Intelligence-artificielle-cancer-du-sein.pptx

1. Université Cheikh Anta DIOP de Dakar Faculté des Sciences et Techniques Département Mathématiques et Informatique Laboratoire d’Algèbre de Cryptologie de Géométrie Algébrique et Applications LACGAA Master Transmission de Données et Sécurité de l’Information Thème : Présenté et soutenu par: Mlle. Aichétou Djimé GALLÉDOU Sous la direction du: Dr. Ousmane NDIAYE Année Académique 2017 – 2018 Étude et Implémentation d’un Outil d’aide à la Décision Médicale Basé sur l’intelligence artificielle: Cas du Cancer du Sein chez la Femme
2. SOMMAIRE
3. 1 Annoncer les résultats aux patients Examen sanguin Prise de tension Examen Radiographique Consultation des collègues Introduction
4. I. Présentation du projet 2
5. 3 I . 1.Etape de mise en place de l’outil Étape #1 Étape #2 Étape #3 Étape #4 Étape #5 Connaissance Préalables et Objectifs dans le domaine Choix et Training du Modèle Déployer le Modèle, Obtenir les prédictions à partir du modèle entraîner Collecte, Sélection et Prétraitement des Données Test sur les Données Interprétation des Résultats
6. II. Problématique 4
7. 5 ACR 0 : signifie incomplet. ACR 1 : signifie normal. ACR 2 : bénin. ACR 3 : probablement bénin mais à surveiller. ACR 4 : lésion indéterminée ou suspecte. ACR 5 : anomalie évoquant un cancer. ACR 6 : Biopsie connue malignité prouvé II. Problématique Les ACR 4 et 5 impliquent des examens complémentaires. Les mammographies classées 1 et 2 sont revues en deuxième lecture par un second radiologue La patiente se voit remettre un compte rendu et le résultat de sa mammographie selon une classification établie par l’American college of radiology.
8. 6 III. Cancer du sein
9. 7 III. 1. Anatomie du sein
10. Type A A Type B B Type C C Type D D Type A GRAISSE > GLANDE Chez les femmes âgées Type B GRAISSE = GLANDE Type C GRAISSE < GLANDE Type D GLANDULAIRE chez les jeunes filles 8 III. 2. Anatomie du sein
11. 9 III. 4. Symptômes Liquide verdâtre ou sanglant sortant du mamelon La peau ride Une boule ou une masse apparait dans le sein ou sous l’aisselle Le mamelon change d’apparence La peau change de couleur ou de texture
12. Taille du sein Rétraction, ride, rougeur Position de la masse Masse dure ou Molle Lors de la visite chez le medecin celui-ci consulte la patiente pour voir les signes suivantes: 10 III. 4. Signes Douloureuse ou Indolore
13. 05 Localisé dans un seul endroit 02 Homogène 03 Peut gonfler 01 Contours bien délimité 11 06 Ne contamine pas les autres organes 07 N’entraine pas de métastases 08 N’entraine pas le décès III.5. Critère Tumeurs Bénignes
14. 12 III.6. Critère Tumeurs Malignes 04 Entrainer des métastases. 02 hétérogène. 03 Envahissement des tissus voisins. 01 Contours mal limité. 05 Peut entrainer le décès.
15. 13 III. 8. Métastases  Propagation de la tumeur malignes dans les autres organes tels que : Les Os Le Foie Le Cerveau Les Poumons
16. 14 III. 7.Calcification La Calcification représente l’aspect dur et rigide d’une tumeur Ils existe deux types o Macrocalcifications sont des dépôts grossier représentant le plus souvent des tumeurs bénignes o Microcalcifications apparaissent de petite taille isolées ou regroupé en grappe, il s’agit du plus souvent des cellules cancéreuses
