memoire de master - ao.um5.ac.ma

Royaume du Maroc

Ministère de l’Education Nationale, de la Formation Professionnelle, de

l’Enseignement Supérieur et de la Recherche

UNIVERSITE MOHAMMED V de RABAT

FACULTE DE MEDECINE ET DE PHARMACIE DE RABAT

MEMOIRE DE MASTER

MASTER DE BIOTECHNOLOGIE MEDICALE

OPTION : Biomédicale

Thème

Système d’aide à la décision pour classification des leucémies

aiguës lymphoblastiques par réseaux de neurones à convolution

(Deep Learning)

Présenté par : Encadré par :

SAID JADIDI Dr. MOUNEEM ESSABBAR

Promotion : Décembre & 2020

Jury de soutenance :

Président : Azedine IBRAHIMI, Professeur, Faculté de Médecine et Pharmacie Rabat

Encadreur : Mouneem ESSABBAR, Doctorant, Faculté de Médecine et Pharmacie Rabat

Examinateur 1: Nom & Prénom, Grade, Affiliation

Dédicace

SAID JADIDI Dédicaces

A mes chers parents

Pour tous leurs sacrifices, leur amour, leur tendresse, leur soutien et leurs prières

tout au long de mes études,

A mes chères sœurs

Pour leurs encouragements permanents, et leur soutien moral,

A mes chers frères

Pour leur appui et leur encouragement,

A toute ma famille

Pour leur soutien tout au long de mon parcours universitaire,

A mon cher et dynamique Docteur encadrent Mr. Mouneem Essebbar

Vous avez toujours été présent, un remerciement particulier et sincère pour tous

vos efforts fournis tout le long de ce projet, Pour vos renseignements, votre

patiente, le temps passé en commun.

A notre cher amoureux Professeur Mr. Aezddine Ibrahimi

Pour vos efforts fournis pour nous offrir un enseignement de qualité, et

promouvoir notre master et notre faculté en général. Que ce travail soit un

témoignage de ma gratitude et mon profond. Espèrent que ce travail sera

satisfaisant

A toute personne

Qu’a contribué à la réussite de ce travail

Que ce travail soit l’accomplissement de vos vœux tant allégués, et le fruit de

votre soutien infaillible,

Merci d’être toujours là pour nous

Remerciements

SAID JADIDI Remerciement

En préambule à rapport de projet de fins d’études nous remerciant ALLAH qui

m’a aidé, et m’a donné de la patience, et le courage durant ces langues années

d’étude.

Je souhaite adresser mes remerciements les plus sincères aux personnes qu’ont

m’apporté leur aide et qui ont contribué à l’élaboration de ce projet ainsi qu’à la

réussite de cette année universitaire.

Ces remerciements vont tout d’abord au corps professoral et administratif de la

faculté de Médecine et Pharmacie Rabat, et en particulier le laboratoire de

biotechnologie pour la richesse et la qualité de leur enseignement, et qui déploient

de grands efforts pour nous assurer une formation de haut niveau.

je tiens à remercier sincèrement et très chaleureusement Dr. Mouneem Essebbar

qui m’a permis de bénéficier de son encadrement, les conseils qu’il nous a fourni,

la patience, la confiance qu’il nous a témoigné ont été déterminants dans la

réalisation de mon projet.

Mes remerciements sont adressés également au Pr. Azeddine Ibrahimi pour son

accueil, et son coopération lors des recherches des sujets. Nous sommes

reconnaissants pour le temps qu’il nous a consacré et son aide tout au long de

cette expérience enrichissante.

Enfin, j’adresse mes plus sincères remerciements au doyen et toutes les équipes

pédagogiques et techniques de notre faculté pour leurs efforts fournies lors de

cette période critique pour nous offrir un environnent de travail à distance.

Résumé

Les leucémies sont des cancers de sang, ils se caractérisent par une affection de cellules

blanches de sang, dans tous les types des leucémies il faut réagir plus rapidement possible, la

première étape à procéder est le diagnostic, ce dernier doit être rapide fiable et assure. Le

développement d’un outil qui aide à accomplir cette mission est devenue indispensable.

Objectif :

L’objectif principal de notre travail est de développer un outil rapide et efficace basé sur

l’intelligence artificielle (IA) qui aide au diagnostic des leucémies aigues lymphoïdes

(LAL). L’autre objectif est comparer l’algorithme développé avec l’état d’art de la

littérature et les outils existants.

Méthodes :

Notre projet a été divisé en deux parties : une première qui est une bibliographie sur les

leucémies en détaille les causes, les symptômes pathologiques, techniques de diagnostic, et le

traitement. Une deuxième partie consacrée au développement de modèle et l’application web.

Le modèle est basé sur l’algorithme des réseaux des neurones de convolution (RNC), et sur

l’architecture AlexNet.

Matériels :

Pour réaliser notre projet nous avons appui sur un jeu de données récupérées auprès de Pr.

Fabio Scotti de l’université de Milan, Italie. L’Environnement de développement

ANACONDA était utilisé. Le Python 3.7 est le langage de programmation utilisé, pour

l’éditeur de texte on a choisi de travailler avec Spyder, et comme Web Micro frameWork

nous avons utilisé FLASK.

Résultats :

Le résultat de travail est une application accessible depuis n’importe quel appareil

mobile/desktop qui permet classifier. Il est issu également cette étude que la précision notre

modèle a atteint le seuil maximal pour tous la détection des leucémies aigues lymphoïdes

95%, pour la classification on a abouti à une précision 70%.

Abstract

SAID JADIDI Résumé

The main aim of our work is to develop a fast and effective tool based on artificial

intelligence which helps in the diagnosis of acute lymphoid leukemias. The other objective is

to propose a new algorithm and compare it with the algorithms already proposed in previous

works.

Methods:

Our project was divided into two parts: a first which is a bibliography on leukemias in

detail the causes, pathological symptoms, diagnostic techniques, and treatment. A second part

devoted to model development and the web application.

The model is based on the algorithm of convolutional neural networks, and on the

AlexNet architecture.

Materials:

To carry out our project we have a support on a data set recovered from Pr. Fabio Scotti

of the University of Milan, Italy. The ANACONDA Development Environment was used.

Python 3.7 is the programming language used, for the text editor on chose to work with

Spyder, and as Web Micro-frameWork we used FLASK.

Results:

It emerges from this study that the accuracy of our model has reached the maximum

threshold for all detection of acute lymphoid leukemia 95%, for the classification we have

achieved an accuracy of 70%.

Table des matières

SAID JADIDI Tables des matières

Liste des figures ............................................................................................................................. 14 Liste des tableaux .......................................................................................................................... 16 Liste des abréviations .................................................................................................................... 18 Introduction Générale ................................................................................................................... 20 Introduction ............................................................................................ Erreur ! Signet non défini.

1. Contexte ......................................................................................................................... 21 2. Enone de problème ........................................................................................................ 21

3. Les Objectifs ................................................................................................................... 22 CHAPITRE I : Synthèse Bibliographique ......................................................................................... 24 I. Leucémie aigüe lymphoïde ................................................................................................. 25

1. Définition ....................................................................................................................... 25

2. Historique ...................................................................................................................... 25

II. Physiopathologie ................................................................................................................... 28 1. Les symptomes ................................................................................................................ 28

III. Etiopathologie ....................................................................................................................... 28 1. Facteurs exogènes ......................................................................................................... 28

1.1 Facteurs physiques ......................................................................................................... 28

1.2 Facteurs chimiques ........................................................................................................ 28

1.3 Agents infectieux ........................................................................................................... 29

2. Facteurs endogènes .................................................................................................. 29

2.1. Facteurs génétiques constitutionnels : ........................................................................... 29

V. CLASSIFICATION .............................................................................................................. 29

3.1. Classification cyto-morphologique ........................................................................ 29

3.2. La cytochimie .............................................................................................................. 32

3.3. Cytogénétique ............................................................................................................. 32

IV. Diagnostic : ............................................................................................................................... 33

1. Hémogramme .......................................................................................................... 33

2. Examen du frottis sanguin : ...................................................................................... 34

3. Frottis médulaire ....................................................................................................... 34

V. Traitement et pronostic : ...................................................................................................... 35

1. Bases du traitement des LAL : .................................................................................... 35

2. La surveillance du traitement comprend : ................................................................. 35

VII. L’apprentissage approfondi et traitement d’image médicale : ....... Erreur ! Signet non défini. CHAPITRE II : Matériels et méthodes ............................................................................................ 37 I. MATERIEL : .................................................................................................................................. 38

1. Collecte des données : ....................................................................................................... 38

1.1. Prélèvement de sang et réalisation de frottis sanguin : ................................................ 39

1.2. La coloration MGG : ....................................................................................................... 39

2. Récupération des images microscopiques : ..................................................................... 40

II. Methodes : ................................................................................................................................. 44

SAID JADIDI Tables des matières

1. Les réseaux des neurones de convolution CNN : ............................................................. 44

1.1. c’est quoi une image ? :.................................................................................................. 44

1.2. Types d’images : ............................................................................................................. 44

2. La Convolution : .............................................................................................................. 45

3. Quelle est la valeur ajoutée des CNN ? .......................................................................... 47

3.2. Dans notre projet (implémentation): ............................................................................. 48

4. EXPREMENTATION : ....................................................................................................... 51

CHAPITRE III : Résultats & Discussion ............................................................................................ 53 I. Etablissement de modèle : ......................................................................................................... 54

1. Le premier modèle : ........................................................................................................... 54

1.1. La précision : .................................................................................................................. 54

1.2. La perte : ......................................................................................................................... 55

2. Le deuxième modèle : .................................................................................................... 55

2.1. La précision : ................................................................................................................... 56

2.2. La perte :......................................................................................................................... 56

3. Le Troisième modèle : .................................................................................................... 57

3.1. La précision : ................................................................................................................... 57

3.2. La perte :......................................................................................................................... 58

3.3. La matrice de confusion : ............................................................................................... 59

II. Construction de l’application Web : ...................................................................................... 64 CHAPITRE IV : Discussion Générale ............................................................................................... 60 Conclusion .................................................................................................................................. 63 Références Bibliographiques ......................................................................................................... 65 Annexes……….……………………………………………………………………………………………………………………………68

