaire Abstract i Resumé ii Table of contents ix List of figures x List of tables xi Abbreviations xii Introduction 1 1 Theoretical Background 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Machine Learning definition . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.2 Deep learning architectures . . . . . . . . . . . . . . . . . . . . 9 1.3.3 U-Net: Convolutional Networks for Biomedical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.4 SegFormer: Transformer-based Segmentation Model . . . . . . . 13 1.3.5 SAM (Self-Attention Mechanism) in Image Analysis . . . . . . 14 1.4 Algorithm and Model Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.1 Introduction to Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.2 Train-Test Split . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.3 Cross-validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.4 Holdout Validation . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.4.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5 Evaluating Deep Learning VS Traditional Machine Learning Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.1 Data Complexity and Representation . . . . . . . . . . . . . . . 17 1.5.2 Model Complexity and Structure . . . . . . . . . . . . . . . . . 18 1.5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.5 Training time and computing capabilities . . . . . . . . . . . . 19 1.6 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.1 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.2 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.3 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.5 Data Discretization . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 Artificial Intelligence in Colorectal Cancer 22 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1 Anatomy and Physiology of the Colon and Rectum . . . . . . . 22 2.2.2 Epidemiology of Colorectal Cancer . . . . . . . . . . . . . . . . 24 2.2.3 Current Diagnostic Challenges . . . . . . . . . . . . . . . . . . 25 2.3 AI in Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.1 Machine learning in Colorectal Cancer . . . . . . . . . . . . . . 26 2.3.2 Deep learning in Colorectal Cancer . . . . . . . . . . . . . . . . 26 2.3.3 Challenges and limitations . . . . . . . . . . . . . . . . . . . . . 27 2.4 Histopathology Image Generation . . . . . . . . . . . . . . . . . . . . . 28 2.4.1 Histopathological Semantic Segmentation . . . . . . . . . . . . 29 2.5 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Experiments and Results 34 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.1 Dataset and Preprocessing Contributions . . . . . . . . . . . . . 34 3.2.2 Tools and Frameworks . . . . . . . . . . . . . . . . . . . . . . . 36 3.3 Experimental Results and Model Evaluation . . . . . . . . . . . . . . . 40 3.3.1 The proposed Approach and Model Architecture . . . . . . . . 40 3.3.2 Training Dynamics . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3.3 Results and Anaylsis . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.5 Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.1 Dataset Complexity . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.2 Computational Constraints . . . . . . . . . . . . . . . . . . . . 46 3.5.3 Model Integration . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Future Works and prespectives . . . . . . . . . . . . . . . . . . . . . . 46 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Côte titre : MAI/0953

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0953	MAI/0953	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)