Proposition D’une Technique Efficace Pour L’analyse Du Big Data Basée Sur L’intelligence Artificielle

Résumé: Ce travail propose une technique novatrice d’analyse du Big Data basée sur le deep learning pour améliorer la détection du cancer du sein. Le Big Data représente un ensemble massif de données générées quotidiennement à partir de diverses sources, et la détection précoce du cancer du sein est cruciale pour améliorer les chances de guérison. L’utilisation du deep learning, en particulier des réseaux de neurones convolutionnels (CNN), offre de grandes opportunités pour extraire des informations significatives à partir d’images médicales telles que les mammographies. Cette approche permet d’automatiser le processus de détection et de classification des anomalies, ce qui peut contribuer à réduire les erreurs humaines et à accélérer le diagnostic. Ce mémoire explore les différentes étapes du traitement du Big Data pour développer une méthode générale applicable à l’analyse de grandes quantités de données médicales. Nous mettons en évidence l’utilisation des CNN pour extraire des caractéristiques pertinentes à partir des images de mammographie et pour effectuer une classification précise des tissus mammaires. Une étude de cas est présentée pour évaluer l’efficacité de la méthode proposée. Les résultats obtenus démontrent une amélioration significative de la détection du cancer du sein par rapport aux méthodes traditionnelles. Cette approche ouvre des perspectives prometteuses pour le dépistage précoce et précis du cancer du sein, ce qui peut avoir un impact positif sur le pronostic et la survie des patients. Mots clés : Big Data, Deep Learning, Réseaux de neurones convolutifs (CNN), Cancer uThis dissertation proposes an innovative technique for Big Data analysis based on deep learning to enhance breast cancer detection. Big Data represents a massive set of data generated daily from various sources, and early detection of breast cancer is crucial for improving the chances of recovery. The utilization of deep learning, particularly convolutional neural networks (CNN), presents significant opportunities to extract meaningful information from medical images such as mammograms. This approach automates the process of anomaly detection and classification, thereby reducing human errors and expediting diagnosis. The thesis explores the different stages of Big Data processing to develop a general method applicable to the analysis of large quantities of medical data. We highlight the use of CNNs to extract relevant features from mammography images and perform accurate classification of breast tissues. A case study is presented to evaluate the effectiveness of the proposed method. The results demonstrate a substantial improvement in breast cancer detection compared to traditional methods. This approach holds promising prospects for early and precise breast cancer screening, which can have a positive impact on patients’ prognosis and survival.

Publié dans la revue: