Apprentissage automatique et sélection de caractéristiques pour la classification des images médicale
No Thumbnail Available
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Badji Mokhtar Annaba
Abstract
Dans cette thèse, une approche innovante de classification des images médicales repose sur l’intégration des réseaux de files d’attente dans les réseaux de neurones à rétropropagation (BPNN), où chaque composante des couches du réseau est associée à une file d’attente dynamique. Dans cette architecture, chaque neurone ne se contente pas de stocker un seul état activé, mais conserve un historique de ses activations passées sous forme de file d’attente. L’apprentissage devient ainsi adaptatif, car un réseau ouvert met à jour ses couches cachées en intégrant progressivement les informations agrégées de l’autre réseau. Cela permet d’introduire une mémoire adaptative qui améliore l’apprentissage en intégrant l’évolution temporelle des caractéristiques extraites. L’entraînement repose sur deux BPNN fermés, chacun apprenant sur une partie de la base de données. Les états intermédiaires des neurones sont enregistrés et transférés via la file d’attente à un réseau ouvert, qui adapte ses poids en fonction des états cumulés. Cette structure permet une rétropropagation enrichie en tenant compte des tendances d’apprentissage plutôt que des mises à jour instantanées uniquement. Par ailleurs, une sélection optimisée des caractéristiques est réalisée pour améliorer la robustesse du modèle,en extrayant des attributs texturaux (GLCM, LBP, GRLM) et morphologiques (circularité, compacité, descripteurs de Fourier), suivie d’une réduction de dimension via MRMR ou RELIEF,qui permet d’éliminer les redondances et de maximiser la séparation des classes. L’optimisation de la fonction coût MSE via la descente de gradient garantit une convergence efficace du modèle.
Cette approche améliore la robustesse, la précision et la généralisation du réseau, tout en préservant l’interprétabilité des résultats pour une application clinique fiable.
Description
Keywords
apprentissage automatique; sélection de caractéristiques; caractéristiques morphologiques