CLASSIFICATION D'IMAGES RADIOLOGIQUES PAR APPRENTISSAGE PROFOND OPTIMISÉ

Les réseaux neuronaux convolutifs profonds, ou simplement les réseaux neuronaux convolutifs (CNN), sont récemment devenus l'un des modèles d'apprentissage les plus puissants et les plus expressifs pour la reconnaissance des formes d'images, le traitement des images médicales, la vision par ordinateur, la reconnaissance optique des caractères et la reconnaissance de l'écriture manuscrite, etc. qui permettent d'effectuer des tâches de classification, tant binaires que catégorielles, de manière efficace et simple. En plus de sa large utilisation dans divers domaines et champs, il a gagné en popularité et en reconnaissance dans le domaine des sciences médicales, car divers rapports médicaux sont aujourd'hui très fiables sur la reconnaissance d'images basée sur l'apprentissage profond. Dans ce livre, nous avons formé un modèle de réseau neuronal structuré profond, qui est essentiellement un modèle CNN sur un grand ensemble de données d'images radiographiques appelé MURA (Musculoskeletal Radiographs Abnormality) et nous avons essayé de prédire les anomalies d'une image radiographique (si une image est normale ou anormale) sur la base de classifications binaires.

Autorentext

El Dr. Mahesh Jangid es profesor asociado del Departamento de Ciencias e Ingeniería Informática de la Universidad de Manipal, Jaipur, y cuenta con 11 años de experiencia en la enseñanza y la investigación en prestigiosas instituciones académicas. Tiene un historial académico impecable y un gran interés por la investigación. Está cualificado para GATE, SET y NET.