Résumé:
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
