Etudiant : EL KHADRAOUI ZAKIA

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. RIFFI JAMAL

Annèe : 2022

Résumé : L'imagerie médicale, qui inclut les radiographies, les échographies et les IRM, nécessitait généralement la flexibilité d'un œil humain pour détecter les anomalies. Les ordinateurs sont souvent confus en présence d'arrière-plans chargés et de problèmes liés à la qualité de l'image, tels que la réflexion spéculaire. Il est ainsi extrêmement difficile pour les algorithmes de vision industrielle classiques de localiser un objet ou une zone d'intérêt avec précision, en particulier pour identifier les anomalies sur une scène non structurée. Identifier la zone d'intérêt tout en ignorant les caractéristiques non pertinentes peut s'avérer long et difficile, voire impossible, pour les systèmes automatiques. Cependant, l'analyse d'images basée sur le deep learning peut aujourd'hui automatiser la recherche d'anomalies biologiques de façon fiable, reproductible et robuste. Cette avancée révolutionne le rôle des radiologues modernes, qui peuvent désormais tirer parti d'un diagnostic assisté par ordinateur des images médicales. Qu'il s'agisse de la recherche d'une anomalie spécifique, telle qu'une tumeur, ou de toute différence par rapport à l'aspect normal du corps, Cognex Deep Learning combine la flexibilité de l'œil d'un inspecteur humain avec la vitesse et la fiabilité d'un système informatique. Grâce aux deux outils spécialisés qu'il intègre, le processus est grandement facilité. L'outil de localisation identifie la région d'intérêt, comme un certain organe, même lorsque l'arrièreplan est visuellement déroutant ou mal contrasté. L'outil de détection des défauts utilise un ensemble d'images d'entraînement pour développer un modèle de référence de l'apparence normale de cet organe, ainsi que des types spécifiques d'anomalies, afin de pouvoir signaler comme défauts toutes les anomalies qui s'écartent de la physiologie normale de la zone ciblée.