17. L'âge Les facteurs génétiques Les risques hormonaux L’alimentation Le tabac 15 III. 8. Facteurs de risques La pilule THM : Traitement Hormonal de la Ménopause Antécédent de Cancer
18. 16 III. 9.Types Histologiques du cancer du sein Cancer du Sein Non- Infiltrant In situ Cancer Lobulaire In Situ (CLIS) Cancer canalaire In Situ (CCIS) Cancer canalaire Infiltrant (CCI) Cancer Lobulaire Infiltrant(CLI) Cancer du Sien Infiltrant
19. 17 III. 9.Types Histologiques du cancer du sein Cancer canalaire In Situ (CCIS)
20. 18 III. 9.Types Histologiques du cancer du sein Cancer Lobulaire In Situ (CLIS)
21. 19 III. 9.Types Histologiques du cancer du sein Cancer canalaire Infiltrant (CCI)
22. 20 III. 9.Types Histologiques du cancer du sein Cancer Lobulaire Infiltrant(CLI)
23. 17 III. 10. Diagnostic La Microbiopsie echoguidée La cytoponction L’échographie La Mammographie La Mammographie Clichés (images) en noir et blanc effectué aux rayons X L’échographie Images en temps réel effectué avec des ultrasons. La cytoponction Prélevement de cellules ou de liquide sur la tumeur. La Microbiopsie échoguidée Prélèvement de fragment de tissus sur la tumeur.
24. 18 III. 10. Mammographies MLO, MedioLateral-Oblique CC, Cranio-Caudal
25. 19 III. 10. Echographie Échographie montrant une masse bénigne
26. 20 III. 10. La Cytoponction et la Microbiopsie échoguidée Cytoponction d'une tumeur.
27. 21 III. 11.Traitements La chirurgie La radiothérapie La chimiothérapie L’hormonothérapie
28. 22 IV.Intelligence Artificiel
29. 23 IV. Intelligence Artificiel
30. 24 IV. 1. L’Intelligence Artificiel est déjà là
31. 25 IV. 1. L’Intelligence Artificiel est déjà là
32. 26 IV. 2. Les domaines d’évolution de l’IA
33. 3 IV. 4. Intelligence Artificiel 27 100% programmés par l’Homme. Phase 3 Horizon 2030 Phase 2 2010 – aujourd’hui Phase 1 1960 - 2010 Machine Learning & Deep Learning Horizontale / Transversale Algorithmes On ne programme plus les machines. On les éduque ! Capable de multiplier les disciplines et de les croiser. Phase 4 Inconnue La phase ultime Intelligence artificielle FORTE Intelligence conceptuelle: - Langage - Raisonnements complexes
34. 28 V. Machine Learning
35. 29 V. Machine Learning Machine Learning Machine Learning est une moyen d’enseigner une machine en alimentant d’une grande quantité de données. Un Modèle est un formule mathématique résultant de la mise en œuvre d'un algorithme ML. Les algorithmes ML sont des concepts théoriques qui décrivent ce qu’il faut faire pour une tache spécifique.
36. 30 V. 1. Apprentissage Machine 1 2 3 4 5 01 Données d’Entrainement 02 Apprentissage 03 Analyse des erreurs ensuite le Modèle statique est créé 04 Application du Modèle sur les nouvelles données 05 Prédictions
37. 31 V. 2. Types de Machine Learning
38. 32 Régression Classification Association Classification Clustering Control Prédiction du prix d’une maison Imagerie Médicale Segmentation des Données Analyses du Panier des produits Classification Texte Lane-Finding sur les Données GPS Voiture Autonome Types d’apprentissage en Machine Learning Marketing Réseaux Variable cible continue Unsupervised Learning Semi-Supervised Learning Supervised Learning Variable cible disponible Variable cible non disponible Clustering Variable cible catégorique Variable cible non disponible Variable cible catégorique Reinforcement Learning Classification
