Anzeige
Anzeige

Más contenido relacionado

Anzeige

ppt_brain_tumor_deep_learning_project.pptx

  1. Dètection des Tumeurs Cérébrales Réalisé par : Haloui Nesrine Encadré par : Mr Ahmed Ben Taleb 1
  2. PLAN 01 02 04 03 Technlogie utilisé && Environnement de travail Architecture CNN Présentation de projet Pourquoi CNN ? 05 Réalisation 06 Conclusion 2
  3. Présentation de projet des adultes survivent après le diagnostic La principale raison de la détection de tumeurs cérébrales = 5300 des personnes perdent la vie à cause d’une tumeur au cerveau 3
  4. POURQUOI CNN ? 4
  5. POURQUOI CNN ? 5
  6. POURQUOI CNN ? Sur des données de grande taille 6
  7. Ou se trouve CNN? 7
  8. Architecture Générale CNN 8
  9. Notre propre Architecture CNN 9
  10. Input size (224,224,3) Output 10
  11. Technologie utilisé 03 01 02 04 05 06 11
  12. Environnement de travail 03 01 02 04 05 12
  13. Réalisation  Dataset 13
  14. Création du Modèle 14
  15. Data augmentation 15
  16. Les étapes de déploiement Création de l'instance ec2 01 Générer clé privé à travers puttygen 02 Mettre le projet sur machine virtuelle ubuntu à travers WinSCP 03 Installer les librairies nécessaires à travers putty 04 16
  17. Conclusion La réalisation de ce projet m’a permis de se confronter à plusieurs contraintes à la fois, contraintes de temps, contraintes de qualité et contraintes de technologie. De plus, ce projet m’a offert l'occasion d’enrichir mes connaissances sur l’apprentissage profond. 17
  18. Merci pour votre attention  Des questions ? 18

Hinweis der Redaktion

  1. selon les statistiques, chaque année plus de 5300 personnes perdent la vie à cause d’une tumeur au cerveau.
  2. sont à ce jour les modèles les plus performants pour la classification et la segmentation des images surtout dans le domaine médical De plus , CNN a obtenu les meilleurs résultats sur des données de grande taille Réseaux de neurones convolutifs ce sont des modèles de programmation puissants permettant la reconnaissance d’images en attribuant automatiquement à chaque image fournie en entrée, une étiquette correspondant à sa classe d’appartenance.
  3. sont à ce jour les modèles les plus performants pour la classification et la segmentation des images surtout dans le domaine médical De plus , CNN a obtenu les meilleurs résultats sur des données de grande taille Réseaux de neurones convolutifs ce sont des modèles de programmation puissants permettant la reconnaissance d’images en attribuant automatiquement à chaque image fournie en entrée, une étiquette correspondant à sa classe d’appartenance.
  4. sont à ce jour les modèles les plus performants pour la classification et la segmentation des images surtout dans le domaine médical De plus , CNN a obtenu les meilleurs résultats sur des données de grande taille Réseaux de neurones convolutifs ce sont des modèles de programmation puissants permettant la reconnaissance d’images en attribuant automatiquement à chaque image fournie en entrée, une étiquette correspondant à sa classe d’appartenance.
  5. Numpy: Manipuler des matrices ou tableaux multidimensionnels ainsi que des fonctions mathématiques. Pandas:Manipulation et analyse des données. Matplib:Tracer et visualiser des données sous formes de graphiques. Tensorflow:Une bibliothèque de logiciels gratuits et open source pour l'apprentissage automatique Opencv:Spécialisée dans le traitement d'images en temps réel. Keras:Développement et évaluation de modèles d'apprentissage en profondeur
  6. AWS:Une plate forme spécialisée dans les services de Cloud Computing. Colab : facile à utiliser,flexible dans sa configuration Vs:Un éditeur de code extensible développé par Microsoft Winscp:Un client open source , SFTP graphique pour Windows et utilise le SSH Putty: Un émulateur de terminal doublé d'un client pour les protocoles SSH, Telnet, et TCP brut.
  7. L'augmentation des données est utilisée pour créer plusieurs images à partir d'une image existante. Les techniques d’augmentation peuvent créer des variations d’images qui peuvent améliorer la capacité des modèles d’entrainement pour généraliser ce qu’ils ont appris à de nouvelles images, ce qui améliore fortement la performance du modèle.
Anzeige