Biometrics for face skin analysis using machine learning based approaches - TEL - Thèses en ligne
Thèse Année : 2021

Biometrics for face skin analysis using machine learning based approaches

Biométrie pour l'analyse de la peau du visage : analyse par approches "Machine learning

Résumé

The emergence of artificial intelligence (AI), access to large databases, and the availability of supercomputers have undoubtedly revolutionized the medical treatment in various fields. In fact, taking into consideration the development of “Machine-learning” (ML) algorithms and in particular “Deep-learning” (DL), has greatly benefited the biomedical field and added to its efficiency. In the context of dermatology, much research has been carried out to automatically analyze images of the skin in order to predict diseases and to follow their evolution over time. This thesis continues this present research and proposes a computer-aided diagnostic system based on “Deep-learning” (DL) approaches that analyzes facial images and identifies potential facial diseases using only facial phenotypes, without region of interest extraction. This medical, facial biometrics is based on the use of pre-trained convolutional neural networks, VGG-16, EfficientNet b0 and Inception v3, which are fine-tuned to create new models adapted to classify facial skin images into eight distinct pathologies namely: acne, actinic keratosis, angioedema, blepharitis, eczema, melasma, rosacea and vitiligo. Thus, a transfer learning method has been used. Specifically, the original architectures of the three models have been changed by adding new layers to the top. In this study, the proposed algorithms are trained and validated on a database that we have created for this purpose. The models are tested and evaluated considering different acquisition conditions (facial pose, brightness, image resolution, etc...). Very promising results have thus been obtained and will be discussed in detail in this dissertation.
L'émergence de l’intelligence artificielle (IA), l'accès aux grandes bases de données, et la disponibilité de super-calculateurs ont incontestablement révolutionné les différents domaines. En particulier, en considérant le développement d'algorithmes d'Apprentissage Automatique (AA) “Machine-learning” et notamment de l'Apprentissage Profond (AP) “Deep-learning”, le domaine biomédical en a largement bénéficié. Dans le contexte de la dermatologie, de nombreuses recherches ont été menées pour analyser automatiquement les images de la peau afin de prédire les maladies et de suivre leur évolution au cours du temps. Cette thèse propose un système de diagnostic assisté par ordinateur basé sur des approches d'AP qui analyse les images du visage et identifie les maladies potentielles du visage utilisant uniquement des phénotypes faciaux, sans extraction de région d'intérêt. Cette biométrie médicale, faciale est fondée sur l’utilisation sur des réseaux de neurones convolutifs pré-entraînés, VGG-16, EfficientNet b0 et Inception v3, qui sont affinés pour créer de nouveaux modèles adaptés pour classer les images de la peau du visage en huit pathologies distinctes à savoir : acné, kératose actinique, angioedème, blépharite, eczéma, mélasma, rosacée et vitiligo.. Ainsi, une méthode d'apprentissage par transfert est utilisée. Plus précisément, les architectures originales des trois modèles sont modifiées en ajoutant de nouvelles couches au sommet. Les algorithmes proposés sont entraînés et validés sur une base de données que nous avons créé à cet effet. Les modèles sont testés et évalués en considérant des conditions d’acquisitions différentes (pose du visage, luminosité, résolution d'image, etc). Des résultats très prometteurs sont ainsi obtenus.
Fichier principal
Vignette du fichier
TH2021PA120033.pdf (7.27 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04072085 , version 1 (17-04-2023)

Identifiants

  • HAL Id : tel-04072085 , version 1

Citer

Rola El Saleh. Biometrics for face skin analysis using machine learning based approaches. Machine Learning [stat.ML]. Université Paris-Est Créteil Val-de-Marne - Paris 12, 2021. English. ⟨NNT : 2021PA120033⟩. ⟨tel-04072085⟩

Collections

STAR LISSI UPEC
226 Consultations
158 Téléchargements

Partager

More