39. 33 V. 3. SUPERVISED LEARNING Le supervised Learning consiste à donner à la machine un ensemble de données labellisés en entrée (données d’entraînement) et il est composé de deux catégories qui sont: Les problèmes de Régression Les problèmes de Classification
40. V. 4. SUPERVISED LEARNING 34 Supervised Learning soit un ensemble d’apprentissage composé de 𝑁 exemples de pair entrée-sortie : (𝒙 𝟏 , 𝒚 𝟏 ), (𝒙 𝟐 , 𝒚 𝟐 ), … , (𝒙 𝑴 , 𝒚 𝑴 ) Chaque 𝑦(𝑖) a été généré par une fonction 𝑭 𝒙 = 𝒚 inconnue, le but est découvrir la fonction 𝑓 qui se rapproche de 𝐹. En représentation un peu plus mathématiques en Surpervised Learning, on reçoit en entrer des données d’exemple annotées : (x 1,y1), (x2,y2), (x3,y3),… et on prédit la sortie sur une nouvelle observation : x∗ → y∗
41. 35 V. 5. UNSUPERVISED LEARNING Modèle Trouver les patterns Chercher les ensembles L’ensemble des données d’apprentissage
42. 36 V. 6. UNSUPERVISED LEARNING Unsupervised Learning dans ce cas l’algorithme doit découvrir par lui- même les structures des données les ciblées selon leurs attributs disponibles, pour les classer en groupes. Et on découvre la relation avec des variables latentes structurelles : 𝑥𝑖 → 𝑦𝑖 En représentation un peu plus mathématiques en l’apprentissage non- supervisé, on reçoit uniquement des observations brutes de variables aléatoires : 𝒙𝟏, 𝒙𝟐, 𝒙𝟑, 𝒙𝟒, 𝒙𝟓, …
43. 37 V. 7. Neurone humaine neurone émetteur influx nerveux neurone récepteur dendrites
44. 𝑋1 38 V. 8. Neurone Artificiel
45. 𝐗𝟏 𝐗𝟐 𝐗𝟑 39 V. 8. Neurone Artificiel
46. 𝐗𝟏 𝐗𝟐 𝐗𝟑 Inputs 40 V. 8. Neurone Artificiel
47. 𝐗𝟏 𝐗𝟐 𝐗𝟑 Poids 𝐖𝟏 𝐖𝟐 𝐖𝟐 41 V. 8. Neurone Artificiel
48. 𝐗𝟏 𝐗𝟐 𝐗𝟑 𝐖𝟏 𝐖𝟑 𝐖𝟐 b Bias 42 V. 8. Neurone Artificiel
49. 𝐗𝟏 𝐗𝟐 𝐗𝟑 𝐖𝟏 𝐖𝟑 𝐖𝟐 𝐗𝐢 𝐖𝐢 + 𝐛 43 V. 8. Neurone Artificiel
50. 𝐗𝟏 𝐗𝐢 𝐖𝐢 + 𝐛 𝐗𝟐 𝐗𝟑 𝐖𝟏 𝐖𝟑 𝐖𝟐 Fonction d’Activation 𝝈 Output 44 V. 8. Neurone Artificiel
51. 𝐗𝟏 𝐗𝟐 𝐗𝟑 𝐖𝟏 𝐖𝟑 𝐖𝟐 Fonction d’activation 45 V. 8. Neurone Artificiel
52. 𝐗𝟏 𝐗𝟐 𝐗𝟑 𝐖𝟏 𝐖𝟑 𝐖𝟐 Sigmoid function 𝒇 𝒙 = 𝟏 𝟏 + 𝒆−𝒁 46 V. 8. Neurone Artificiel
53. V. 9. Réseaux de Neurones : fonction Sigmoïde 𝐗𝟏 𝐗𝟐 𝐗𝟑 𝐖𝟏 𝐖𝟑 𝐖𝟐 𝒛 = 𝐗𝐢 𝐖𝐢 + 𝐛 𝒇 𝒛 = 𝟏 𝟏 + 𝒆−𝒁 𝐗𝐢 𝐖𝐢 + 𝐛 𝒇 Output 1 b Sortie du neurone = 𝒀 = 𝒇(𝒙𝟏𝒘𝟏 + 𝒙𝟐𝒘𝟐 + 𝒙𝟑𝒘𝟑 + 𝒃) 𝒇 𝒛 = 𝟏, 𝒛 ≥ 𝟎 𝟎, 𝒛 < 𝟎 47
54.  Avantages : oCapacité à découvrir les dépendances par lui-même ; o Résistance aux bruits.  Inconvénients o C’est un modèle boite noire qui n’explique pas ses décisions. V. 9. Avantage et Inconvénients 48
55. 49 VI.Deep Learning
56. VI. 1. Concept du Deep Learning 50 Synapse Neuronale Réseaux de Neurones simple Réseaux de Neurones profonds
57. VI. 2. Les Différents Types D’architecture Deep Learning 51 Deep Neural Network (DNN) Deep Belief Network Les Réseaux de Neurones Réccurents Les Réseaux de Neurones Convolutionels
58. 52 Relation entre IA, ML et DL Technique qui permet aux machines d'imiter le comportement humain Sous-ensemble de l‘Intelligence Artificielle (IA) utilisant des méthodes statistiques pour permettre aux machines de s'améliorer avec l'expérience Sous-ensemble du Machine Learning (ML) permettant le calcul d'un réseau de neurones multicouches
59. 53 VII.CNN
