Détails du sujet
Développement d'un système d'apprentissage profond pour le diagnostic par l'analyse d'images médicales et de données cliniques : le cas de la maladie d'Alzheimer.
Résumé
Auteur : VUNDE LUKENGU
Niveau: G3
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-03-14 07:31:34
Mots clés
Python, deep learning, TensorFlow, IRM...
Intérêt
1. Scientifique : Explorer le potentiel de l'IA pour améliorer le diagnostic médical et contribuer à la recherche en imagerie médicale.
2. Médical : Améliorer la détection précoce de maladies, permettant une intervention plus rapide et efficace pour sauver des vies.
3. Technologique : Développer et évaluer un système innovant qui intègre des techniques d'analyse d'images et d'apprentissage automatique de l'IA.
Problématique
Comment l'intégration de l'analyse d'images médicales et de données cliniques à travers un système d'intelligence artificielle peut-elle améliorer la précision et l'efficacité de la détection précoce de l'Alzheimer par rapport aux méthodes de diagnostic traditionnelles ? Plan provisoire
1. Introduction et Contexte
- Présentation de la maladie d'Alzheimer : définition, impact et enjeux.
- Intérêt de l'IRM et des données cliniques pour le diagnostic et la recherche.
- Objectif du mémoire : améliorer la détection de l'Alzheimer par l'informatique.
2. Méthodologie et Analyse
- Description des données : IRM, données cliniques (tests cognitifs, etc.).
- Méthodes informatiques : traitement des images IRM, algorithmes d'apprentissage automatique.
- Développement du modèle : entraînement, tests, évaluation des performances.
3. Résultats et Discussion
- Présentation des résultats : performances du modèle; tableau, ou description.
- Analyse des résultats : forces et faiblesses, comparaison avec d'autres études.
- Conclusion : implications pour le diagnostic, perspectives de recherche. Hypothèses
L'utilisation d'un système d'intelligence artificielle combinant l'analyse d'images médicales et de données cliniques permettra d'atteindre une précision de diagnostic supérieure à celle des méthodes traditionnelles pour la détection de l'Alzheimer. Méthodes
1. Collecte de données : Rassembler une base de données d'images médicales (radiographies, IRM,...) et de données cliniques (antécédents médicaux,...) pertinentes pour la maladie étudiée.
2. Prétraitement des données : Nettoyer, normaliser et augmenter les données pour améliorer la qualité et la quantité des informations.
3. Développement du modèle : Concevoir et entraîner un modèle d'apprentissage automatique (réseau de neurones par exemple) capable d'analyser les images et les données cliniques pour détecter les signes de la maladie.
4. Évaluation du modèle : Tester les performances du modèle en comparant les résultats avec ceux des méthodes de diagnostic traditionnelles.
5. Analyse et interprétation : Analyser les résultats obtenus, identifier les forces et les faiblesses du système. Bibliographie
» Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118
» LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444
» Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGE
Encadreur: MOLO Joaquim MBASA
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Développement d'un système d'apprentissage profond pour le diagnostic par l'analyse d'images médicales et de données cliniques : le cas de la maladie d'Alzheimer.
Résumé
Auteur : VUNDE LUKENGU
Niveau: G3
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-03-14 07:31:34
Mots clés
Python, deep learning, TensorFlow, IRM...Intérêt
1. Scientifique : Explorer le potentiel de l'IA pour améliorer le diagnostic médical et contribuer à la recherche en imagerie médicale.2. Médical : Améliorer la détection précoce de maladies, permettant une intervention plus rapide et efficace pour sauver des vies.
3. Technologique : Développer et évaluer un système innovant qui intègre des techniques d'analyse d'images et d'apprentissage automatique de l'IA.
Problématique
Comment l'intégration de l'analyse d'images médicales et de données cliniques à travers un système d'intelligence artificielle peut-elle améliorer la précision et l'efficacité de la détection précoce de l'Alzheimer par rapport aux méthodes de diagnostic traditionnelles ?Plan provisoire
1. Introduction et Contexte- Présentation de la maladie d'Alzheimer : définition, impact et enjeux.
- Intérêt de l'IRM et des données cliniques pour le diagnostic et la recherche.
- Objectif du mémoire : améliorer la détection de l'Alzheimer par l'informatique.
2. Méthodologie et Analyse
- Description des données : IRM, données cliniques (tests cognitifs, etc.).
- Méthodes informatiques : traitement des images IRM, algorithmes d'apprentissage automatique.
- Développement du modèle : entraînement, tests, évaluation des performances.
3. Résultats et Discussion
- Présentation des résultats : performances du modèle; tableau, ou description.
- Analyse des résultats : forces et faiblesses, comparaison avec d'autres études.
- Conclusion : implications pour le diagnostic, perspectives de recherche.
Hypothèses
L'utilisation d'un système d'intelligence artificielle combinant l'analyse d'images médicales et de données cliniques permettra d'atteindre une précision de diagnostic supérieure à celle des méthodes traditionnelles pour la détection de l'Alzheimer.Méthodes
1. Collecte de données : Rassembler une base de données d'images médicales (radiographies, IRM,...) et de données cliniques (antécédents médicaux,...) pertinentes pour la maladie étudiée.2. Prétraitement des données : Nettoyer, normaliser et augmenter les données pour améliorer la qualité et la quantité des informations.
3. Développement du modèle : Concevoir et entraîner un modèle d'apprentissage automatique (réseau de neurones par exemple) capable d'analyser les images et les données cliniques pour détecter les signes de la maladie.
4. Évaluation du modèle : Tester les performances du modèle en comparant les résultats avec ceux des méthodes de diagnostic traditionnelles.
5. Analyse et interprétation : Analyser les résultats obtenus, identifier les forces et les faiblesses du système.
Bibliographie
» Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118» LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444
» Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGEEncadreur: MOLO Joaquim MBASA
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON