Discussion :

[salhi_m]

Bonjour,
Je suis un débutant dans le domaine d'intelligence artificielle et je vais faire une pfe sur le traitement d'images en utilisant le SOM(Self-Organizing Maps).D'aprés ce que j'ai lu,chaque pixel de l'image sera une entrée pour le réseau de neurones.C'est que je veux savoir est ce que je serais obligé de découper l'image en morceau manipulable chacune par le SOM ou est ce que je peut donner toute l'image en entrée.En d'autres termes quel est le nombre de neurones optimale à utiliser .
sachant que j'ai fait une compression des images et la nouvelle résolution est (184*230) donc le nombre de neurones est 42320 neurones.
Merci d'avance.

[ToTo13]

Bonjour,

ce n'est pas raisonnable de donner autant de paramètre en entrée de ta SOM.
Tu auras un temps de calcul énorme, voir supérieur à la durée de ton PFE (oui oui, c'est possible).

Il vaut mieux extraire des caractéristiques de l'image.
Est ce que tu connais ton nombre de classe ou du moins une approximation ?
Qu'est ce que tu souhaits obtenir comme résultat sur ton image ?

[salhi_m]

Bonjour,
d'abord, merci de m'avoir répondre.
J'ai pas compris ce que vous venez de dire a propos les caractéristiques de l'image et les classes de SOM (pouvez vous me donner une petite idée??)
En fait, mon projet consiste à faire la détection des tumeurs à partir des images médicales données en entrée . Donc le role de SOM est de faire la detection.
Est ce que le decoupage de l'image en morceaux servira à résoudre le problème ?
Merci.

[ToTo13]

Bonjour,

- Si tu découpes ton image en morceaux, rien ne dit que tu ne vas pas couper ta tumeur entre deux images Donc mauvais idée, ou sinon il faut affiner intelligemment le découpage.

- Donner tous les pixels de l'image afin que le SOM trouve seul la bonne zone... c'est attendre un miracle !

Dans une image, les tumeurs sont des zones avec des caractéristiques bien particulières. Il faut isoler grossièrement (dans un premier temps) ces zones, calculer des caractéristiques (histogrammes, taille, périmètre, variance des pixels, etc) sur ces zones afin de les donner au SOM pour qu'il puisse dire si la zone est oui ou non une tumeur.

PS : on a droit à une jolie photo ?

[salhi_m]

Bonjour,
Le problème est que le tumeur be prend pas un emplacement bien précis dans le cerveau(organe d'étude)ce qui rend difficile l'idée de découpage.Et si je donne tous les pixels en entrée les nombre de neurones va étre énorme.
Mon but est de détecter ce tumeur à partir de l'image donnée en entrée.
Pour ceci l'idée est de faire l'apprentissage de SOM sur des images de personnes saines et puis sur des images des personnes ayant le tumeurs (est ce que c'est possible de le faire??).Le problème que j'ai envisagé est de déterminer le nombre de neurones adéquat à utiliser.
voici une image (exemple que je vais utiliser).
Merci.

[ToTo13]

Bonjour,
Le problème est que le tumeur be prend pas un emplacement bien précis dans le cerveau(organe d'étude)ce qui rend difficile l'idée de découpage.Et si je donne tous les pixels en entrée les nombre de neurones va étre énorme.

C'est justement ce que je viens de dire :fessée:

Je te conseille de commencer par segmenter ton image afin de supprimer tout ce qui ne fait pas parti du cerveau et notamment le crâne.
Ensuite, ton nombre de neurones de la couche d'entrée dépendra du nombre de caractéristiques qui alimentera le SOM.

En regardant ton image, on voit nettement que la zone contenant la tumeur possède une texture totalement différente. Puisque tu à l'air de disposer d'image de cerveau sain, l'idée qui me passe par la tête serait :
- Ne pas utiliser un SOM, mais faire une méthode de classement (classification en anglais).
- Utiliser des méthodes d'analyse de texture : haralick features en particulier, voire un peu de Fourier ou de filtre de Gabor.
- Appliquer ces méthodes sur un échantillon d'apprentissage composé à égale proportion d'un maximum de cerveaux sains et pathologiques.
- Utiliser des méthodes de classement pour construire un modèle d'apprentissage : régression logistique, k- plus proches voisins, forêts aléatoires, réseaux de neurones, support vector machine, etc. Bref plusieurs méthodes que tu affectionnes pour trouver la mieux adaptée.

J'ai survolé plusieurs articles de détection de tumeur, mais je ne me rappelle plus des noms (époque où ma biblio n'était pas sérieuse). Fais uen recherche sur tout ce qui est : Computer Aided Diagnosis (CAD), Tumor detection, etc.