60. VII.1. Image en CNN 54
61. 55 VII.2. Les différents couches CNN La Couche CONV La couche ReLU La couche POOL La couche Flatten La couche Fully Connected On applique une fonction pour classifier
62. 56 VII.3. Construction d’un CNN CLASSIFICATION EXTRACTIONDES CARACTÉRISTIQUES INPUT CONVOLUTION + RELU POOLING FLATEEN FULLY CONNECTED SOFTMAX POOLING CONVOLUTION + RELU
63. 57 CONVOLUTION DES CARACTÉRISTIQUES IMAGES VII.4. Couche de Convolution: Le Filtre
64. Convolution avec un filtre de 3 × 3 1 2 3 4 5 6 7 11 12 13 14 15 16 17 21 22 23 24 25 26 27 31 32 33 34 35 36 37 41 42 43 44 45 46 47 51 52 53 54 55 56 57 61 62 63 64 65 66 67 71 72 73 74 75 76 77 Pas de pixel = 2 108 126 288 58 VII.5. Couche de Convolution: Le pas 1 + 2 + 3 + 11 + 12 + 13 + 21 + 22 + 23=108
65. 59 VII.6. Couche ReLU 𝑓 𝑥 = 0, 𝑥 < 0 𝑥, 𝑥 ≥ 0
66. 1 8 5 6 3 4 0 2 5 9 5 7 1 1 1 8 9 4 7 4 60 VII.7. Couche de Pooling
67. x y 61 VII.7. Couche de Pooling
68. 62 VII.7. Couche de Max Pooling
69. x y 63 VII.7. Couche de Max Pooling
70. x y 1 8 5 6 3 4 0 2 5 9 5 7 1 1 1 4 64 VII.7. Couche de Max Pooling
71. x y 1 5 6 3 0 2 5 5 1 1 1 8 9 4 7 8 9 7 4 4 65 VII.7. Couche de Max Pooling
72. 1 8 5 6 3 4 0 2 5 9 5 7 1 1 1 4 4 5 3 3 x y 66 VII.8. Couche d’Average Pooling
73. VII.9. La Couche Flatten 67 8 9 4 7 8 9 4 7 Aplatissement
74. VII.10. Couche entièrement connecté FC 68
75. 69 PROBABILITÉS o SOFTMAX INPUTS S 𝑦𝑖 = 𝑒𝑦𝑖 𝑖=1 𝑘 𝑒𝑦𝑖 → 𝑝 = 0.7 → 𝑝 = 0.2 → 𝑝 = 0.1 𝑦 2.0 → 1.0 → 0.1 → probabilités = 0.7 + 0.2 + 0.1 = 1 VII.11. La Fonction Softmax
76. 70 VII.12. Transfert Learning en CNN
77. 1994 2012 2013 2014 2014 2015 Alexnet Alex Krizhevsky, Ila Sutskerer et Geoffrey Hinton Le Net Yann LeCun ZFnet Matthew Zeiler et Rob Fergus VGGNet VGG (Groupe de Géométrie Visuelle) de l'Université d'Oxford. GoogleNet /Inception L’équipe de chercheur de Google. ResNet L’équipe de chercheur de Microsoft. VII. 13. Les modèles pré-entrainés célèbres 71
78. 72 VIII.Résultats et Interprétations
79. 73 VIII. 1. Présentations des Outils
80. 74 VIII. 2. Architecture de notre modèle
81. 75 VIII. 3. Résultats et Interprétations Trois (3) Types de classification Création de 3 ensemble d’apprentissages suivant les labels ci-dessous. Classification binaire Normal et Anormal Classification Normal, Bénin et Malin Classification Normal, Bénin Mass, Bénin Calcification, Malin Mass, Malin Calcification 99% 68% 39%
82. 76 VIII. 4. Cas 1 : Normal et Anomalie présente
83. 77 VIII. 4. Cas 1 : Normal et Anomalie présente Valeur prédite anormal normal Vrai valeur anormal 14 VP 6 FP normal 9 FN 11 VN
84. 78 VIII. 5. Cas 2 : Normal Bénin et Malin
85. 79 VIII. 5. Cas 2 : Normal Bénin et Malin Valeur prédite Benin Malin Normal Vrai valeur Benin 41 VP 26 97 Malin 31 15 VP 85 Normal 24 6 75 VP
86. 80 VIII. 6. Cas 3 : Normal Bénin masse, Malin masse, Bénin calcification et Malin calcification
87. 81 VIII. 7. Cas 3 : Normal Bénin masse, Malin mass Bénin calcification et Malin calcification Valeur prédite Benin Mass Malin Malin Calc Malin Mass Normal Vrai valeur Benin 17 VP 2236 0 7 35 Benin Mass 3131 36 VP 0 6 26 Malin Calc 6 24 0 VP 8 21 Malin Mass 12 27 0 5 VP 28 Normal 15 44 750 VP 7 39 VP
88. 82 Démonstration
89. CONCLUSION 83
90. PERSPECTIVES 84
91. MERCI DE VOTRE ATTENTION