Liste des figures

Figure 1: Répartition des patients en fonction du sexe ......................................................................................... 27 Figure 2 : Aspect des blastes type L1 ..................................................................................................................... 31 Figure 3 : Aspect des blastes type L2 .................................................................................................................... 31 Figure 4 : Aspect des blastes type L3 .................................................................................................................... 32 Figure 5 : exemples d'images de base des données (IDB) 2. (A) une cellule de leucémie, (B) une cellule de

leucémie, (C) une cellule normale, (D) cellule normale. ....................................................................................... 38 Figure 6 : Sous-types selon la classification FAB. (A) type L1, (B) type L2, (C) type L3, (D) Une cellule non cancéreuse L3 Type ALL. ........................................................................................................................................ 39 Figure 7 : images microscopiques après rotation .................................................................................................. 41 Figure 8 : images microscopiques après application de l'effet miroir ................................................................... 41 Figure 9 : Le modèle HSV (A) une cellule de leucémie, (B) une cellule de leucémie, (C) une cellule normale, (D) cellule normale. ..................................................................................................................................................... 43 Figure 10 : schéma globale de l'étape de prétraitement ...................................................................................... 43 Figure 11 : Schéma de l’opération de la convolution, en particulier le balayage de la matrice ............................ 46 Figure 12 : Exemple de l’opération effectuée, dans ce cas on a utilisé le Max ...................................................... 46 Figure 13 : l’architecture générale des CNN .......................................................................................................... 47 Figure 14 : La réduction des dimensions de la carte caractéristique..................................................................... 48 Figure 15 : l’architecture proposée de notre réseau ............................................................................................. 50 Figure 16 : Schéma global de prétraitement des images ...................................................................................... 52 Figure 17 : courbe de la précision pour le train et la validation ............................................................................ 54 Figure 18 : la courbe de la perte sur le set de train et le set de validation ............................................................ 55 Figure 19 : courbe de la précision pour le train et la validation ............................................................................ 56 Figure 20 : la courbe de la perte sur le set de train et le set de validation ............................................................ 57 Figure 21 : Fig. courbe de la précision pour le train et la validation ..................................................................... 58 Figure 22 : courbe de la précision pour le train et la validation ............................................................................ 58

Liste des tableaux

SAID JADIDI Liste des tableaux

Tableau 1 : Répartition des cas en fonction de l'âge ............................................................................................. 27 Tableau 2 : Répartition selon la tranche d’âge chez les enfants ........................................................................... 27 Tableau 3 : Classification FAB des LAL................................................................................................................... 30 Tableau 4 : Aspect morphologique des lymphoblastes ......................................................................................... 34 Tableau 5 : le rapport de classification ................................................................................................................. 59 Tableau 6 : comparaison avec d’autres études ..................................................................................................... 62

Liste des abréviations

ADN: acide désoxynucleique

ARN: acide ribonulcéique

CM : cyto-morphologique

CNN : Les réseaux des neurones de convolution

Couleur HSV : teinte saturation valeur

Couleur RGB: Red, Green, Blue

CPU: Central Processing Unit

DH: Digital Health

Frottis sanguin: FS

FS: frottis sanguins

GB : Globules blanches

GPU: Graphic Processing Unit

GR : Globules rouges

Hb : hemoglobine

IA : l’intelligence artificielle

IP : L’immunophénotypage

Jeu de donnée : JD

LAL : Lucémie aigue lymphoide

LAM : Lucémie aigue meyloide

LCR : liquide céphalorachidien

LMC : Lucémie meyloide chronoque

MGG: May-Grünwald Giemsa

MO : la moelle osseuse

PLQ: plaquettes

Px: pixels

ReLU: fonction redresseure

RI : les rayonnements ionisants

RNC : neurones de convolution

Réseaux de neurones artificiels : RNA

SC : signes cliniques

SIM : Syndrome d’insuffisance médullaire

SVM : Support vector machine

t (9,22) : translocation entre chromosome 9 et 22

Introduction

SAID JADIDI Introduction

Les leucémies font partie des hémopathies malignes de populations sanguines caractérisées

par une prolifération maligne anormale d’un type bien précisé, sans régulation le

physiopathologique se manifeste par des troubles fonctionnelles de cellules sanguines qui ne

devient incapables d’accomplir leur mission [1].

Les leucémies sont de deux types : myéloïde qui touche les cellules de la lignée myéloïde et

les leucémies lymphoïdes qui touchent la lignée lymphoïde : lymphoblastes, on se base aussi

sur un deuxième critère qui est la chronicité et en effet on peut avoir dans les deux

précédentes catégories une deuxième classification, et comme bilan on aura 4 types : [1]

Leucémie myéloïde chronique

Leucémie myéloïde aigue

Leucémie lymphoïde chronique

Leucémie myéloïde aigue

1. Contexte :

Ce travail est le fruit d’une initiative de laboratoire de biotechnologie médicale de la

faculté de médicine et de pharmacie, après l’organisation de la 7éme session de la

journée internationale de la biotechnologie médicale, le thème de cette année était le

Digital Health (DH), elle a reconnu l’organisation des conférences, des formations, et

des tables ronds qui ont mis la lumière sur cette collaboration entre le digital et tout ce

qui technique et la santé. Le développement de l’informatique et l’apparition des

nouveaux domaines promissent ont facilité la monté de l’intelligence artificielle. Cette

dernière à ouvrir tout un vaste champ pour l’innovation et la recherche dans le sens de

l’amélioration les méthodes de diagnostic et le pronostic de maladies et aussi raccourci

le processus consultation et la communication médecin-patient d’une façon générale.

Notre laboratoire a fait un appel aux candidatures pour les titulaires des sujets de

recherche qui s’inscrivent dans le DH.

2. ENONCE DE PROBLEME :

La LAL prend naissance dans les cellules souches lymphoïdes anormales et évolue

rapidement [1], le diagnostic de la LAL ne se termine après la confirmation de la

présence de l’anomalie mais il est très important de déterminer le type également La


classification morphologique FAB reconnaissait trois groupes : L1, L2 et L3 [2]. La

classification repose sur l’expérimentation de l’hématologue, et n’a pas été encore

standardisé. La rapidité et la précision sont deux critères clés dans le diagnostic et le

traitement des LAL.

La LAL est généralement diagnostiquée en effectuant un test sanguin complet. [3] Dans

ce tes le médecin vérifié si le nombre de globules blancs augmente et avoir des signes

cellules leucémiques. Mais parfois, ces symptômes ne sont pas assez pour que le

médecin confirme que le patient a une leucémie.

Par conséquent, une autre méthode appelée aspiration de moelle osseuse [4] suivie d'un

examen microscopique des frottis sanguins [5] (FS) est effectuée pour confirmer que le

patient est diagnostiqué avec une leucémie. Tous ceux-ci différentes méthodes de

diagnostic de la leucémie sont manuelles qui dépendent entièrement des médecins

spécialistes formés professionnellement et de leur expérience. De plus, ces méthodes

manuelles peuvent être longues et coûteux.

L’IA présente un bon alternatif de la décision humain, une solution raisonnable et

efficace qui répond à la question en quelques secondes. Le développement d’un outil

informatique aide à la prise de la décision dans ce cas est devenu un besoin intense, dès

l’arrivé de patient et la susception d’une LAL le temps s’écoule très vite, et l’efficacité

de diagnostic devient une obligation envers le patient. Notre travail s’inscrire dans cette

vision de la digitalisation des processus de diagnostic des anomalies.

3. Les Objectifs :

L’objectif principal est de débarrasser des limitations mentionnées précédemment, et

développer un outil rapide et efficace qui aide au diagnostic, l’outil doit être gratuit et

accessible au personnel de santé. L’autre objectif est de proposer un nouvel algorithme

et le comparer avec les algorithmes déjà proposées dans des travaux précédents. Et

comme le bon diagnostic constitue à peu près la moitié de traitement, la finalité de notre

travail est l’amélioration des conditions de diagnostic et réduire le temps et augmenter

l’efficacité et la précision, ce qui privilège la bonne prise en charge et le traitement des

patients.

En outre on sait que le suivi des patients est très important et indispensable, notre outil


peut aussi servi dans le pronostic de cette maladie, ce qui aide à bien contrôler

l’évolution de maladie et l’amélioration des symptômes et la réponse aux traitements.


CHAPITRE I :

Synthèse Bibliographique

SAID JADIDI Synthèse bibliographique

Les leucémies aiguës (LA) constituent un groupe hétérogène d'hémopathies malignes

caractérisées par la prolifération clonale et incontrôlée de précurseurs hématopoïétiques

bloqués dans leur différenciation. Ils représentent entre 10 et 15% des hémopathies malignes

avec un taux d'incidence standardisé à la population mondiale inférieur à 6/100 000

habitants/an et un âge de survenue qui varie selon le type de leucémie [6]

I. Leucémie aigüe lymphoïde :

1. Définition :

La leucémie aiguë lymphoblastique (LAL) est une affection de la moelle

osseuse(MO) caractérisée par une prolifération clonale de cellules précurseurs de

lymphocytes appelées lymphoblastes malins.

2. Historique :

Vers 1850 : Les premières pas dans la description de la ‘’Leucémie’’ se produisirent

en plusieurs régions, en France, en Allemagne et en Grande Bretagne par David

Craigie et Alfred Donné. [7]

En 1850 : Ernst Neumann Christian a découvert la moelle osseuse du patient

décédé atteint de leucémie était anormale [8].

En 1947 : Le pathologiste Sydney Farber a démontré que l’aminoptérine peut

améliorer les symptômes chez les enfants [8].

En 1960 : deux chercheurs américains de l’université de Philadelphie, Peter Nowell et

David Hungerford ont découvert le caryotype des patients atteints de LMC la

présence d’un petit chromosome anormal qu’ils vont nommer « chromosome de

Philadelphie »

En 1962 : deux chercheurs Freireich Emil et Frei Emil ont arrivé à traité les patients

pour la première fois avec une combinaison de chimiothérapie [8].

En 1963 : Georges Mathé, il a été le premier à subir une greffe de moelle osseuse

allogénique au monde chez un étudiant en médecine de 19 ans, en rechute d’une LAL,

qui a reçu une irradiation totale du corps puis de la moelle qui est compatible d’un de

ses frères [8].

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4963173/#CIT0001


En 1970 : les chercheurs dirigée par l’immunologiste Leonard Herzenberg ont

développé la cryométrie en flux permettant l’analyse et le tri unicellulaire.

