Discussion :

[jasminblanc]

Bonjour,

Je suis novice en traitements d'images, je voudrais utiliser les réseaux de neurones , soit PMC ( perceptron multi couches) pour interpréter une image cérébrale. L'objectif est detecter la présence d'une anomalie , soit une tumeur par exemple.

Ma première question est : D'après mes recherches, j'ai trouvé des travaux commençons par segmenter l'image (suivant une approche de segmentation donnée par exmple split and merge) , puis applique les réseaux de neurones et d'autres sautent l'étape de segmentation et utilise seulement les réseaux de neurones ?
Quelle est la différence ? Est-ce que les résultats seront plus précis si on applique les réseaux de neurones sur une image dejà segementé ?

J'envisage de segmenter par Fuzzy C- means , puis appliquer Perceptron Muti Couche ? Que dites vous de l'idée ? Si vous arrivez à voir plus loin , car pour moi je ne sais pas à quoi je vais aboutir.


Deuxième question :

Après avoir segmenté une image, on doit l'évaluer. Quels sont les critères d'évaluation sur lesquels je vais me baser pour évaluer mes résultats.

Je suis confuse à l'idée de l"évaluation : Si je veux evaluer le resultat que me donne par exemple FCM , je dois faire le test sur un ensemble d'images ( et puis je me pose la question : combien ) , l'évaluation sur une seule image ne suffit pas ?
Si je veux voir si l'approche arrive à detecter la présence d'une anomalie dans une image, je dois choisir à se moment là une image d'un patient sein , et puis l'image d'un patient atteint de la maladie pour voir la différence.
Prendre une autre image ou la tumeurs est trop petite pour voir si l'on arrive à la retrouver ou pas.

Est ce que j'ai bien compris l'évaluation ou bien , je suis out ?

Troisième question :

Je ne sais pas quelles sont les données que je vais faire rentrer aux réseaux de neurones ? Je vois jsuqu'à maintenant floue l'utilisation de cette théorie ,
est ce que vous pouvez m'aider en me simplifiant les étapes de l'étude à suivre dans le cas de mon travail ( cité au début ) , peut etre je pourrai y voir plus clair.

Merci à tous.
Toute référence ou exemple sont les bienvenus.

[ToTo13]

Ma première question est : D'après mes recherches, j'ai trouvé des travaux commençons par segmenter l'image (suivant une approche de segmentation donnée par exmple split and merge) , puis applique les réseaux de neurones et d'autres sautent l'étape de segmentation et utilise seulement les réseaux de neurones ?
Quelle est la différence ? Est-ce que les résultats seront plus précis si on applique les réseaux de neurones sur une image dejà segementé ?

J'envisage de segmenter par Fuzzy C- means , puis appliquer Perceptron Muti Couche ? Que dites vous de l'idée ? Si vous arrivez à voir plus loin , car pour moi je ne sais pas à quoi je vais aboutir.

Dans un cas il y a segmentation d'une région d'intérêt, puis classement de la région par RNN. Dans le second cas, tout est fait d'un coup par le RNN.
Ce que tu veux faire, c'est donc le premier cas : détection d'une région d'intérêt, puis classement de cette région.
L'idée est bonne, mais il va falloir attendre de voir ce que ton perceptron va produire et ça va grandement dépendre de ton architecture et de l'échantillon d'apprentissage.

Dans le cas d'images, il est souvent conseiller d'utiliser directement la deuxième solution avec un CNN, puisqu'ils arrivent souvent à faire cela très bien : les couches de convolution traitent l'image, puis les couches totalement connectées la classe.

[B]
Troisième question :

Je ne sais pas quelles sont les données que je vais faire rentrer aux réseaux de neurones ? Je vois jsuqu'à maintenant floue l'utilisation de cette théorie ,
est ce que vous pouvez m'aider en me simplifiant les étapes de l'étude à suivre dans le cas de mon travail ( cité au début ) , peut etre je pourrai y voir plus clair.

Trois solutions après avoir trouvé ta zone d'intérêt :
- extraire des caractéristiques (moments, indices de formes et de textures, etc.) et tu donnes ça à ton RNN. Rapide et léger en mémoire.
- redimensionner la région d'intérêt et donner toute la zone à un RNN ou un CNN. Classement global de la région. Super lourd en mémoire : grosse entrée = gros RNN.
- découper la région d'intérêts en vignettes/patch afin de classer chaque pixel. Ca te permettrait d'avoir une probabilité pour chaque pixel pour mieux raffiner la segmentation, puis tu devras prendre une décision sur ta région d'intérêt. Par exemple : si 75% des pixels sont dans la même classe, alors ma région d'intérêt appartient à cette classe.