Conclusion partielle.
Dans ce chapitre, nous avons présenté le
problème que nous avons résolu, les différents outils et
techniques qui nous ont permis à sa réalisation. Et avons aussi,
présenté en détail les ressources matérielles et
logiciels utilisées dans le cadre du développement de notre
solution, nommée PrédiCancerPeau.
Nous avons clôturé le chapitre par le
déploiement de notre modèle de Deep Learning dans un API Flask,
en présentant succinctement les différentes étapes
d'exécution et le résultat obtenu par chacune étape. Nous
avons essayé de simplifier le processus d'exécution par
l'utilisation des imprimés d'écran.
Etant atteints, les objectifs fixés pour ce chapitre,
nous aborderons dans le point suivant la conclusion générale de
notre travail.
P a g e | 75
CONCLUSION GENERALE
Dans ce mémoire, nous nous sommes
intéressés à la construction d'un modèle de deep
learning basé sur le réseau de neurones à convolution pour
la détection précoce du cancer de la peau à partir des
images d'une tumeur bénigne des gens qui souffrent du mélanome.
Ce modèle a pour but d'aider les corps médicaux, de diagnostiquer
avec un taux d'erreur minimal possible les patients à partir de la
photographie de ladite maladie et ce diagnostic peut se faire via l'API ou en
batch pour une prise en charge rapide et à moindre coût ; bien
qu'il y a carence criante des experts dans ce domaine. D'après les
statistiques de l'OMS, près d'un décès sur 6 dans le monde
est dû au cancer de la peau, c'est ce qui fais de lui la deuxième
cause de décès. Cependant, le diagnostiquer à temps, enfin
de disposer l'arsenal médical pour le prévenir et
l'équilibré a une grande importance pour sauver des vies.
D'où l'intérêt d'utiliser des techniques d'apprentissage
automatique pour améliorer la précision du diagnostic du
mélanome et réduire son incidence élevée.
En tenant compte de la faiblesse démographique des
spécialistes dans ce domaine, c'est - à - dire les dermatologues
et les chirurgiens et aussi vu l'accroissement de nombre de cas de patients qui
pourrons atteindre 22 millions au cours de deux prochains décennies
(WHON, 2018), notre système tentera de diagnostiquer sur l'état
d'un patient juste à partir des images d'une tumeur bénigne.
Vue l'ampleur de réseau de neurones artificiels,
particulièrement réseau de neurones à convolution à
traiter une quantité importante des données, surtout l'effet de
prendre en compte la corrélation entre les pixels d'une image et aussi
d'être invariant à des transformations de l'entrée, ces
derniers permettent d'augmenter aussi la précision.
Comme nous, les humains pour avoir la facilité de
reconnaitre une image, nous avons également besoin de voir beaucoup plus
d'images et surtout la variété des images, enfin
d'appréhender ce qui différencie telle chose à l'autre.
C'est de la même manière avec les modèles, sur ce, nous
avons utilisé l'apprentissage supervisé, c'est-à-dire,
nous avons fortement entrainé notre modèle avec 2.637 images de
grains de beauté bénins et malins, ce qui nous a permis
d'atteindre le score de 86,4 % en terme de précision notre
modèle.
Enfin, ce travail présente un aperçu
général sur le machine Learning et en particulier sur le deep
Learning, qui est un domaine de recherche très actif et
intéressant dont les entreprises publiques et privées, ne font
que mettre les moyens pour trouver des solutions aux problèmes de la
société, toutes les remarques et suggestions sont les
bienvenues.
P a g e | 76
| 
