|
| Titre : | Segmentation des tumeurs cérébrales par des réseaux de neurones convolutifs (CNN). | | Type de document : | theses et memoires | | Auteurs : | Djazira Habeche, Auteur ; Tounsia Boukaouma, Auteur ; Ouiza Nait Belaid, Directeur de thèse | | Editeur : | TIZI-OUZOU : FGEI.UMMTO | | Année de publication : | 2022 | | Importance : | 83 p. | | Présentation : | ill. | | Format : | 30 cm. | | Note générale : | Bibliogr. | | Langues : | Français | | Mots-clés : | Tumeur cérébrale IRM Deep learning CNN Segmentation Transfert Learning Data augmentation Cross validation Unet VGG16 ResNet34 Google colab Réseaux de neurones | | Résumé : | L'objectif de ce projet est d'explorer l'utilisation de l'apprentissage profond et plus spécifiquement des réseaux de neurones convolutionnels (CNN) pour effectuer une segmentation précise de trois types de tumeurs dans des images d'IRM cérébrale. Pour atteindre cet objectif, nous allons utiliser l'architecture U-Net, qui est une architecture CNN couramment utilisée dans les tâches de segmentation d'images médicales.
L'environnement choisi pour réaliser ce travail est Google Colab, une plateforme basée sur le cloud qui fournit un accès gratuit à des ressources de calcul puissantes, notamment des GPU, ce qui est essentiel pour l'entraînement efficace de modèles d'apprentissage profond. En résumé, ce projet vise à développer et à utiliser des modèles d'apprentissage profond basés sur des CNN, en utilisant l'architecture U-Net, pour effectuer une segmentation précise des tumeurs dans les images d'IRM cérébrale.
L'utilisation de l'environnement Google Colab nous permet de bénéficier de ressources de calcul puissantes et de mener nos expérimentations de manière efficace. | | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=36972 |
Segmentation des tumeurs cérébrales par des réseaux de neurones convolutifs (CNN). [theses et memoires] / Djazira Habeche, Auteur ; Tounsia Boukaouma, Auteur ; Ouiza Nait Belaid, Directeur de thèse . - TIZI-OUZOU (TIZI-OUZOU) : FGEI.UMMTO, 2022 . - 83 p. : ill. ; 30 cm. Bibliogr. Langues : Français | Mots-clés : | Tumeur cérébrale IRM Deep learning CNN Segmentation Transfert Learning Data augmentation Cross validation Unet VGG16 ResNet34 Google colab Réseaux de neurones | | Résumé : | L'objectif de ce projet est d'explorer l'utilisation de l'apprentissage profond et plus spécifiquement des réseaux de neurones convolutionnels (CNN) pour effectuer une segmentation précise de trois types de tumeurs dans des images d'IRM cérébrale. Pour atteindre cet objectif, nous allons utiliser l'architecture U-Net, qui est une architecture CNN couramment utilisée dans les tâches de segmentation d'images médicales.
L'environnement choisi pour réaliser ce travail est Google Colab, une plateforme basée sur le cloud qui fournit un accès gratuit à des ressources de calcul puissantes, notamment des GPU, ce qui est essentiel pour l'entraînement efficace de modèles d'apprentissage profond. En résumé, ce projet vise à développer et à utiliser des modèles d'apprentissage profond basés sur des CNN, en utilisant l'architecture U-Net, pour effectuer une segmentation précise des tumeurs dans les images d'IRM cérébrale.
L'utilisation de l'environnement Google Colab nous permet de bénéficier de ressources de calcul puissantes et de mener nos expérimentations de manière efficace. | | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=36972 |
|
Segmentation des tumeurs cérébrales par des réseaux de neurones convolutifs (CNN). (2022)
