Telechargé par guenifi abderrahmane

detection pneumonie avec deep learning

publicité
République Algérienne Démocratique et Populaire
Ministère De L’enseignement Supérieur Et De La Recherche Scientifique
Faculté des Sciences
Département d'Informatique
Représenté par
-
Guenifi abderrahmene
2019-2018
Encadré par
Mediani chara zed
1
2
Plan:
1
• Introduction
2
• Intelligence Artificielle
4
• 2.1 Apprentissage Automatique
4
• 2.1 Réseau de neurones
4
4
2.3 Apprentissage profond
3
• Expérimentation
4
• Résultats& discussions
5
• Conclusion
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
 La pneumonie est une infection pulmonaire d’origine
bactérienne ou virale, potentiellement mortelle. Elle peut
être provoquée par des virus, des bactéries ou des
champignons.,L’infection touche plus précisément les
alvéoles pulmonaires, ces minuscules sacs en forme de
ballons situés à l’extrémité des bronchioles
 plus de 18% des enfants dans le monde sont décédés,
 il y’a environ 50 000 qui meurent de la maladie tous les
année aux ÉtatsUnis seulement (CDC, 2017).
3
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
 Les médecins utilisent souvent des radiographies thoraciques
pour diagnostiquer les maladies rapidement et à moindre coût.
4
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
• Expérimentation
2
4
5
• Résultats& discussions
• Conclusion

L'intelligence artificielle est une discipline scientifique recherchant des
méthodes de solution des problèmes à forte complexité logique ou
algorithmique
5
1
• Introduction
2
• Intelligence Artificielle
3.1 Apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
• Les types d’apprentissage Automatique :
6
1
• Introduction
2
• Intelligence Artificielle
3.1 Apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
 forêts aléatoires: (random forests)
7
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
8
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
 Apprentissage des RNA multicouches :
À chaque présentation d’un exemple d’apprentissage au réseau, on passe par deux étapes :
1. Dans l’étape de propagation, les valeurs du vecteur d’entrée (l’exemple) sont reçues
dans la couche d’entrée et propagées d’une couche à l’autre jusqu’à la sortie où un
vecteur de sortie (les yi) est obtenu.
2. Dans la phase de backpropagation, les wi sont ajustés de la dernière couche jusqu’à
La première de manière à rapprocher les yi obtenus de ceux attendus
9
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Convolution neural network(CNN):
10
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
 Apprentissage par Transfert:
11
1
• Introduction
2
• Intelligence Artificielle
12
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
 Le Jeu de Données
Pour entraîner, valider et mettre à l’essai nos modèles, on a exploité les jeux de données du
laboratoire qui sont téléchargées sur les site du Kaggle qui contiennent 6856 images prises de
patients pédiatriques âgés de 1 à 5 ans.
les images sont étiquetées par des spécialistes à deux classes: normale /pneumonie.
Entrainement
Validation
Test
Sommes
Pneumonie
1341
8
234
1583
normale
3875
8
390
4273
sommes
5216
16
624
6856
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
• En général l’apprentissage passe ces les étapes:
13
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Architecture CNN (1) :
14
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Architecture CNN (1) :
15
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
• Architecture CNN (2) :
16
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Réseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Architecture VGG 16 :
17
1
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Architecture CNN (1)
Architecture CNN (2)
18
1
1.Modèle VGG16 :
• Introduction
2
• Intelligence Artificielle
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Modèle VGG16 :
19
1
• Introduction
2
• Intelligence Artificielle
20
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Nom du modèle
Epoche
batch_size
accurcy
CNN (1)
60
32
(Test)
91.34%
CNN(2)
60
32
99.56%
VGG16
60
32
80.60%
Random forest
/
/
99..04%
1
• Introduction
2
• Intelligence Artificielle
21
3.1 apprentissage Automatique
3.2 Reseau de neurones
3.3 Apprentissage profond
2
4
5
• Expérimentation
• Résultats& discussions
• Conclusion
Notre travail n`est que dans sa version initiale, on peut dire que ce travail reste ouvert pour
des travaux de comparaison et/ou d'hybridation avec d'autres méthodes de classification
de toutes les maladies au niveau du thorax .
Téléchargement
Explore flashcards