En 1973 : le Docteur Janet D. Rowley réussit à montrer que cette anomalie résulte

d’une « translocation », c’est-à-dire d’un échange de fragments génétiques entre un

chromosome 9 et un chromosome 22, lors de la division cellulaire.[ste

En 1980 : Découverte des gènes de fusion BCR ABL [9].

En 1990 : L'oncologue Brian Druker est le premier qui a découvert comment le gène

BCR ABL déclenche la divisions des globules blancs [9].

3. EPEDEMIOLOGIE :

Selon une étude rétrospective descriptive [10] et analytique de 60 cas de patients chez

lesquels une leucémie aiguë a été diagnostiquée a été effectuée entre Juin 2010 et Juin

2016 par une équipe de recherche de la faculté de médecine et pharmacie de Marrakech

les circonstances de découverte peuvent être résumés en :

La LAL a une incidence de 1,5 nouveau cas pour 100 000 habitants / an, soit environ 1000

nouveaux cas de LAL par an en France. Elle représente 80% des leucémies aigues de

l’enfant et 20% chez l’adulte, avec 2 pics de fréquence : chez l'enfant de 2 à 10 ans (75%

des cas sont diagnostiqués avant 6 ans) et chez l’adulte à partir de 50 ans. Elle est

légèrement plus fréquente chez les garçons que chez les filles (1,3/1). La LAL est plus

fréquente chez les Caucasiens, et plus rare dans la race noire. Elle très rare chez les

Européens adultes, environ 10000 cas diagnostiqués et confirmés chaque année.

Justification de choix de l’étude :

Dans notre projet on traite un problème de classification des leucémies aigues lymphoïdes

(LAL), dont les données sont des images collectés à partit des patients, une étude

préalable de LAL permettra de bien comprendre de la problématique et l’utilité de notre

travail. Cette étude satisfait notre besoin elle présente des données très intéressants pour

l’assimilation de la pathologie étudiée.


Tableau 1 : Répartition des cas en fonction de l'âge

Age Adultes Enfants

Pourcentage 70% 30%

Tableau 2 : Répartition selon la tranche d’âge chez les enfants

Tranche d’âge < 1 an 1-5 ans 6-10 ans > 10ans

pourcentage 11% 50% 22% 17%

Figure 1: Répartition des patients en fonction du sexe

Une prédominance masculine a été montrée.

La sexe-ratio des cas de LAM confondus était de 1,6 contre 1,3 pour les LAL

Une dominance au niveau de la population européenne et rareté chez la population africaine.

Avec une incidence de 1,7 pour 100.000 chez les blancs des Etats Unis par rapport à 0,9 pour

100.000 chez les Noirs [11]


II. PHYSIOPATHOLOGIE :

L’évolution maligne des cellules implique une différenciation dans l’acquisition des

propriétés de différenciation qui peut être bloquée dans un stade primaire ou la cellule ne peut

pas être considérée ni T ou B, on parle de leucémie nulle, ou dans un stade plus avancé ou les

cellules acquissent quelques propriétés différenciations B ou T [12].

1. LES SYMPTOMES :

Voici les premiers symptômes révélateurs :

Les leucémies sont révélées par plusieurs symptômes dont on compte la fatigue associée à

l’anémie et la fièvre, en plus d’une douleur osseuse, il arrive parfois que le patient souffre

des infections fréquentes et une perte d’appétit et de poids.[13]

III. ETIOPATHOGENIE :

Les causes de la LAL sont peu connues, une caractérisation des facteurs étiologiques

repose sur la distinction entre les facteurs génétiques endogènes et les facteurs

socioéconomiques et enviromentaux, le rôle de certains agents pathogènes comme le virus

d’Epstein-Barr et le virus VIH ont été confirmés [14].

1. Facteurs exogènes :

1.1 Facteurs physiques :

Depuis les années 1900, un ensemble des agents étiologiques y compris les rayonnements

ionisants (RI) en particulier chez les personnes qui ont vécu l’attaque nucléaire sur Hiroshima

et Nakasagi ont été confirmés comme des facteurs causent de la leucémie et d’autres cancers

lympho-hématopiétiques [16]. Elle peut être associée également à l'exposition professionnelle

aux RI chez les personnes impliquées dans l'industrie nucléaire [17].

1.2 Facteurs chimiques :

Plusieurs agents chimiques tel que : le benzène, les solvants organiques comme le

trichloréthylène ont été largement étudié et des corrélations preuvés. [18].

Cependant, des études ont montré un lien entre l'exposition de la mère durant la grossesse

aux pesticides et la leucémie chez le fœtus [19].


1.3 Agents infectieux :

Le rôle des agents infectieux a très souvent été étudié et confirmé, des études ont regroupé les

mécanismes d’action des agents en deux catégories selon leur mode d’action, ceux qui sont

responsables d’une activation de la division lymphocitaire par le biais du récepteur à

l’antigène cas de : bactéries comme Helicobacter pylori et virus de l’hépatite, et ceux qui

s’intègrent dans la cellule et se répliquent avec elle comme le HTLV-1 et l’EBV [20].

2. Facteurs endogènes :

2.1. Facteurs génétiques constitutionnels :

Différentes observations suggèrent l’intervention de facteurs génétiques, les sujets qui sont

atteints de trisomie 21 ont un risque 20 fois plus élevé d’avoir une LAL par rapport à les

personnes saines [21]. Les maladies héréditaires avec fragilité chromosomique comme

l'anémie de Fanconi ont également été associés à la présence de LAL [22].

IV. CLASSIFICATION :

La LAL peut être catégorisée en se basant sur plusieurs caractéristiques des cellules

lymphoblastiques comme la morphologie des cellules, des anomalies au niveau des

chromosomes. Des techniques complémentaires sont utilisées pour la classification des LAL

comme [38]:

− La morphologie : l’aspect des cellules au microscope.

− La cytochimie : la coloration des cellules à la présence des colorants spécifiques

− L’immuno-phénotypage : utilisation des anticorps pour détecter des protéines à la surface

ou à l’intérieur de la cellule.

− La cytogénétique et l’hybridation in situ : la détection des anomalies des chromosomes des

lymphoblastes.

_ La biologie moléculaire : la reconnaissance d’anomalies des gènes dans les cellules

leucémiques [9]

3.1. Classification cyto-morphologique (CM) :


La classification FAB est basée sur les caractéristiques cyto-morphologiques des cellules

leucémiques, elle décrit 3 groupes selon leur taille, l’aspect du noyau et du cytoplasme [14]:

Tableau 3 : Classification FAB des LAL

Subtypes Blastes Morphologie pourcentage(%)

L1

Petites rondes blastes, cytoplasme

peu abondant, noyau rond,

chromatine homogène et nucléole

indistinct

75%

L2

Blastes pléomorphes plus gros,

quantité modérée de cytoplasme,

noyaux irréguliers, chromatine

fine, un ou plusieurs grands

distincts.

20%

L3

De grandes blastes, une quantité

modérée de cytoplasme basophile

vacuolé rond à noyau ovale avec

chromatine pointillée et un ou

plusieurs noyaux distincts.

5%

On distingue les types : L1, L2 et L3 :

L1 : rare chez l’adulte mais fréquente chez l’enfant; les cellules sont petites, monomorphes, le

rapport N/C est haut, la basophilie est variable de faible à modérée.


Figure 2 : Aspect des blastes type L1

− L2, caractérisée par l’hétérogénéité des blastes, dans leur taille comme dans leur aspect, bas

rapport NC et basophilie variable du cytoplasme qui est intense (Figure 4)


-L3 : Grandes et homogènes cellules le rapport N/C est bas, cytoplasme intensément

basophile contenant des vacuoles. (Figure 5) (14).



3.2. La cytochimie :

a. la myélopéroxydase :

On trouve la myélopéroxydase négative (contrairement à la LAM).[14]

b. Classification immuno-phénotypique :

On distingue deux grands types IP :

- les LAL T: CD2 (+), CD7 (+), CD3 intra cytoplasmique, autres marqueurs T.

- les LAL B classiques : CD19, DR (+), CD10 (+ -), CD 20 (+-) NB : une forme particulière :

les B matures (LA de type Burkitt avec translocation (8;14)). (1,22)

3.3. Cytogénétique :

Fréquents chez 60%-70% des adultes atteints il s’agit des anomalies cytogénétiques ou moléculaires

récurrentes [29,30]. Cette classification repose sur l’aspect d’IP des blastes : soit phénotype B ou T. il

s’agit dans la plupart des cas des translocations.

a- Anomalies de structure dans les LAL de phénotype B

Translocation (9;22) (q34;q11) ou chromosome Philadelphie

La LAL à chromosome Philadelphie (Ph+) est l’anomalie chromosomique la plus

fréquente chez l’adulte (20-30%) [23]. L'incidence augmente avec l'âge à plus de 50% chez


les patients âgés de plus de 55 ans. En outre, t (9,22) est presque exclusivement dans les LAL

de phénotype B (LAL communes et pré-B) [24].

Translocation (4;11) (q21;q23)

La translocation (4;11) représente environ 3 à 8% des LAL de l’adulte [29]

Translocation (1;19) (q23;p13) :

La translocation (1;19) (q23;p13) est retrouvée avec une fréquence quasi-identique (5%)

dans les LAL de l’adulte et de l’enfant [34].

b- Anomalies de structure dans les LAL de phénotype T

La majorité des anomalies chromosomiques décrites dans les LAL-T impliquent les

gènes du récepteur T (TCR). Ces translocations sont retrouvées dans 30% des cas de LAL-T

[25].

Classification selon type de l’anomalie :

a - Autres anomalies de structure

Dans la plupart des temps on trouve des anomalies secondaires à type délétions partielles 6q,

9p, 12p ou plus rarement des isochromosomes (iso9q, iso17q, iso21q) ce qui entraine des

pertes de matériel génétique [25]. Ces anomalies de structure ne sont pas spécifiques à un type

de phénotype T ou B.

b - Anomalies de nombre et ploïdie

Une association entre des hyperdipoidies et augmentation de la chance pour l’évolution de la

maladie a été montrée. [26]

V. Diagnostic :

1. Hémogramme :

- Anémie, Hémoglobine parfois < 7 g/dL :

Normochrome, normocytaire, arégénérative (réticulocytes bas).


