Les techniques de vision par ordinateur peuvent être employées pour l’analyse d’images issues de capteurs médicaux, par exemple pour l’aide au diagnostic et le suivi de patient. L’objectif de ce projet est de proposer un framework s’appuyant sur le deep learning pour identifier automatiquement des infections pulmonaires à partir de radiographies des poumons. Nous utiliserons une base de données qui met à disposition des radiologies complètes de patients (patient sain, patient souffrant de pneumonie, patient souffrant de Covid-19).
Environnement technique : Programmation en Python, bibliothèques de vision par ordinateur (OpenCV, scikitimage), bibliothèque de deep learning Keras
Computer vision techniques can be used for the analysis of images from medical sensors, for example to sensors, for example to help in diagnosis and patient monitoring. of patients. The objective of this project is to propose a framework based on deep learning to automatically identify automatically identify lung infections from lung X-rays. X-rays of the lungs. We will use a database that provides database that provides complete radiologies of patients (healthy patients (healthy patient, patient suffering from pneumonia patient suffering from Covid-19).
Technical environment: Programming in Python, computer vision libraries (OpenCV, scikitimage), Keras deep learning library
Fichier pre_processing.ipynb
Le but de ce notebook est de réaliser l'ensemble des pre-processing utiles aux modèles d'apprentissages mis en place dans le notebook "model.ipynb". Afin de définir un couple modèle + pre-processing idéal, nous avons réalisé ici un total de 6 méthodes de pre-processing.
Fichier model.ipynb
Le but de ce notebook est de réaliser de la K-fold cross validation sur les différents datasets que l'on a créé dans le notebook "pre_processing.ipynb". Les différentes méthodes de pre-processing y sont définies, ainsi nous conseillons de regarder le fichier en détail comprendre pour la différence entre chaque dataset. Ici les datasets sont utilisés avec les deux modèles suivants :
- Un modèle RNN de convolution2D avec cellule GRU
- Un modèle de convolution3D