Editor's Notes

Le terme décision médical renvoi au choix d’une action à faire.
Selon la complexité pour la prise de décision, il est souvent utile de faire appel à une aide extérieur.
Le processus de la décision médical consiste entre autres à poser le diagnostic.
Dans le cas du cancer du sein cette diagnostic passe par un ensemble d’examen dont la mammographie qui est l’examen de premier instance cet diagnostic doit être précis et rapide pour que le médecin puissent proposer un traitement ou différer.

Or avec la prouesse de calcul des machines
Le stockage massif des données dans les serveurs
On est entrain d’assister à un monde completement boulverser par l’accroissement des performance de l’IA notamment avec le ML, DL.
Notre objectif seras de trouver de donnée mammographie et une machine puissant pour faire un apprentissage machine avec les mammographies.
Pourquoi ce projet cancer Et IA
De nos jours on est l’avennement de palier l’informatique à la médecine
Aide à la décision mais la décision final c’est le médecin qui décider à la fin
associer la médecine avec l’informatique
1.Comprendre le domaine, les connaissances préalables et les objectifs
2. Collecte, Sélection, nettoyage et prétraitement des données
3. Modèles d'apprentissage
4. Tester et Interprétation des résultats
5. Consolidation et déploiement des connaissances découvertes
ACR 0 nécessite une évaluation d'imagerie supplémentaire et / ou une mammographie antérieure à des fins de comparaison.
https://www.diagnosticimaging.com/article/confused-about-bi-rads-0-here-are-guidelines-help-you-along
Un sein normal est reparti en quatre types :
Type A : le sein présente plus de graisse que de glande (chez les personnes âgées) ;
Type B : le sein présente plus de glande que de graisse ;
Type C : le sein présente plus de glande que de graisse ;
Type D : le sein est glandulaire et tout à fait blanc (chez les jeunes filles).
Selon les cas observés, une ablation chirurgicale peut être nécessaire
Maligne propagation de la tumeur metastas
L’age : rare chez les moins de 30ans risque augmente entre 50 et 75
Les facteurs génétiques: si ql dans la famille (mère, grand-mère, tante..) prensence dans les chromosomes contrairement au maladie infectieuse
Les Risques hormonaux: puberté précoce ou ménopause tardive, enfant tardive
Alimention: Obésité, Consommation d’alcool, faible consomation de fruit et legumes
Le tabac: passif(inhaler involontérement) comme actif
La pilule: conception orale
THM: traitement Hormonal de la ménopause
Antécédent de cancer: recidive
FIG page 18: Cancer du sein Non-Infiltrant In situ: le cancer est dans les glandes ou le conduit du lait
Cancer canalaire In Situ (CCIS):cellules cancéreuses qui se sont formés dans les conduits du canal galactophore et bouche le conduit
Cancer Lobulaire In Situ (CLIS):CC dans les glande mammaire
Cancer du sien Infiltrant
Cancer canalaire Infiltrant (CCI): Sur les parois canaux galactorphores
Cancer du Sein Lobulaire Infiltrant(CLI): Risque plus élever d’être dans les deux seins
Page 24
MedioLateral-Oblique:MLO

Mammographie examen de 1 ere intension pour diagnostiquer une anomalie dans le sein CANCER DU SEIN la mammographie est plus spécifique
Page 25
Page 26
L'intelligence artificielle (IA) est « l'ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence ».

La technologie émergente de l'intelligence artificielle, ou IA, croise plusieurs techniques simulant les processus cognitifs humains.

'intelligence artificielle vise à comprendre comment fonctionne la cognition humaine et à la reproduire.
Les chatbots = ROBO
Et autres voiture autonomes qui ne fonctionne que sur la reconnaissance d’images
Tous intelligence actuel sont devenue indispensable
Phase1: phase des algorithmes
Phase2: ‘est la phase actuelle on programme pas les IA on les éduque! (transversale font une seule chose mais le fais bien)
Phase 3 : multiplier les taches
Phase 4:Concience d’elle-même et de son environnement