NB : une macrocytose en présence de LAL cause une carence des vitamines due au

consommation excessive de folates par les cellules tumorales. [3]

- Nombre de leucocytes :

Tout peut être observé de la cytopénie sanguine à la leucocytose majeure composée

principalement de cellules blastes. [3]

La neutropénie est fréquente, parfois sévère (<0,5 G / L).

- Dans la plupart des cas, la thrombopénie peut être sévère (<10 G / L) [3]

2 Examen du frottis sanguin :

Différenciation au niveau de de la morphologie entre les lymphocytes normales et les

blastes.

3. FROTTIS MÉDULLAIRE :

Habituellement richement cellulaire. Dans 10 % des cas, la moelle est hypocellulaire (liée

à une discrète myélofibrose). [3]

Mégacaryocytes : en général absents ou très rares (en rapport avec la thrombopénie)

Blastose médullaire habituellement > 90%

Tableau 4 : Aspect morphologique des lymphoblastes

Petits lymphoblastes (plus fréquents chez

l’enfant)

Grands lymphoblastes

Taille des blastes < 2 diamètres

lymphocytaires

> 2 diamètres lympho.

(hétérogène)

Chromatine =/- Fine Fine

Nucléole non visible 1 ou plus (>25% Bl)

Rapport N/C >0.9 0.7-0.9 (hétérogène)

Contour noyau Irrégulier 0.7-0.9 (hétérogène)

Basophilie cytopl. modérée variable

Vacuoles cytopl. non Non (ou rares)


VI. Traitement et pronostic :

Les anomalies cytogénétiques, le profil IP, l’hyperleucocytose, l’Hb, sont des facteurs

pronostiques importants. [2]

1. Bases du traitement des LAL :

On utilise d’abord un traitement d’induction combiné des : corticoïdes, vincristine,

asparaginase, et parfois anthracyclines, avec une prophylaxie de la méningite cérébrale puis

un traitement intensif (mêmes médicaments que précédemment), et finalement un traitement

d’entretien qui sure 24 mois. [2]

2. La surveillance du traitement comprend :

Au diagnostic :

Comptage des blastes sanguins à J8 d’un traitement avec corticoïdes (évaluer le nombre de

cellules sanguines; le nombre de J8 doit être inférieur à 1 G / L) ; étude de liquide céphalo-

rachidien ; la réalisation des myélogrammes après la cure d’induction, et en fonction des

schémas protocolaires (parfois cela peut expliquer la durée excessivement longue de la

cytopénie) ; on peut effectuer un myélogramme à l’arrêt du traitement. [3]

VII. L’apprentissage approfondi et traitement

d’image médicale :

L’intelligence artificielle a explosé le domaine de l’imagerie médicale et des tonnes des

travaux de recherche ont été effectués et d’autres sont lancés. Auparavant des méthodes

classiques ont été explorés par exemple le Support vector Machine (SVM) et les K proches

Voisins qui sont des méthodes statistiques qui sont développées par Chatap,N. and

Shibu,S[38] Ils ont discuté du concept du concept SVM et Nearest Neighbor. Il a expliqué à

propos de l'identification et du comptage des cellules sanguines dans le frottis sanguin en

utilisant des techniques de classification des images et à inclure dans un logiciel de traitement

d'images, qui permet à l'hématologue de diagnostiquer plus efficacement la LMA et Il a été

mentionné que les hématologues rencontrent souvent des difficultés identifier les sous-types

de LAM, en raison des similitudes de leur caractéristiques morphologiques. Après détection


de la LMA, les cellules blastiques doivent être classées en myéloïde aigu sous-type 3 (M3) ou

un des autres sous-types.

Ces dernières années les recherches sur la classification des leucémies sont principalement

basées sur des techniques de vision par ordinateur [41], [42]. L’algorithme le plus courant

dans cette approche consiste en plusieurs étapes rigides: prétraitement d'image, clustering,

morphologique

Filtrage, segmentation, sélection ou extraction de caractéristiques, classification et évaluation

[43]. La plupart des auteurs du la littérature a adopté des techniques d'apprentissage

automatique telles que K-proches voisin afin de détecter et de classer les cellules sanguines

dans les images... Au lieu de cela, l'apprentissage en profondeur peut apprendre et extraire

automatiquement les fonctionnalités de haut niveau et effectuer classification dans le même

temps. Par conséquent, nous proposons de travailler avec l’architecture des réseaux

neuronales convolutifs pour distinguer les images de cellules sanguines normales et

anormales. Cette technique qui été utilisée par Sarmad Shafique et all [39] qui ont exploité

l’architecture CNN et ils ont atteinte des bonnes résultats. Amjad Rehman et All [40] ont

utilisé la même technique mais avec une segmentation robuste et des techniques

d'apprentissage approfondi avec le réseau neuronal convolutif qui sont utilisées pour entraîner

le modèle sur les images afin d'obtenir des résultats de classification précis.

https://www.researchgate.net/scientific-contributions/69941467_Amjad_Rehman?_sg%5B0%5D=MS6V9m1sRj9Rc1uhkyZ8OzVxOhfptOoJ1tZGKQ7mw1rM_8-yok2d-cxBJVnGYL82zILAFt4.hZbZUBKbYOnV-o19L8xSK0OhnA-ToQWPFwpHdCfp_yV8BAcoB-f1lwL8Gr3AdYGkSKW6QL6ysFNhJZ3BrLomgQ&_sg%5B1%5D=qhjteutgNiBEB3rOVlYnoyUSI2kvhWkuL1h_N1jrqtVWOiNgUXnfjfNHUPPeHfhpsL6ujE0.DKM1NlCIb4RKdORNRWRKy5_lI1udHJRrqQ3cG21ZmTNNQ5ZJ1InyN6w1VF6G8qiq0MpvC1Yg62Or2HPO7cLqQg


CHAPITRE II :

Matériels et méthodes

SAID JADIDI Matériels et Méthodes

38

I. MATERIEL :

1. Collecte des données :

Les images utilisées dans ce projet ont été obtenues à partir de ALL-Image Ensemble de

données DataBase (IDB)[27], qui est un jeu de données public disponible en ligne (open

source). La récupération des données après le remplissage d’un formulaire de demande et

l’envoyer au Pr Fabio Scotti, le professeur d’informatique à l’université de Milan, Italie. Ce JD

a été divisé en 2 groupes.

Le premier groupe nommé IDB 1 se compose de 108 images : 59 les images provenaient de

patients en bonne santé et 49 images provenaient de patients atteints de leucémie.

Le deuxième groupe IDB 2 se compose de 260 images cellule : 130 images provenaient de

patients atteints de leucémie divisé en 3 groupes chaque groupe correspandant à un type de

leuciémie : L1, L2 L2 , et 130 étaient des images normales. Ces images avaient une résolution

de 257x257 avec une profondeur de couleur de 24 bits. Dans la figure 7, nous pouvons voir des

échantillons d'images cancéreuses et saines de la base de données ALL-IDB2.

Figure 5 : exemples d'images de base des données (IDB) 2. (A) une cellule de leucémie, (B) une cellule de

leucémie, (C) une cellule normale, (D) cellule normale.


39

Selon la classification FAB, 18 LAL ont été classés en 3 sous-types, qui étaient L1, L2 et L3.

Différents sous-types de TOUS sont illustrés à la figure 8 :

Figure 6 : Sous-types selon la classification FAB. (A) type L1, (B) type L2, (C) type L3, (D) Une cellule non

cancéreuse L3 Type ALL.

Dans un premier temps, ces images de patients affectées par la leucémie ont été classées en

trois catégories L1, L2, et L3 par un oncologue expert qui a étiqueté chaque image dans le sous-

type correspondant.

2. Préparation des images :

2.1. Prélèvement de sang et réalisation de frottis sanguin (FS) :

La réalisation d’un FS nécessite un prélèvement de sang périphérique des patients à partir de

coude de main, une conservation de sang dans un tube violet avec anticoagulant EDTA pour

une utilisation ultérieure. Par la suite un on étale une goutte de sang sur une lame avec une

degré d’inclinaison de 30 et le lisse sécher avant la coloration. (voir annexe I)

2.2. La coloration MGG :

La coloration MGG est une coloration utilisée en hématologie pour différencier entre les

cellules sanguines lors de la préparation cytologique.


40

Il contient deux colorants :

May-Grünwald: est un colorant acide contenant un colorant acide, l'éosine, et un colorant

basique, le bleu de méthylène.

Le Giemsa : contenant aussi de l'éosine, et un colorant basique, l'azur de méthylène.

Les composants cellulaires acides lieront sélectivement les colorants basiques. Ces

éléments sont considérés basophiles (ADN, le cytoplasme des lymphocytes riches en

ARN).

Les composants cellulaires basiques lieront sélectivement les colorants acides. Ces

éléments sont appelés éosinophiles (dans le cas de l'hémoglobine, qui est une protéine

basique contenue dans les globules rouges et les granules d'éosinophiles).

• Le composant qui fixe deux types de colorants est appelé neutrophiles.

3. Récupération des images microscopiques :

Après avoir effectué la coloration MGG, la lame est observée sous microscope optique équipé

avec une caméra numérique pour prendre des images pour chaque frottis. Les images obtenues

ont une résolution de 257x257 px.

3.1. Le prétraitement des images :

À la raison de manque des images notre modèle risque de ne pas avoir des données suffisantes

pour donner des bonnes prédictions, pour cela on a fait une augmentation des données par deux

méthodes :

3.2. La rotation :

L’avantage d'utilisation des rotations : c’est que on obtient des images strictement réelles et

différentes chacune par rapport à l’autre.

Chaque image de jeu de donnée a été rotacée avec plusieurs angles plusieurs angles allant de

0 jusqu’au 360 degrés avec un pas de 10 degrés.

