- Objectifs du Projet
- Jeu de Données
- Prétraitement
- Architecture du Modèle
- Résultats
- Déploiement
- Perspectives
Les lésions ligamentaires du genou affectent des millions de patients annuellement. Ce projet vise à automatiser le diagnostic à partir d'IRM pour :
- Réduire le temps d'analyse de 30 min à quelques secondes
- Standardiser les diagnostics (variabilité inter-radiologues : ±23%)
- Détecter les lésions subtiles souvent manquées
- Déchirures du LCA (Ligament Croisé Antérieur)
- Lésions méniscales
- Anomalies générales du genou
Source : MRNet-v1.0 (Stanford Medicine)
| Caractéristique | Détails |
|---|---|
| Examens d'entraînement | 1,130 IRM annotées |
| Examens de validation | 120 IRM |
| Format | .npy (NumPy arrays) |
| Résolution | 256×256 pixels (20-40 tranches) |
| Annotations | Binaires (0=normal, 1=anormal) |
📊 Compréhension des Données : Structure des données Images IRM au format .npy (tableaux NumPy) Chaque IRM contient 20 à 40 tranches en niveaux de gris Résolution originale : 256×256 pixels 🔢 Annotations binaires Anomalie générale : 0 = normal, 1 = anormal Lésion du LCA : 0/1 Lésion méniscale : 0/1 📑 Métadonnées Fichiers CSV contenant : Identifiant de l’examen (0000.npy) Label associé (0 ou 1) Fichiers : train-abnormal.csv, train-acl.csv, train-meniscus.csv 👁️🗨️ Aperçu des données Nombre d’IRM d’entraînement : 1130 Exemple de forme : (20, 256, 256) Après prétraitement : (1130, 3, 224, 224)
🧼 Prétraitement des images Conversion des fichiers .npy en tableaux NumPy Normalisation des pixels (valeurs entre 0 et 1) Sélection de 3 tranches centrales par IRM Redimensionnement à 224x224 Conversion au format float32 🔁 Augmentation de données (phase d'entraînement uniquement) Rotation aléatoire (±15°) Zoom (90-110%) Retournement horizontal (50 % de chance) 🏷 Préparation des labels Réplication des labels pour les 3 tranches Conversion en one-hot encoding pour l'entraînement multi-classes Dictionnaire {nom_fichier: label}
🧬 CNN Personnalisé
| Couche | Détails |
|---|---|
| Entrée | Image (224 × 224 × 1) |
| Conv2D | 32 filtres, taille 3×3, activation ReLU |
| MaxPooling2D | Taille 2×2 |
| BatchNormalization | - |
| Conv2D | 64 filtres, taille 3×3, activation ReLU |
| MaxPooling2D | Taille 2×2 |
| BatchNormalization | - |
| Conv2D | 128 filtres, taille 3×3, activation ReLU |
| MaxPooling2D | Taille 2×2 |
| BatchNormalization | - |
| Flatten | Mise à plat de la sortie des convolutions |
| Dense | 256 neurones, activation ReLU |
| Dropout | Taux de dropout : 0.6 |
| Dense (Sortie) | 1 neurone, activation Sigmoïde (classification binaire) |
Résultats Exactitude finale : ~82.82 % Perte finale : ~0.4483 Temps par epoch : ~270 secondes
📊 Métriques principales Exactitude (Accuracy) : 85.2 % Précision : 83.7 % Rappel (Recall) : 86.9 %
Application avec Streamlit L’application déployée permet : 📤 Téléversement d’IRM 🤖 Analyse automatique via 3 modèles dédiés : Détection des déchirures du LCA Détection des lésions méniscales Détection des anomalies générales 📊 Affichage des probabilités pour chaque diagnostic
lien de la presentation : https://www.canva.com/design/DAGlYnUA0vA/qSmh8j2uv9iusAls2yPYTA/edit?utm_content=DAGlYnUA0vA&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton
