Browsing by Author "TOUAHRI Radia"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    L'Apprentissage Profond pour la Classification et l'Interprétation d'Images
    (Université Badji Mokhtar Annaba, 2022-01-11) TOUAHRI Radia
    Ces dernières années, l'utilisation des méthodes de l’apprentissage profond ou Deep Learning « DL » pour l'analyse des images rétiniennes attire de plus en plus l'attention de la communauté des chercheurs en apprentissage automatique; cela se fait grâce à leur efficacité dans la résolution des problèmes complexes. L’avantage majeur de ces modèles est leur capacité d’extraire automatiquement les caractéristiques représentant l'image traitée contrairement aux méthodes classiques. Les méthodes DL, et plus particulièrement les réseaux de neurones convolutifs (CNNs), nécessitent un grand volume de données pour ajuster équitablement les hyper-paramètres du modèle profond de classification et éviter le problème du sur-apprentissage. Afin d’optimiser les méthodes DL dédiées à la classification des images rétiniennes, certains travaux ont proposé l’utilisation des techniques d’apprentissage par transfert, par régularisation et par des méthodes ensemblistes. Dans cette thèse, deux contributions ont été proposées et bien décrites pour améliorer et augmenter le taux de classification des images rétiniennes. Dans un premier lieu, une approche globale multimodale basée sur quatre modalités d’images (couleur, binaire, niveau de gris, et intégrant les filtre de Gabor) est proposée. Le choix de l'architecture adapté du CNN adopté pour le diagnostic de la maladie du glaucome et la prise en considération de l’ordre des couches et l’adaptation des hyper-paramètres est un sujet de recherche. Dans un second lieu, nous avons proposé une approche locale basée sur deux étapes de segmentation (pre-segmentation et segmentation) visant d’abord à localiser et couper le disque optique pour se focaliser sur la zone d’intérêt, ensuite une segmentation sémantique utilisant l’architecture U-Net est adoptée pour l’extraction de cette zone. Une fois générée, elle sera l’entrée d’un autre modèle de classification de type CNN pour une éventuelle classification.