Exemple de résultat :

https://fr.wikipedia.org/wiki/%C3%89osine

https://fr.wikipedia.org/wiki/Bleu_de_m%C3%A9thyl%C3%A8ne

https://fr.wikipedia.org/wiki/Giemsa

https://fr.wikipedia.org/wiki/%C3%89osine

https://fr.wikipedia.org/w/index.php?title=Azur_de_m%C3%A9thyl%C3%A8ne&action=edit&redlink=1


41

Les images sont ensuite recadrées, avec lequel les paries vides sont éliminées, pour

rotations différentes de, 90, 180, 270, 360

Figure 7 : images microscopiques après rotation

3.3. Le Flipping d’image :

Cet effet a pour objectif de créer plus d’images avec angle de vue différente, comme illustre

dans la figure suivante :

Figure 8 : images microscopiques après application de l'effet miroir


42

Bénéfice :

Le nombre des images a été augmenté de 130 aux 2600 images avec les proportions suivantes :

- Pour le type L1 : le nombre a été augmenté de 40 aux 960 images (36%)



Après l’augmentation des images le nombre dans chaque catégorie ne sont pas équilibré, donc

on a précédé à une égalisation de nombre des images à un nombre de la catégorie faible des

images. Maintenant chaque catégorie dans notre training set a le même nombre des images dans

chaque catégorie.

Coloration HSV :

Afin de trouver le modèle le plus performant il faut tester d’autre modalités de couleur, pour

cela nous avons créé un deuxième jeu de donnée des images avec la couleur HSV, cela rendre

notre application plus forte car il va s’habituer à travailler avec des images de différents

modalités de couleur, et va nous aider à trouver le JD qui rendre la précision la plus

performante.


43

Figure 9 : Le modèle HSV (A) une cellule de leucémie, (B) une cellule de leucémie, (C) une cellule normale, (D)

cellule normale.

Figure 10 : schéma globale de l'étape de prétraitement


44

II. METOHDES :

1. Justification de choix de modèle : Dans les années précédents, plusieurs modèles sont utilisées pour analyser et

segmenter les images, tels que : le support vector machine, K-means clustering algorithm,

les k plus proches voisins…etc., mais ces méthodes demandent plus de temps et

d’expérience de la part de manipulateur, mais le plus important et que ils donnent une

précision no satisfaisante. Les réseaux des neurones de convolution est une méthode

révolutionnaire, elle est inspirée de la machinerie humain, et elle se caractérise par sa

simplicité et rapidité et une haute précision, c’est pour cela on choisir de travailler avec

elle, une autre raison c’est que elle n’est pas encore bien explorée par les scientifiques..

2. Les réseaux des neurones de convolution CNN :

2.1. C’est quoi une image ? :

Une image numérique est constituée d'un ensemble de pixels (pixels) juxtaposés en lignes et

en colonnes. Un pixel (correspondant à un point ou un petit carré) est le plus petit élément que

l'on puisse trouver sur une image. Chaque pixel a ses propres caractéristiques, luminosité,

couleur, et luminosité, afin de pouvoir les distinguer et composer les images. [28]

2.2. Types d’images:

a. Image matricielle :

Elle est composée d'une matrice (tableau) de points à plusieurs dimensions, chacun représentant

une dimension spatiale (largeur, profondeur, hauteur), le temps (durée) ou d'autres dimensions

(par exemple, le niveau de résolution). [29]

b. Image 2D :

Dans le cas d'une image bidimensionnelle (la plus courante), ces points sont appelés pixels.

Dans une image numérique, cela équivaut au nombre de pixels qui composent l'image en

hauteur (axe vertical) et en largeur (axe horizontal): par exemple, 200 pixels sur 450 pixels.

[30], d'un point de vue mathématique :

https://www.geeksforgeeks.org/k-means-clustering-introduction/

https://fr.wikipedia.org/wiki/Math%C3%A9matiques


45

On considère l'image comme une fonction de ℝ x ℝ dans ℝ:

f(x, y) = p

Dans ce cas où la paire d'entrée est considérée comme un emplacement spatial, le singleton de

sortie est le code de l'image. Le code peut être de couleur. Les codes de couleur les plus

couramment utilisés sont RVB: rouge, vert et bleu.. la valeur maximale correspond au blanc, la

valeur 0 correspond au noir, et d'autres combinaisons donnent d'autres couleurs.[44]

Le codage couleur est effectué sur trois octets, chaque octet représente une valeur comprise

entre 0 et 250, donc le nombre de couleurs possibles est: 250 X 250 X 250 = 16,7 millions de

couleurs. (Voir Annexe II)

Lorsque l'image a une composante temporelle, nous l'appelons animation..[45]

Pour les images 3D, ces points sont appelés "voxels". Ils représentent un

volume.[46]

3. La Convolution :

a. C’est quoi la convolution ? :

Dans l'apprentissage automatique, les réseaux de neurones convolutifs ou réseaux de neurones

convolutifs (CNN ou ConvNet pour les réseaux de neurones convolutifs) sont un réseau de

neurones artificiels qui est acyclique, dans lequel la connexion entre les neurones est inspirée

par la cortex animale de la vision [31]. Les neurones de cette région du cerveau sont arrangés

de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel,

Leurs fonctionnement s'inspire des processus biologiques [32], Ils sont composés de

perceptrons multicouches dont le but est de prétraiter une petite quantité d'informations [33] .

Les réseaux de neurones convolutifs sont largement utilisés dans les systèmes de

reconnaissance et le traitement des d'images et de vidéos [34].

https://fr.wikipedia.org/wiki/R%C3%A9seau_neuronal_convolutif#cite_note-d%C3%A9tection_robuste_des_visages-2

https://fr.wikipedia.org/wiki/R%C3%A9seau_neuronal_convolutif#cite_note-LeCun-3

https://fr.wikipedia.org/wiki/R%C3%A9seau_neuronal_convolutif#cite_note-4


46

Figure 11 : Schéma de l’opération de la convolution, en particulier le balayage de la matrice

Dans chaque position on effectue une opération mathématique pour construire une image de

la fenêtre, il peut s’agit d’une comparaison entre les pixels et on prend le max ou min.

l’image précédente est transformée dans une nouvelle matrice de dimension inférieure à

celle de la matrice mère.

Figure 12 : Exemple de l’opération effectuée, dans ce cas on a utilisé le Max

Dans cet exemple l’opérateur va extraire le plus grand pixel c.-à-d. 255 dans le premier et la

deuxième fenêtre, 159 dans le troisième et 184 dans le 4éme et le 5éme fenêtre. Après chaque

opération on fait glisser la fenêtre avec un pas de 1 pixel horizontal et vertical.


47

b. Les réseaux des neurones de convolution : CNN

Les CNN sont des algorithmes de l’apprentissage approfondi utilisés dans plusieurs domaines,

et pour différents objectifs tel que : La classification et la prédiction, les CNN sont représentés

de la forme suivante :

Figure 13 : l’architecture générale des CNN

On distingue deux parties cette l’architecture, la première partie nommée la convolution, et la

deuxième est la classification.

4. Quelle est la valeur ajoutée des CNN ?

3.1. Dans le traitement d’image classique MLP :

Prenons par exemple une image de 512 x 512 cad une image de 262.144 pixels, pour analyser

cette image on va considérer un réseau des neurones avec une première couche cachée de 512

neurones cela a pour conséquence que la première couche cachée va nous demande 262.144 x

512 = 13 millions poids ce qui n’est pas pratique [35].

Dans les CNN :

Le CNN et en particulier sa partie convolutive permet de résoudre ce problème. Cela

va grandement diminuer le nombre de poids à calculer dans le modèle. En effet, comme nous

l’avons vu ci-dessus, la convolution va avoir pour effet de réduire la dimension de l’image

sorite appelée «la carte de caractéristiques» que l’on obtient après convolution (en comparaison

avec la taille de l’image en entrée). Si l’on répète ce processus plusieurs fois, en prenant comme

nouvelle entrée (sur laquelle nous allons effectuer la convolution) la sortie de la convolution


48

précédente, nous allons diminuer de plus en plus la taille de la carte de caractéristiques, et donc

nous diminuons également le nombre de calculs. [35]

Figure 14 : La réduction des dimensions de la carte caractéristique

Il faut savoir également qu’une image est une forme 3D deux dimensions pour la largeur et la

hauteur, et la troisième dimension pour la couleur. La couleur d’une image est une combinaison

entre trois couleurs principaux : le rouge, le vert, et le bleu RGB.

Dans l’analyse précédente nous avons traité l’image avec deux dimensions, maintenant on va

ajouter une autre dimension de couleur présentée par trois cartes caractéristiques, une pour

chaque couleur.

Après chaque convolution on aura toujours une carte des caractéristiques, une pour chaque

couleur, il faut savoir qu’on peut effectuer plusieurs convolutions sur une image ou une carte

des caractéristiques selon le nombre des caractéristiques pertinentes qu’on souhaite manipuler

sur l’image. Le nombre des opérations de convolutions corresponds au nombre des

caractéristiques.

À la sortie de la partie convolution on a eu une long vecteur contient les caractéristiques les

plus pertinentes, on connecte chaque valeur avec un neurone de réseau des neurones de la

couche classification. Cette partie de classification se comporte comme un réseau des neurones

classique.

3.2. Dans notre projet (implémentation):


49

La partie de convolution comprend 2 parties :

A- Couche convolutionnelle : il était responsable de l'application de plusieurs détecteurs de

caractéristiques pour explorer de nombreuses caractéristiques sur l'image d'entrée. Le CNN que

nous avons utilisé avait 32 cartes des caractéristiques avec la taille de 3 × 3. Convolution des

filtres ont été appliqués à l'image par glissement. Les valeurs des filtres ont été déterminées au

hasard. Nous avons utilisé 2 couches de convolution pour éviter le sur-ajustement.

B- Couche Max-Pooling: cette couche était responsable de la diminution de la dimension de

l'image filtrée ainsi, il s'est concentré sur la caractéristique / zone ou l'objet important dans

l'image. Dans notre réseau, nous avons utilisé une couche de mise en commun max avec la

taille de 2 × 2. Nous avons également doublé le nombre de cette couche.

La partie Classification comprend 2 parties :

A- la couche Aplatir: le rôle de cette couche est de transformer une matrice regroupée

Maxpooling de 2 dimensions en une dimension ainsi que chaque cellule de cette matrice

pourrait être utilisée comme nœud d'entrée pour le réseau entièrement connecté.

B- Réseau entièrement connecté: cette partie était un réseau de neurones artificiels complets

connectés naïf qui consistait en une couche d'entrée (la couche aplatie dans notre cas), une

couche cachée et une couche de sortie. Dans notre modèle, la couche cachée se composait de

128 nœuds. Grâce à un calcul simple, la fonction d'activation ReLU avait été implémentée.


