Titre :	Etude comparative de solution de deep learning de classification d'images médicales
Type de document :	theses et memoires
Auteurs :	M'hamed Tayeb ; Saoudi Yasmina ; Farida Dahmani (ép. Bouarab), Directeur de thèse
Editeur :	Tizi - ouzou : U.M.M.T.O. - F.G.E.I
Année de publication :	2019
Importance :	124 p.
Présentation :	ill.
Format :	30 cm.
Note générale :	Bibliogr.
Langues :	Français
Mots-clés :	DeepLearning , CNN , Convolution , CapsNets, Capsules , AutoML , Benchmarking , Tensorflow , Python , Keras , Médicale , Imagerie  Pneumonie  Classification  Neurones  Réseaux de neurones  Transfer Learning  Collaboratory  Jupyter
Résumé :	Ce mémoire traite du deep learning appliqué à la classification d’images médicale et se focalise plus précisément sur l’étude et l’évaluation des différentes techniques les plus couramment employées pour ce type de problématiques pour ensuite désigner la plus efficaces de celles testés . Nous avons procédé en introduisant puis en implémentant plusieurs approches à savoir une première basées sur l’emplois de réseaux de neurones de convolutions ,une secondes exploitant l’implémentation de réseaux à base de capsules tel que théorisés par G.Hinton et une dernière approche exploitant les techniques offertes par le transfère learning en vue de réaliser un modèle de classification issue de l’outil AutoML de Google nouvellement incluse dans leur offre Firebase ; nous avons ensuite évaluer chacunes d’entre elles à l’aide de mesures préétablie faisant office de canon pour ce type de problématique tel que la sensibilité et la spécificité avant de conclure en analysant les résultats obtenus.
En ligne :	D:\CD.THESE.2019\MASTER INF\TAYEB M., SAOUDI Y..PDF
Format de la ressource électronique :	PDF
Permalink :	./index.php?lvl=notice_display&id=34262

Etude comparative de solution de deep learning de classification d'images médicales [theses et memoires] / M'hamed Tayeb ; Saoudi Yasmina ; Farida Dahmani (ép. Bouarab), Directeur de thèse . - Tizi - ouzou (Tizi - ouzou) : U.M.M.T.O. - F.G.E.I, 2019 . - 124 p. : ill. ; 30 cm.
Bibliogr.
Langues : Français

Mots-clés :	DeepLearning , CNN , Convolution , CapsNets, Capsules , AutoML , Benchmarking , Tensorflow , Python , Keras , Médicale , Imagerie  Pneumonie  Classification  Neurones  Réseaux de neurones  Transfer Learning  Collaboratory  Jupyter
Résumé :	Ce mémoire traite du deep learning appliqué à la classification d’images médicale et se focalise plus précisément sur l’étude et l’évaluation des différentes techniques les plus couramment employées pour ce type de problématiques pour ensuite désigner la plus efficaces de celles testés . Nous avons procédé en introduisant puis en implémentant plusieurs approches à savoir une première basées sur l’emplois de réseaux de neurones de convolutions ,une secondes exploitant l’implémentation de réseaux à base de capsules tel que théorisés par G.Hinton et une dernière approche exploitant les techniques offertes par le transfère learning en vue de réaliser un modèle de classification issue de l’outil AutoML de Google nouvellement incluse dans leur offre Firebase ; nous avons ensuite évaluer chacunes d’entre elles à l’aide de mesures préétablie faisant office de canon pour ce type de problématique tel que la sensibilité et la spécificité avant de conclure en analysant les résultats obtenus.
En ligne :	D:\CD.THESE.2019\MASTER INF\TAYEB M., SAOUDI Y..PDF
Format de la ressource électronique :	PDF
Permalink :	./index.php?lvl=notice_display&id=34262