Deep Learning pour la classification des caries dentaires

Abstract

Computer models enabled by deep learning (DL) algorithms consist of multiple layers of processing that represent data at multiple levels of abstraction. In recent years, the use of deep learning has rapidly proliferated in almost every field, especially in medical image processing, medical image analysis, and bioinformatics. Therefore, deep learning has radically changed and improved the means of recognition, prediction, and diagnosis in many health fields, such as pathology, dental caries, etc.

On the other hand, genetic algorithms are an optimization method inspired by natural selection. They are often used to solve difficult optimization problems, efficiently exploring a space of potential solutions.

In our work, we were interested in the detection of dental caries in medical images, which present a great diversity in terms of shape and size. We have proposed a ResNet-AG system that uses genetic algorithms with the ResNet50 neural network architecture to optimize its hyperparameters. Hyperparameters are the parameters that define the structure and properties of the network, such as the size and number of filters, the number of layers, learning rates, etc. Optimizing these hyperparameters can greatly improve model performance for a given task. Optimization by ResNet-AG consists of efficiently exploring the space of possible hyperparameters, using selection, crossover, and mutation techniques inspired by biology. Experimental results demonstrate that ResNet-AG provides accurate classification of dental caries using ResNet-50 deep learning based architecture and genetic algorithms. -------------------------------------------------------------------------------------------- تتكون نماذج الكمبيوتر التي تم تمكينها بواسطة خوارزميات التعلم العميق (DL) من طبقات متعددة من المعالجة التي تمثل البيانات بمستويات متعددة من التجريد. في السنوات الأخيرة ، انتشر استخدام التعلم العميق بسرعة في كل مجال تقريبًا ، لا سيما في معالجة الصور الطبية ، وتحليل الصور الطبية ، والمعلوماتية الحيوية. لذلك ، فقد أدى التعلم العميق إلى تغيير وتحسين وسائل التعرف والتنبؤ والتشخيص بشكل جذري في العديد من المجالات الصحية مثل علم الأمراض، تسوس الأسنان، أورام المخ وما إلى ذلك. من ناحية أخرى ، تعد الخوارزميات الجينية طريقة تحسين مستوحاة من الانتقاء الطبيعي. غالبًا ما يتم استخدامها لحل مشكلات التحسين الصعبة ، واستكشاف مساحة من الحلول المحتملة بكفاءة. اهتممنا في عملنا بالكشف عن تسوس الأسنان في الصور الطبية التي تقدم تنوعًا كبيرًا من حيث الشكل والحجم. لقد اقترحنا نظام ResNet-AG ، والذي يستخدم الخوارزميات الجينية مع بنية الشبكة العصبية ResNet50 لتحسين معلماته الفائقة، التي تحدد هيكل وخصائص الشبكة ، مثل حجم وعدد المرشحات ، وعدد الطبقات ، ومعدلات التعلم ، وما إلى ذلك. يمكن أن يؤدي تحسين هذه المعلمات الفائقة إلى تحسين أداء النموذج بشكل كبير لمهمة معينة. يتمثل التحسين بواسطة ResNet-AG في استكشاف مساحة المعلمات الفائقة المحتملة بكفاءة ، باستخدام تقنيات الاختيار والتقاطع والطفرة المستوحاة من علم الأحياء. Enregistrer la traduction توضح النتائج التجريبية أن ResNet-AG يوفر تصنيفًا دقيقًا لتسوس الأسنان باستخدام الهندسة المعمارية القائمة على التعلم العميق ResNet-50 والخوارزميات الجينية. -------------------------------------------------------------------------------------------- Les modèles informatiques activés par les algorithmes d'apprentissage en profondeur (DL) se composent de plusieurs couches de traitement qui représentent des données avec plusieurs niveaux d'abstraction. Ces dernières années, l'utilisation de l'apprentissage en profondeur prolifère rapidement dans presque tous les domaines, en particulier dans le traitement d'images médicales, l'analyse d'images médicales et la bio-informatique. Par conséquent, l'apprentissage en profondeur a radicalement changé et amélioré les moyens de reconnaissance, de prédiction et de diagnostic de manière efficace dans de nombreux domaines de la santé tels que la pathologie, les caries dentaires, la tumeur cérébrale, etc. D’une autre côté, les algorithmes génétiques sont une méthode d'optimisation inspirée de la sélection naturelle. Ils sont souvent utilisés pour résoudre des problèmes d'optimisation difficiles, en explorant de manière efficace un espace de solutions potentielles. Dans notre travail, nous nous sommes intéressés à la détection des caries dentaires dans les images médicales qui présentent une grande diversité en termes de forme et de taille. Nous avons proposé un système ResNet-AG, qui utilise les algorithmes génétiques avec l’architecture de réseau de neurones ResNet50 afin d’optimiser les hyperparamètres de ce dernier. Les hyperparamètres sont les paramètres qui définissent la structure et les propriétés du réseau, tels que la taille et le nombre des filtres, le nombre de couches, les taux d'apprentissage, etc. Optimiser ces hyperparamètres peut grandement améliorer la performance du modèle pour une tâche donnée. L’optimisation par ResNet-AG consiste à explorer efficacement l'espace des hyperparamètres possibles, en utilisant des techniques de sélection, de croisement et de mutations inspirées de la biologie. Les résultats expérimentaux démontrent que ResNet-AG offre une classification précise des caries dentaires en utilisant une architecture basée deep learning ResNet-50 et les algorithmes génétiques.