50

Figure 15 : l’architecture proposée de notre réseau

Dans notre model nous étaient basés sur le concept de Transfer Learning pour le deep neural

network, Transfer Learning est technique de machine Learning pour laquelle un model entrainé

avec quelques tasks va être utilisé pour étudier d’autre tasks en se basant sur le principe de

Transfer de connaissance.

Algorithme of AlexNet :

AlexNet est considéré comme l'un des articles les plus influents publiés en vision par

ordinateur, ayant stimulé de nombreux autres articles publiés utilisant des CNN et des GPU

pour accélérer l'apprentissage en profondeur. En 2019, le journal AlexNet a été cité plus de

47000 fois.

Notre model a été basé sur l’algorithme AlexNet qui est une implémentation rapide de GPU de

CNN pour la recognition des images, elle contient 8 couches 5 parmi eux sont des

convolutionnelles dont chaque layer est suivie d’une MaxPooling et les 3 dernières sont les

constituants d’un réseau de connexion entière. La fonction d’activation utilisée est la fonction

sigmoïde qui est de la forme (Krizhevsky, Alex, Sutskever and all):


51

𝑓(𝑥) =1

1 + 𝑒−𝑥=

𝑒𝑥

1 + 𝑒𝑥

On a effectué quelques changements sur cette architecture, on a éliminé deux couches de

convolution et on a gardé juste 2 couches la première pour la détection de la leucémie et la

seconde pour la classification entre les 4 types : L1, L2, L3, NORMAL

5. EXPREMENTATION :

Toutes les opérations ont été effectuées avec un ordinateur processeur i5 et une mémoire RAM

de 8 GB avec une carte graphique GPU de 4 GB, le système d’exploitation utilisé était le

Windows 10, nous avons choisi de travailler avec ANACONDA, l’enivrement de

développement dédié au Data Science et Machine Learning, l’éditeur de texte utilisé est le

Jupyter NoteBook et le langage de programmation choisi était le Python 3.7. Nous avons créé

un environnement virtuel dont on a installé les packages Keras, TensorFlow qui sont utilisés

dans les projets de Deep Learning et le traitement d’image. Pour la préparation et

l’augmentation des données nous étaient basés sur la bibliothèque OpenCV qu’est

une bibliothèque graphique libre, spécialisée dans le traitement d'images.

Manipulation de données :

On éliminé le dataset ALL DD1 En raison de leur similitude interclasse, car pour chaque image

présente dans toutes les classes on trouve la même forme et des constituants identiques (GB,

GR, et PLQ) et de leur variabilité intraclasse car dans la même classe on trouve des images de

résolution et coloration différente, ils étaient difficiles à classer. Par conséquent, nous avons

utilisé dataset ALL-IDB 2 qui est un ensemble de zone d'intérêt croupées contient cellules

normales et des blastes. Il contient 260 les images et 50% d'entre elles représentent des

lymphoblastes. Il est désigné pour la classification.

L’étiquetage des images :

Le dataset augmenté a été divisé sur 4 classes : L1, L2, L3, Normal appelées labels et pour

chaque classe on a constitué 3 dossier : Train, Test, Validation, l’ensemble des données

précédentes a été manipulé d’une façon pour équaliseur le nombre des images dans chaque

catégorie.

https://fr.wikipedia.org/wiki/Biblioth%C3%A8que_graphique

https://fr.wikipedia.org/wiki/Logiciel_libre

https://fr.wikipedia.org/wiki/Traitement_d%27images


52

Figure 16 : Schéma global de prétraitement des images

.

CHAPITRE III :

Résultats

SAID JADIDI Résultats

54

I. Etablissement de modèle :

1. Le premier modèle :

Dans ce modèle nous avons utilisé 2 couches de convolution avec un filtre de 32 px et une

fenêtre de convolution de taille 3x3 la fonction d’activation est la fonction redresseur ‘Relu’,

chacune de ces deux couches est suivie avec une couche de Pooling, avec une fenêtre de taille

2x2, pour la partie de classification est composée de d’une douche de Flatten et deux couches

cachées, la première avec 128 neurones, et une fonction d’activation de type ’Relu’, la

deuxième est une couche de sorite avec 4 neurones et une fonction d’activation de type

‘Sigmoïde’

1.1. La précision :

La précision représente la somme des prédictions justes divises sur la somme des observations

totales, il est calculé pour l’ensemble de train et pour le set de validation :

Figure 17 : courbe de la précision pour le train et la validation


55

On remarque bien que la précision augment avec le nombre d’epochs, une epoch est une

prédiction suivi par une rétro-propagation dans le réseau des neurones avec l’ajustement de

poids des neurones. Pour le train la précision a atteint le seuil de 70% au bout des 10 epochs,

or pour la validation on est déjà au dans 70 % après 4 epochs. On peut expliquer ca par le fait

que le réseau de neurones s’entraine déjà sur le set de train avant d’entamer le set de

validation

1.2. La perte :

La perte représente la somme des prédictions fausses divisé sur la somme des observations

totales, il est calculé pour le set de train et pour le set de validation :

Figure 18 : la courbe de la perte sur le set de train et le set de validation

De même on remarque que la perte sur le set de train diminue au bout de 2 epochs, et que la

perte sur le set de validation prend des valeurs faibles après la première epochs.

1. Le deuxième modèle :

Dans ce modèle nous avons ajouté une couche de convolution avec un filtre de 64 px et une

fenêtre de convolution avec la taille de 3x3, pour la fonction d’activation pour gardent la


56

fonction redresseur ‘Relu’, pour la couche de Pooling nous avons gardé la même couche que

le précédent model.

Pour la partie de classification nous avons adopté la même configuration que le premier

modèle.



On constate que la précision augmente avec les epochs. Il faut noter bien que la précision a

augmenté vers 75%. Ce qui un taux satisfaisable généralement.

1.2. La perte :


57

Figure 20 : la courbe de la perte sur le set de train et le set de validation

Comme dans la précision on note une amélioration de la perte ce qui traduit par une

diminution considérable qui arrive jusqu’au 0.6.

2. Le Troisième modèle :

Dans ce modèle nous avons gardé la même configuration que celle de modèle 2, mais nous

avons augmenté steps_per_epoch pour le jeu de train qui est devenue 300 au lieu de 66 et

pour le jeu de validation qui devenue 76, nous avons augmenté le nombre d’epoch également

et on a choisi de travailler avec 30 epochs la fonction d’activation reste la même ‘Relu’, suivie

par une couche de Pooling.



58

Figure 21 : Fig. courbe de la précision pour le train et la validation

De nouveau notre modèle s’améliore, la précision a atteint le seuil de 95% pour le jeu

d’entrainement et 91% pour e jeu de validation. L’augmentation de nombre d’epochs a donné

des bonnes résultats, ce qui apparaitre logique car le modèle a plusieurs chance pour faire plus

de cycle et ajuster les poids et améliorer la précision

2.2. La perte :



59

La perte a diminué considérablement surtout pour le jeu d’entrainement et que elle a atteint le

seuil de 14%, pour le jeu de validation on remarque que la perte a baissé également mais n’a

pas arrivé à la perte de jeu d’entrainement, ce qui peut être expliqué par le nombre des epochs

qui inférieur à celle de heu d’entrainement et aussi le nombre des images.

2.3. La matrice de confusion :

Tableau 5 : le rapport de classification

Type Précision

L1 0.954

L2 0.9623

L3 0.959

NORMAL 0.99

On remarque que la précision de notre modèle sur le jeu de validation semble très acceptable,

on note aussi que la détection de leucémie est nettement considérable.

CHAPITRE IV :

Discussion Générale

Par l’utilisation de l’apprentissage profond et en particulier les réseaux des neurones à

convolution, nous avons bien amélioré la performance du processus de détection et

classification des sous-types des leucémies lymphoïdes aigues en 4 classes. Notre méthode

proposée a fonctionné efficacement et il est également meilleur que les précédentes méthodes

standards car il n’a pas besoin de segmentation des images microscopiques requises par

l'extraction de caractéristiques précédentes méthodes. Les couches de convolution et autres

couches cachées dans DCNN sont suffisamment puissant pour détecter et classer

automatiquement cellules de leucémie spécifiques à partir d'un grand ensemble de données

d'images microscopiques.

Les réseaux de neurones profonds nécessitaient généralement une grande quantité de

données pour s'entraîner. Mais dans cette étude, malgré que notre jeu de données est très

limité, nous avons pu d’atteindre une précision plus élevée de 99,50% pour la détection de la

leucémie et 95,06% pour la classification des sous-types de leucémie après l'augmentation des

données.

Plusieurs études ont proposé différents techniques de détection de la leucémie, mais la

plupart des études ont négligé la classification de ses sous-types en raison de leur grande

similitude interclasse et de leur variabilité intraclasse. Bien que ces sous-types soient difficiles

pour classer, ils jouent un rôle important dans le diagnostic détaillé des malades et est très

crucial pour le traitement médical de la leucémie. Dans cette étude préliminaire, nous avons

effectué la détection automatique et la classification de ses sous-types en 4 classes.

Contrairement, Moradi Amin et All ont proposé une méthode de détection et de classification

de la leucémie dans laquelle ils ont utilisé l'égalisation d'histogramme et contraste linéaire

pour le prétraitement [36]. Pour la segmentation des images, le k-mean Clustering a été

déployé et après l'extraction des différentes fonctionnalités, le classificateur SVM est utilisé

pour la classification de tous les sous-types. Sur leur ensemble de données spécifique, ils sont

capables d'atteindre une précision de 97% pour la détection de la leucémie et une précision de

95,6% pour la classification des sous-types. Même si les résultats ne peuvent pas être

directement comparés avec leur ensemble de données, nous déduisons que de meilleurs

résultats peuvent être obtenus en utilisant DCNN sans implication de segmentation d'image.

Putzu et All. a proposé une autre méthode de détection de la leucémie dans lesquels ils

ont déployé l'algorithme zack pour la segmentation des leucocytes cet algorithme consiste à

isoler les groupes des leucocytes, puis séparer le noyau et le cytoplasme et calculer le rapport

noyau/cytoplasme[37]. Après cela, le classificateur SVM a été utilisé pour classer les cellules

normales et cancéreuses sur les caractéristiques données selon ce rapport à l’aide de la

séparation des distributions par des droites. Ils sont capables d'atteindre une précision de 92%.

Chatap et All, ont déployé le seuillage globale en utilisant la technique de seuil Otsu pour la

segmentation de lymphocytes [38]. Après avoir extrait les fonctions basées sur la forme, une

algorithme des k les plus proches voisins a été formé pour atteindre une précision de 93%.

