AI Notebooks - Tutoriel - Segmenter des tumeurs avec U-Net

Objectif

Ces dernières années, le domaine de la computer vision a connu une croissance importante. Il englobe un large éventail de méthodes permettant d'acquérir, de traiter, d'analyser et de comprendre des images numériques.

Parmi ces méthodes, l'une d'entre elles est appelée image segmentation.

L'objectif de ce tutoriel est de vous montrer comment il est possible de construire et d'entraîner un modèle de segmentation de tumeurs cérébrales avec OVHcloud AI Notebooks. Vous apprendrez les concepts d'imagerie médicale, de segmentation d'image, d'évaluation de modèle, et bien plus encore. Nous utiliserons un réseau de neurones convolutif populaire nommé U-Net.

À la fin de ce tutoriel, vous aurez appris les principales méthodes pour segmenter des tumeurs cérébrales.

Prérequis

• Un projet AI Notebooks créé au sein d'un projet Public Cloud dans votre compte OVHcloud
• Un utilisateur pour AI Notebooks
• Un compte Kaggle pour télécharger le dataset

Accès à l'espace client OVHcloud

• Lien direct : Tous mes projets Public Cloud
• Pour accéder à vos services : Public Cloud > Sélectionnez votre projet

En pratique

Vous pouvez lancer le notebook depuis l'espace client OVHcloud ou via la CLI ovhai.

Le lien direct vers le code complet se trouve ici.

Lancer un notebook Jupyter avec « Tensorflow » via l'interface (espace client)

Pour lancer votre notebook depuis l'espace client OVHcloud, suivez les étapes ci-dessous.

Éditeur de code

Choisissez l'éditeur de code Jupyterlab.

Framework

Dans ce tutoriel, le framework tensorflow est utilisé. Si vous utilisez un autre environnement, des problèmes de compatibilité peuvent survenir, comme des bibliothèques manquantes.

Ressources

L'utilisation de GPU est recommandée, car l'imagerie médicale est une tâche gourmande en entraînement.

Lancer un notebook Jupyter avec « Tensorflow » via la CLI

Si vous n'utilisez pas encore notre CLI, suivez ce guide pour l'installer.

Si vous souhaitez lancer votre notebook avec l'OVHcloud AI CLI, choisissez l'éditeur jupyterlab et le framework tensorflow.

Pour accéder aux différentes versions de tensorflow disponibles, exécutez la commande suivante :

ovhai capabilities framework list -o yaml

Vous devrez également choisir le nombre de CPU/GPU (<nb-cpus> ou <nb-gpus>) à utiliser dans votre notebook.

Pour lancer votre notebook, exécutez la commande suivante :

ovhai notebook run tensorflow jupyterlab \
		--name <notebook-name> \
		--framework-version <tensorflow-version> \
  	    --gpu <nb-gpus>

Vous pourrez ensuite accéder à l'URL de votre notebook une fois celui-ci en cours d'exécution.

Accéder aux notebooks

Une fois notre dépôt d'exemples AI cloné dans votre environnement, retrouvez votre notebook en suivant ce chemin : ai-training-examples > notebooks > computer-vision > image-segmentation > tensorflow > brain-tumor-segmentation-unet > notebook_image_segmentation_unet.ipynb.

Un aperçu de ce notebook est disponible sur GitHub ici.

Aller plus loin

Il existe de nombreuses autres tâches dans le domaine de la computer vision. Consultez nos autres tutoriels pour apprendre à :

• Utiliser le Transfer Learning avec ResNet50 pour la classification d'images

• Entraîner YOLOv7 pour la reconnaissance de la langue des signes américaine

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page Professional Services pour obtenir un devis et faire analyser votre projet par nos experts.

Votre avis nous intéresse !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

• Sur le serveur Discord OVHcloud