Scribd
Importer
63 vues11 pages

Présentation

Le U-Net est un modèle de réseau de neurones convolutifs conçu pour la segmentation d'images, particulièrement dans le domaine médical. Il permet une segmentation précise des structures complexes grâce à son architecture unique, qui combine une partie contractante pour l'extraction des caractéristiques et une partie expansive pour la reconstruction des images. Cependant, il présente des limites telles que le besoin de grandes quantités de données annotées et des défis liés au sur-apprentissage et à l'adaptation aux nouvelles données.

Transféré par

Mureille Magne
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PPTX, PDF, TXT ou lisez en ligne sur Scribd
63 vues11 pages

Présentation

Le U-Net est un modèle de réseau de neurones convolutifs conçu pour la segmentation d'images, particulièrement dans le domaine médical. Il permet une segmentation précise des structures complexes grâce à son architecture unique, qui combine une partie contractante pour l'extraction des caractéristiques et une partie expansive pour la reconstruction des images. Cependant, il présente des limites telles que le besoin de grandes quantités de données annotées et des défis liés au sur-apprentissage et à l'adaptation aux nouvelles données.

Transféré par

Mureille Magne
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PPTX, PDF, TXT ou lisez en ligne sur Scribd

U-Net

INTRODUCTION
Le CNN U-Net est un modèle de réseau de neurones convolutifs
spécialisé dans la segmentation d'images. Conçu principalement pour
les applications médicales, comme la segmentation des tissus ou des
organes.

 Importance de la segmentation d'images :


- Essentielle dans des domaines comme l’imagerie médicale (IRM,
scanner, radiographie).
- Permet de faciliter le diagnostic et la prise de décision.
Contexte et Objectifs
• Contexte :
- La segmentation d'images médicales est un défi majeur en raison de la
complexité des structures anatomiques à segmenter et de la nécessité d'une
grande précision.
- Les modèles traditionnels peinent à maintenir une résolution fine tout en
capturant des informations contextuelles.
• Objectifs du projet :
- Développer un modèle basé sur U-Net pour améliorer la segmentation
d'images médicales.
- Créer un modèle capable de segmenter précisément des structures
complexes comme les tumeurs, organes, etc.
Qu'est-ce qu'U-Net ?
Le U-Net est un type d'architecture de réseau de neurones
convolutifs (CNN) spécifiquement conçu pour des tâches de
segmentation d'images, en particulier dans des applications
médicales, comme la segmentation des tissus, des organes ou
des structures dans des images médicales (par exemple, IRM,
scanner, radiographies). Il a été introduit en 2015 par Olaf
Ronneberger, Philipp Fischer, et Thomas Brox dans un article
intitulé "U-Net: Convolutional Networks for Biomedical
Image Segmentation".
L'architecture du U-Net est particulièrement adaptée pour les tâches où
une segmentation précise des objets à l'échelle du pixel est nécessaire.
Contrairement à d'autres architectures de réseaux de neurones
classiques, le U-Net est conçu pour être efficace même avec des
ensembles de données relativement petits, ce qui le rend très pertinent
pour les applications médicales où l'annotation des données peut être
coûteuse et difficile.
Architecture du Modèle
• Structure de l'architecture U-Net :

Partie Contractante (Encodeur) : Extraction des caractéristiques de


l'image avec des convolutions suivies de pooling.
Partie Expansive (Décodeur) : Reconstruction des dimensions de
l'image avec des convolutions transposées.
Connexions de Saut (Skip Connections) : Permettent de conserver
les détails fins tout en maintenant le contexte.
Diagramme de l'architecture U-Net
Applications

• Imagerie Médicale
• Segmentation des Cultures
• Surveillance et Sécurité
• Applications dans la Reconnaissance d'Images Satellitaires
Limites et Défis
Limites du modèle U-Net :

- Besoin de grandes quantités de données annotées : La


performance du modèle peut être limitée par la disponibilité
de données étiquetées.

- Difficulté avec des images de très grande taille : La mémoire


et les ressources de calcul sont sollicitées pour des images de
haute résolution.
Limites et Défis
Défis du modèle U-Net :

- Sur-apprentissage (Overfitting) : Risque de sur-apprentissage


si les données sont limitées ou mal équilibrées.

- Adaptation aux nouvelles données : Le modèle peut avoir du


mal à s'adapter à de nouveaux types de données sans une phase
de réentraînement adéquate.
Conclusion

Vous aimerez peut-être aussi