Notre modèle développé présente une précision supérieure à celles des travaux précédentes.

Également nous avons utilisé un grand nombre des images après l’augmentation des données.

Comparaison des performances des différentes méthodes fournies dans la littérature avec

notre méthode proposée est présentée dans le tableau 6.

Tableau 6 : comparaison avec d’autres études

Nombre

d’images

Classifier Précision de la

détection %

Précision de la

classification%

Putzu et al22 368 Support Vector

machine

92.00 Négligeable

Joshi et al5 108 K plus proches

voisins

93.00 Négligeable

MoradiAmin

et al8

312 Support Vector

machine

97.00 95.60

Notre modèle 130 Réseaux neurones à

convolution

99,50 95,06

Cependant des limites sont présentes dans notre travail, l’absence de segmentation est

désormais un facteur limite car il facilite le processus d’utilisation de l’outil par un utilisateur

qui va manipuler une image quelconque non segmentée. Un autre contrainte le non traitement

de bruit qui peut affecter les résultats dans quelques situations, mais heureusement nous avons

basé sur le jeu de données 2 qui contient des images déjà segmentées et l’effet de bruit

minimale.

Conclusion

SAID JADIDI Conclusion générale

64

L’intelligence artificielle a révolutionné le monde et la santé constitue un champ pour la

recherche et le développement, surtout dans le domaine de diagnostic et le pronostique des

cancers qui se base sur l’imagerie médicale et le traitement des images.

L’appui sur les méthodes d’intelligence artificielle en particulier sur l’apprentissage

approfondi a permet de développer des méthodes et des algorithmes qui aident les médecins et

les spécialistes de bien diagnostiquer les tumeurs et les localiser et aussi différencier entre la

types des cancers. Les réseaux des neurones de convolution constituent l’outil le plus

performant dans le traitement des images médicales, d’autres méthodes sont déjà utilisées

mais n’ont pas donnée des bons résultats, tels que le support vector machine et les k plus

proche voisin.

Dans tous le travaux de recherche le problème qui se pose est celui des données, et le

segmentation des images, de recherche ont été lancé pour résoudre, ce champ s’appelle la

radiomique dont l'objectif est de générer des bases de données de grande taille sans nécessité

de faire de se baser sur des images réelles, le concept s’appelle ‘’GAN’’ ou les réseaux

adversités génératifs, c’est un concept qui très récent et constitue un champ de recherche très

innovant, il est basé sur les réseaux des neurones.

Perspective :

L’établissement de modèle de classification et l’utilisé sur serveur local n’est pas suffisant, il

nous a fallait de développer un site web dont on implémente notre application. Notre

perspective est de développer un site web public, dédié aux personnels de santé y compris,

médecins, techniciens de laboratoire, hématologues, chercheurs scientifiques.

Notre laboratoire a déjà préparé les moyens logistiques pour tels projets,

Notre travail constitue un élément intéressant dans le but de développer et augmenter les

contributions de digital dans la santé, vue que le digital health ou la santé numérique présente

ses derniers années plusieurs intérêts en particulier dans le partie diagnostique et surtout dans

la pathologie de cancer qui la pathologie la plus morbide dans le monde et constitue un

problème de santé publique.

Références Bibliographiques

SAID JADIDI Références Bibliographiques

66

1. J.R.Passweg ; Y.Chalandon ; T.Matthes et All. Les leucémies Aigues. Rev. Med.

Suisse 2008 ; 4 ;12728

2. FrançoiseValensi. Classification des leucémies aiguës : nouvelles propositions de

l'oms (Organisation Mondiale de la Santé). Revue Française des Laboratoires. Volume

2002, Issue 344, June 2002, Pages 19-24

3. Laboratoire d’hématologie de CHU angers : http://www.hematocell.fr/

4. Curesearch for Childrens Cancer Research. https://curesearch.org. Accessed January

25, 2018

5. American Cancer Society. https://www.cancer.org. Accessed January 25, 2018.

6. Mariam Doumbia,1,& Jean Uwingabiye et All. Aspects épidémiologiques, cliniques,

cytologiques et immunophénotypiques des leucémies aiguës chez les enfants:

expérience du laboratoire d'hématologie du Centre Hospitalier Universitaire IBN.

Rabat 2016

7. Piller G. Leukemia - A brief historical review from ancient times to 1950.

8. Machover D, Misset J, Schneider M. Les avancées en chirurgie oncologique robotique

9. Lewis B. Silverman, MD Acute Lymphoblastic Leukemia in Infancy. Pediatric Blood

Cancer 2007;49:1070–1073.

10. Hajar EL YACHKOUR. Évaluation du protocole national de la prise en charge des

leucémies aigues lymphoblastiques : expérience du service d’hématologie oncologie

pédiatrique. FMP Marrakech 2014.

11. Rigal C. Contribution à l’histoire de la recherche médicale: autour des Travaux deJean

Bernard et de ses collaborateurs sur la leucémie aigue, 1940-1970. Thèse

d’Epistémologie, histoire des sciences et des techniques, UFR Géographie, Histoire et

Sciences Sociales, Université PARIS 7 – Denis diderot, 2003, 364 pages

12. Inserm, Pesticides : Effets sur la santé, 2013, Rapport complet, XII-1001 p.Jonsson

OG, Sartain P,

13. Ducore JM, Buchanan GR. Bone pain as an initial symptom of childhood acute

lymphoblastic leukemia: Association with nearly normal hematologic indexes. J

Pediatr . 1990 Aug;117(2 PART 1):233–7

14. Thomas X. Leucémies aiguës lymphoblastiques de l’adulte. Encyclopédie

MédicoChirurgicale (Elsevier Masson SAS, Paris), Hématologie 2007; 13-018-G-40;

13p

15. Berrington A, Darby S,Weiss H, Doll R. 100 years of observation on British

radiologists: Mortality from cancer and other causes 1897–1997. The British Journal

ofRadiology 2001; 74: 507–519

16. Wartenberg D, Groves F, Adelman A. Acute Lymphoblastic Leukemia: Epidemiology

and Etiology. In: Estey E, Faderl S, Kantarjian H, éd. Hematologic Malignancies:

Acute Leukemias. New York: Springer; 2008. p: 77-93.

17. Dominik D, Pamela M, Mandel J, Kelsh M. A meta-analysis of occupational

trichloroethylene exposure and multiple myeloma or leukaemia. Occupational

Medicine 2006; 56: 485-493

18. Infante-Rivard C, Labuda D, Krajinovic M, Sinnett D. Risk of childhood

http://www.hematocell.fr/


67

leukemia associated with exposure to pesticides and with gene polymorphisms.

Epidemiology;1999;10:481-487

19. Baldi I, Bard D, Barouki R, Benhamou S, et al. Hémopathies malignes. In :

Baldi I, Bard D, Barouki R, Benhamou S, et al, éd. Cancer et environnement.

Paris: Inserm; 2008. p:237-312

20. Xavier A, Ge Y, Taub J. Down Syndrome and Malignancies: A Unique Clinical

Relationship. Journal of Molecular Diagnostics 2009; 11(5): 371–380.

21. Faderl S, Jeha S, Kantarjian H. The Biology and Therapy of Adult Acute

Lymphoblastic Leukemia. Cancer 2003; 98: 1337–1354.

22. Gökbuget N, Hoelzer D. Recent approaches in acute lymphoblastic leukemia in

adults. Reviews in Clinical and Experimental Hematology 2002; 6:114-141

23. Cimino G, Pane F, Elia L, Finolezzi E, et al. The role of BCR/ABL isoforms in

the presentation and outcome of patients with Philadelphia-positive acute

lymphoblasticleukemia: a seven-year update of the GIMEMA 0496 trial.

Haematologica 2006; 91:377-380.

24. Lafage-Pochitaloff M, Charrin C. Anomalies cytogénétiques dans les leucémies

aiguës lymphoblastiques. Pathologie Biologie 2003; 51: 329-336.

25. Faderl S, Kantarjian HM, Talpaz M, Estrov Z. Clinical Significance of

Cytogenetic Abnormalities in Adult Acute Lymphoblastic Leukemia. Blood

1998; 91(11): 3995-4019.

26. Labati RD, Piuri V, Scotti F. All-IDB: the acute lymphoblastic

leukemia image database for image processing. Proceedings of

the Image processing (ICIP), 2011 18th IEEE international conference on IEEE;

September11-14, 2011; Brussels, Belgium: IEEE 2045-2048.

27. http://tecfaetu.unige.ch/staf/staf-f/anzani/staf14/ex2/welcome.html

28. S Allart, A Canivet et All. INSEREM : Manuel d'analyse d'images avec le

logiciel ImageJ

29. https://www.memoireonline.com/07/08/1291/m_compression-image-animee-

codage-ezw-3d1.html

30. « Convolutional Neural Networks (LeNet) – DeepLearning 0.1

documentation » [archive], sur DeepLearning 0.1, LISA Lab (consulté le 21

Mars 2020).

31. Masakazu Matusugu, Katsuhiko Mori, Yusuke Mitari et Yuji Kaneda, « Subject

independent facial expression recognition with robust face detection using a

http://tecfaetu.unige.ch/staf/staf-f/anzani/staf14/ex2/welcome.html

https://www.memoireonline.com/07/08/1291/m_compression-image-animee-codage-ezw-3d1.html


http://deeplearning.net/tutorial/lenet.html

http://deeplearning.net/tutorial/lenet.html

http://archive.wikiwix.com/cache/?url=http%3A%2F%2Fdeeplearning.net%2Ftutorial%2Flenet.html


68

convolutional neural network », Neural Networks, vol. 16, no 5, 2003, p. 555–

559 (DOI 10.1016/S0893-6080(03)00115-1,lire en ligne [archive], consulté

le 24 Mars 2020).

32. Yann LeCun, « LeNet-5, convolutional neural networks » [archive] (consulté le 24

Mars 2020).

