La compression des réseaux de neurones profonds à convolution pour l’analyse des images cardiaquescoronariennes

Abstract

Le travail présenté aborde l’optimisation des modèles profonds basée compression pour laclassification des images médicales plus particulièrement les  images cardiaques. Nous distinguons deux types de compressions, celle des modèles et celle des images. Le modèle d’apprentissage profond simplifié  que nous ciblons est un modèle dont la taille et le temps de réponses ont été réduites par rapport à l’original sans pour autant diminuer  considérablement la précision initiale. L’objectif de ce travail est de tester l’aptitude de ces deux stratégies de compression afin de résoudre le problème  initialement posé. L’investigation des modalities de compression est établie pour l’optimisation d’un système d’aide au diagnostic médical (maladie coronarienne), à travers un modèle covolutionnel par transfer learning basé sur le classifieur VGG16. Validé sur la base médicale référenicée “CAD  Cardiac MRI Dataset“, les results montrent que l’utilisation de la quantification assure une réduction significative de la taille des modèles et une  optimisation remarquable en terme de précision et temps d’inférence. Ceci garanti le déploiement du complexe modèles profonds sur des périphiriques  à ressources limitées tout en gardant la performance de décision du modèle non quantifié.