Classification des IRM cérébrales pathologiques par une approche semi-supervisée

Abstract

Résumé Cette thèse porte sur la classification automatisée d'images, appliquée aux images médicales d’IRM cérébrales pathologiques, L'objectif est de proposer et de développer une approche semi supervisé considère à la fois les données étiquetées et non étiquetées. Le but de l'apprentissage semi-supervisé est d'utiliser les données non étiquetées pour améliorer la généralisation, dans ce travail nous avons utilisé un nouveau classifieur SSDRB pour la classification, en effet nous avons utilisé 2 base de données avec plusieurs approches, nous avons utilisé différents descripteurs utilisé dans la classification d’apprentissage automatique, la solution obtenu dans les résultats de notre travail, pour la 1ère base de données nous avons obtenu une exactitude 81.61% avec l’approche HOG+SSDRB , Pour la classification binaire nous avons obtenu une exactitude 80.71% avec l’approche HOG+SSDRB. Mots clés : IRM cérébrale, semi-supervisé, classification, apprentissage profond Abstract This thesis focuses on the automated classification of images, applied to pathological brain MRI medical images. The objective is to propose and develop a semi-supervised approach that considers both labeled and unlabeled data. The goal of semi-supervised learning is to use unlabeled data to improve generalization, in this work we used a new SSDRB classifier for classification, indeed we used 2 databases with several approaches, we used different descriptors used in the machine learning classification, the solution obtained in the results of our work, for the 1st database we obtained an accuracy of 81.61% with the HOG + SSDRB approach, For the binary classification we have achieved 80.71% accuracy with the HOG + SSDRB approach. Keywords: brain MRI, semi-supervised, classification, deep learning