Livre: La guerre des intelligence de Laurent Alexandre : Chirurgien- Urologue
Page 35
jusqu’à ce que le nombre de tour sur les données soit terminer
Catégories=Branches=Types
Le mot « Supervisé » vient du fait que les données doivent être attribué par un humain donc un superviseur.
Un modèle de régression est un modèle de ML dont les sorties y sont des nombres (exemple: la température de demain). Un modèle de classification est un modèle de ML dont les sorties y appartiennent à un ensemble fini de valeurs (exemple : bon, mauvais).
NN : proposé par Warren McCulloch et Walter Pitts en 1943
Poids = Weight
La fonction d’activation d’un nœud definit la sortie de ce nœud à partir d’un entré ou un ensemble d’ensemble d’entré comme ce que illustre ce shemas (c’est la sortie d’un nœud )
Deep Learning Neural Network = Réseaux de Neurones profonds d’où le mot Deep
NN = Réseaux de Neurones simple
Le DNN prend en compte des paramètre tels que la taille(nbre couche et unités par couche) le réseaux parcours les couches en calculant la probabilités de chaque sortie

Le Deep Belief Network est un algorithme d'apprentissage non supervisé. Il est composé de plusieurs couches de nœuds cachées.

Les Réseaux de Neurones Réccurents sont des NN dans lequels l’info peut se propager dans les deux sens, en cela, ils sont plus proches du vrai fonctionnement du système nerveux, qui n’est pas à sens unique(classification des video)

Les Réseaux de Neurones Convolutionels : est inspirée de celle du cortex visuel des mammifères utilisé dans la classification des images
Matrice
Profondeur 3 couleur
Chaque couleur codé sous 8 bits
Diminuer le volume de l’image
Profondeur appliqué des noyaux sur l’images
Le Pas: nombre de pixels décalé
Forcé force les neurones à retouné une valeur positif lors du classement
Calcul de la moyenne
Enseignat – Eleve :un "transfert" d'informations du savant au novice
Un modèle pré-entrainé peut ne pas être précis à 100% dans des applications, mais il épargne d'énormes efforts pour réinventer la roue.
Ce sont les modèles qui sont déjà implémenté dans une API célèbre dont on va en parler par la suite.
LeNet: lecture code postaux
AlexNet plus pronfond, plus grand couche convolution empilé(60M de paramètre)
Inception: AVG pooling à la fin du réseau ce qui élimine une grande quantité de paramètre (4M paramètre)
basés sur l’idée 3 × 3 de VGGNet à d’autres fins ou dans d’autres domaines le plus célèbre est VGG16 et VGG19.
VGGNet: le premier finaliste et non le gagnant du concours ILSVRC (concours de reconnaissance visuelle à grande échelle ImageNet ) 2014
VGGNet bat GoogLeNet et a remporté la tâche de localisation dans ILSVRC 2014
Valid la machine s’auto evalut au cours de l’apprentissage
Remarque : Plus nos labels augmentent plus le pourcentage de prédiction diminue. En conséquent il faut plus de temps d’apprentissage pour avoir d'excellents résultats. Cependant, après 5 jour d’apprentissage, la mémoire de la machine est saturée, il ne répond plus. Donc on s’est arrêté à un training de 120 passage sur les données durant 5 jour.
Test clinique sont effectué toujours sur des animaux en premier ensuite sur des humains
Les médicaments que nous buvons ont été tester sur des animaux avant donc nous allons faire la même chose avant tous
Cette application est destinée à soutenir le personnel de santé dans leurs prises de décisions.
Limite 99,99 pourquoi pas 100%
Domaine en plein recherche
J’ai parler avec startupper américain installer au japon
Limite pas de machine puissant Si le docteur sais pas ou se trouve l’anomalie => collaboration future pour continuer
Oscar wilde

Travailler avec des mammographies locales
Faire le training (l’apprentissage) avec des machines dotés de GPU ou TPU puissantes en calcul avec bcp de mémoire RAM
Travailler avec des modèles plus profond
Faire la détection de l’anomalie sur l’image

Intelligence-artificielle-cancer-du-sein.pptx

You are reading a preview.

Check these out next

Intelligence-artificielle-cancer-du-sein.pptx

More Related Content

More from Aichétou Djimé Gallédou (8)

Recently uploaded (20)

Intelligence-artificielle-cancer-du-sein.pptx

Editor's Notes

Intelligence-artificielle-cancer-du-sein.pptx

You are reading a preview.

Intelligence-artificielle-cancer-du-sein.pptx

Recommended

More Related Content

More from Aichétou Djimé Gallédou (8)

Recently uploaded (20)

Intelligence-artificielle-cancer-du-sein.pptx

Editor's Notes