33. Aaron van den Oord, Sander Dieleman, Benjamin Schrauwen, C. J. C. Burges,

L. Bottou, M. Welling, Z. Ghahramani et K. Q. Weinberger, Deep content-based

music recommendation, Curran Associates, Inc., 2013, 2643–2651 p

34. https://www.natural-solutions.eu/blog/la-reconnaissance-dimage-avec-les-rseaux-de-

neurones-convolutifs; consulté le 2 April 2020

35. MoradiAmin M, Kermani S, Talebi A, Oghli MG. Recognition of acute lymphoblastic

leukemia cells in microscopic images using k-means clustering and support vector

machine classifier. J Med Signals Sens. 2015;5(1):49-58

36. Putzu L, Caocci G, Di Ruberto C. Leucocyte classification for leukaemia detection

using image processing techniques. Artif Intell Med. 2014;62(3):179-191

37. Chatap N, Shibu S. Analysis of blood samples for counting leukemia cells using

support vector machine and nearest neighbour. IOSR J Comput Eng. 2014;16(5):79-

87.

38. Ilham SNOUSSI. Les leucémies aigues lymphoblastiques de l'enfant : expérience de

protocole MARALL 2006. FMP Fès 2020.

39. Sarmad, and Samabia Tehsin : Acute Lymphoblastic Leukemia Detection and

Classification of Its Subtypes Using Pretrained Deep Convolutional Neural Networks.

Technology in Cancer Research & Treatment Volume 17: 1-7

40. A. Rehman, N. Abbas, T.Saba, H.Kolivand : Classification of Acute Lymphoblastic

Leukemia (ALL) Using Deep Learning. Microscopy Research and Technique, October

2018

41. S. Mahazan, S. S. Golait, A. Meshram, and N. Jichlkan, “Review: detection of types of

acute leukemia,” International Journal of Computer Science and Mobile Computing,

vol. 3, no. 3, pp. 104-111, 2014

42. V. Shankar, M. Deshpande, N. Chaitra, and S. Aditi, “Automatic detection of Acute

Lymphoblastic Leukemia using Image Processing,” in Proc. International Conference

on Advances in Computer Applications (ICACA), 2016.

43. I. Vincent, KR. Kwon, SH. Lee, and KS. Moon, “Acute Lymphoid Leukemia

Classification using Two-Step Neural Network Classifier,” in Proc. Workshop on

Frontiers of Computer Vision (FCV), 2015 21st Korea-Japan Joint, Mokpo, South

Korea, 28-30 Jan. 2015.

44. https://ticinformatique.wordpress.com/2019/10/21/la-notion-dimage-numerique/ :

consulté le 06 Juin 2020

45. https://www.memoireonline.com/07/08/1291/m_compression-image-animee-codage-

ezw-3d1.html: consulté le 06 Juin 2020

46. https://www.memoireonline.com/09/15/9268/m_La-steganographie-par-les-images-

pour-la-securisation-du-transfert-des-messages2.html : consulté le 06 Juin 2

https://fr.wikipedia.org/wiki/Digital_Object_Identifier

https://dx.doi.org/10.1016%2FS0893-6080%2803%2900115-1

http://www.iro.umontreal.ca/~pift6080/H09/documents/papers/sparse/matsugo_etal_face_expression_conv_nnet.pdf

http://archive.wikiwix.com/cache/?url=http%3A%2F%2Fwww.iro.umontreal.ca%2F~pift6080%2FH09%2Fdocuments%2Fpapers%2Fsparse%2Fmatsugo_etal_face_expression_conv_nnet.pdf

http://yann.lecun.com/exdb/lenet/

http://archive.wikiwix.com/cache/?url=http%3A%2F%2Fyann.lecun.com%2Fexdb%2Flenet%2F

https://www.natural-solutions.eu/blog/la-reconnaissance-dimage-avec-les-rseaux-de-neurones-convolutifs

https://www.natural-solutions.eu/blog/la-reconnaissance-dimage-avec-les-rseaux-de-neurones-convolutifs

https://www.researchgate.net/scientific-contributions/69941467_Amjad_Rehman?_sg%5B0%5D=MS6V9m1sRj9Rc1uhkyZ8OzVxOhfptOoJ1tZGKQ7mw1rM_8-yok2d-cxBJVnGYL82zILAFt4.hZbZUBKbYOnV-o19L8xSK0OhnA-ToQWPFwpHdCfp_yV8BAcoB-f1lwL8Gr3AdYGkSKW6QL6ysFNhJZ3BrLomgQ&_sg%5B1%5D=qhjteutgNiBEB3rOVlYnoyUSI2kvhWkuL1h_N1jrqtVWOiNgUXnfjfNHUPPeHfhpsL6ujE0.DKM1NlCIb4RKdORNRWRKy5_lI1udHJRrqQ3cG21ZmTNNQ5ZJ1InyN6w1VF6G8qiq0MpvC1Yg62Or2HPO7cLqQg

https://www.researchgate.net/profile/Naveed_Abbas7?_sg%5B0%5D=MS6V9m1sRj9Rc1uhkyZ8OzVxOhfptOoJ1tZGKQ7mw1rM_8-yok2d-cxBJVnGYL82zILAFt4.hZbZUBKbYOnV-o19L8xSK0OhnA-ToQWPFwpHdCfp_yV8BAcoB-f1lwL8Gr3AdYGkSKW6QL6ysFNhJZ3BrLomgQ&_sg%5B1%5D=qhjteutgNiBEB3rOVlYnoyUSI2kvhWkuL1h_N1jrqtVWOiNgUXnfjfNHUPPeHfhpsL6ujE0.DKM1NlCIb4RKdORNRWRKy5_lI1udHJRrqQ3cG21ZmTNNQ5ZJ1InyN6w1VF6G8qiq0MpvC1Yg62Or2HPO7cLqQg

https://www.researchgate.net/profile/Tanzila_Saba?_sg%5B0%5D=MS6V9m1sRj9Rc1uhkyZ8OzVxOhfptOoJ1tZGKQ7mw1rM_8-yok2d-cxBJVnGYL82zILAFt4.hZbZUBKbYOnV-o19L8xSK0OhnA-ToQWPFwpHdCfp_yV8BAcoB-f1lwL8Gr3AdYGkSKW6QL6ysFNhJZ3BrLomgQ&_sg%5B1%5D=qhjteutgNiBEB3rOVlYnoyUSI2kvhWkuL1h_N1jrqtVWOiNgUXnfjfNHUPPeHfhpsL6ujE0.DKM1NlCIb4RKdORNRWRKy5_lI1udHJRrqQ3cG21ZmTNNQ5ZJ1InyN6w1VF6G8qiq0MpvC1Yg62Or2HPO7cLqQg

https://www.researchgate.net/profile/Hoshang_Kolivand?_sg%5B0%5D=MS6V9m1sRj9Rc1uhkyZ8OzVxOhfptOoJ1tZGKQ7mw1rM_8-yok2d-cxBJVnGYL82zILAFt4.hZbZUBKbYOnV-o19L8xSK0OhnA-ToQWPFwpHdCfp_yV8BAcoB-f1lwL8Gr3AdYGkSKW6QL6ysFNhJZ3BrLomgQ&_sg%5B1%5D=qhjteutgNiBEB3rOVlYnoyUSI2kvhWkuL1h_N1jrqtVWOiNgUXnfjfNHUPPeHfhpsL6ujE0.DKM1NlCIb4RKdORNRWRKy5_lI1udHJRrqQ3cG21ZmTNNQ5ZJ1InyN6w1VF6G8qiq0MpvC1Yg62Or2HPO7cLqQg



https://www.memoireonline.com/09/15/9268/m_La-steganographie-par-les-images-pour-la-securisation-du-transfert-des-messages2.html

https://www.memoireonline.com/09/15/9268/m_La-steganographie-par-les-images-pour-la-securisation-du-transfert-des-messages2.html


69

Annexes


Annexe I : Les étapes de la réalisation de frottis sanguin

Annexe II : Images 2D + t (vidéo), images 3D, images multi-résolutio


(العميق التعلم) الإلتفافية العصبية الشبكات طريق عن الحاد الليمفاوي الدم ابيضاض لتصنيف القرار دعم نظام : طروحةأ

منعم الصبار :المؤطر سعيد الإسم: جديدي اللقب:

تساعد في تشخيص ناعيطصالاالذكاء على تعتمد وفعالة ةسريع أداة تطوير هو مشروعنا من الرئيسي الهدف :ملخص

. بالتصنيف يسمح مكتب سطح/ محمول جهاز أي من إليه الوصول يمكن تطبيق هي العمل نتيجة .الحاد الليمفاوي سرطان

،٪ 95 الحاد اللمفاوي الدم سرطان عن الكشف لجميع الأقصى الحد إلى وصلت نموذجنا دقة أن الدراسة هذه عن نتج كما

%70 دقة إلى وصلنا للتصنيف

الاصطناعيكاء ذسرطان الدم اللمفاوي الحاد, الشبكات العصبية الالتفافية, ال :كلمات مفتاحية

Thesis: Decision support system for classification of acute lymphoblastic leukaemia by convolutional

neural networks (Deep-Learning)

Name: JADIDI First name: SAID Directed by: MOUNEEM ESSEBAR

Abstract: The main aim of our work is to develop a fast and effective tool based on artificial

intelligence which helps in the diagnosis of acute lymphoid leukemia. The other objective is to

propose a new algorithm and compare it with the algorithms already proposed in previous works.

It emerges from this study that the accuracy of our model has reached the maximum threshold for all

detection of acute lymphoid leukemia 95%, for the classification we have achieved an accuracy of

70%.

Key words: Acute lymphoid leukemia, Convolutional neural networks, Artificial intelligence

Thèse : Système d’aide à la décision pour classification des leucémies aiguës lymphoblastiques

par réseaux de neurones à convolution (Deep-Learning)

Nom: JADIDI Prénom: SAID Encadreur: MOUNEEM ESSEBAR

Résumé : L’objectif principal de notre travail est de développer un outil rapide et efficace basé sur

l’intelligence artificielle (IA) qui aide au diagnostic des leucémies aigues lymphoïdes (LAL). L’autre

objectif est comparer l’algorithme développé avec l’état d’art de la littérature et les outils existants.

Le résultat de travail est une application accessible depuis n’importe quel appareil mobile/desktop qui

permet classifier. Il est issu également cette étude que la précision notre modèle a atteint le seuil

maximal pour tous la détection des leucémies aigues lymphoïdes 95%, pour la classification on a

abouti à une précision 70%.

Mots clés : Leucémie aigue lymphoïde, Les réseaux des neurones de convolution, Intelligence

artificielle

memoire de master - ao.um5.ac.ma

Documents