Rapport de Travaux Pratiques
Ce TP a été réalisé par:
- Kheirat Mohamed Ilias
- Hemmaz Mohamed Amine
Option: Intelligence Artificielle et Apprentissage (IAA)
Groupe: 2
Module: Imagerie Médicale
Détection du Cancer par Analyse d'Images Médicales
Introduction
Durant ce TP, nous avons travaillé sur un projet passionnant: développer un
système capable de détecter le cancer à partir d'images médicales. L'objectif
était de créer un outil qui pourrait aider les médecins dans leur diagnostic, en
analysant automatiquement les images de tissus pour identifier les zones
potentiellement cancéreuses.
Comment avons-nous préparé nos données?
Pour commencer, nous avions trois dossiers d’images:
1. Un dossier "Cancer" contenant les images de tissus malades
2. Un dossier "NoCancer" avec les images de tissus sains
3. Un dossier "TESTING" pour tester notre système
La première étape a été de préparer ces images pour qu'elles soient
exploitables par notre système. Voici ce que nous avons fait, étape par étape:
- Nous avons d'abord transformé toutes les images en noir et blanc (niveaux
de gris). C'est plus simple à analyser et ça contient déjà l'information
importante.
- Pour chaque image, au lieu de l'analyser en entier, nous l'avons découpé en
8 morceaux (comme une grille 4×2). L'idée était qu'en regardant des zones
plus petites, on pourrait mieux repérer les détails suspects.
- Pour chaque morceau, nous avons créé un "histogramme" - c'est comme un
graphique qui nous dit combien de pixels il y a pour chaque niveau de gris.
Nos méthodes de détection
Nous avons essayé deux approches différentes:
1. La méthode KNN (K plus proches voisins)
- C'est comme si on disait: "Montre-moi les 3 images qui ressemblent le plus
à celle-ci dans notre base de données, et je vais me fier à la majorité."
- Cette méthode a bien marché, avec environ 75-80% de bonnes réponses.
2. Notre méthode personnalisée
- Ici, nous avons créé une sorte de "modèle type" pour les tissus cancéreux et
les tissus sains.
- Pour chaque nouvelle image, on regarde si elle ressemble plus au modèle
cancer ou au modèle sain.
- Cette méthode a donné environ 72% de bonnes réponses.
Ce qui a bien marché et ce qu'on pourrait améliorer
Les points positifs :
- Nos deux méthodes donnent des résultats corrects, avec plus de 70% de
bonnes détections.
- Le système est rapide et facile à comprendre.
- On n'a pas besoin d'énormément d'images pour que ça marche.
Ce qu'on pourrait améliorer :
- Utiliser l'intelligence artificielle moderne (réseaux de neurones) pourrait
donner de meilleurs résultats.
- Ajouter plus d'images dans notre base de données rend le système plus
fiable.
- Analyser d'autres aspects des images (pas juste les niveaux de gris) pourrait
aider.
La methodology:
Conclusion
Ce TP nous a permis de créer un système qui, même s'il n'est pas parfait,
pourrait vraiment aider les médecins dans leur travail. Avec un taux de
réussite de plus de 70%, c'est un bon point de départ, mais il devrait
continuer à l'améliorer avant de l'utiliser dans un vrai hôpital.
Le plus encourageant, c'est qu'avec des techniques plus modernes
d'intelligence artificielle, on pourrait probablement faire encore mieux. C'est
un premier pas prometteur vers des outils qui aident les médecins à sauver
des vies.
