Conception d’une méthodologie pour le traitement des images mammographiques basées sur des techniques d’apprentissage profondes


Abstrait

L’apprentissage est un sous-champ dans l’apprentissage de la machine qui utilise différents algorithmes d’apprentissage automatique pour modéliser les abstractions de haut niveau dans des données à l’aide d’architectures hiérarchiques, appelées réseaux de neurones profonds (DNNS). Parmi les multiples algorithmes qui peuvent être trouvés, certains réseaux neuronaux (CNN) convolutés (CNNS), auto-codeurs et réseaux récurrents (RNNS), qui peuvent être de grande aide pour analyser des images médicales. Le grand potentiel qu’ils ont ces techniques d’analyse d’images médicales réside à leur vitesse et à leur efficacité une fois qu’ils ont une grande quantité de données. Son utilisation peut être appliquée aux tâches aussi diverses que la détection et la segmentation des tumeurs, ainsi que leur suivi et leur contrôle; La visualisation et la quantification du flux sanguin, ou à la création de systèmes d’aide pour l’interprétation des résultats médicaux. Par conséquent, il est logique de penser que, à l’avenir, ils seront utilisés de plus en plus de techniques, devenant grandes de ces tâches quelque chose de typique d’un ordinateur. Les objectifs de ce travail de fin de fin sont les suivants: – l’introduction à l’apprentissage profond et les différents algorithmes actuellement utilisés, mettant en évidence leurs avantages et leurs inconvénients. – Examiner l’état de l’art des techniques d’apprentissage profondes utilisées pour l’analyse des images médicales, ainsi que l’identification des champs médicaux dans lesquels ces algorithmes peuvent être utiles. – L’identification d’algorithmes d’apprentissage profond pouvant être utilisés dans l’analyse des images mammographiques. – la conception d’une méthodologie spécifique pour le traitement des images mammographiques à l’aide des techniques mentionnées. Pour cela, une vaste étude de l’état de l’art des différents algorithmes d’apprentissage profond et de ses utilisations dans l’analyse des images médicales sera effectuée. Vous travaillerez également dans la familiarisation avec certains des algorithmes plus directement liés à la segmentation d’images, en raison de son applicabilité à la détection de masse et de microcalcifications dans la mammographie numérique, qui sera d’une importance vitale dans la méthodologie conçue. Pour cela, différentes sources bibliographiques de référence seront utilisées. Pour terminer, avec ce projet, vous souhaitez signaler les multiples applications qui ont des algorithmes d’apprentissage profondes en médecine et que leur utilisation aidera les médecins à prendre de meilleures décisions, ainsi qu’à améliorer les résultats médicaux à la fois en termes de temps et d’efficacité.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *