Ecole Nationale
d’Ingénieurs de Gabès
Département : Génie Électrique -
Automatique
Projet Pratique :
Machine Learning
Réalise par :
Année Universitaire : 2025/2026
Table des matières
[Link] de charge....................................................................................................................... 3
[Link] et Objectifs............................................................................................................3
1.1 Problématique................................................................................................................3
1.2 Objectifs Principaux...................................................................................................... 3
[Link] des Données......................................................................................................3
2.1 Source............................................................................................................................3
2.2 Caractéristiques des Données........................................................................................3
[Link] Techniques.......................................................................................................... 4
3.1 Pré-traitement des Données...........................................................................................4
[Link] pratique :..................................................................................................................... 4
[Link] et exploration de la base de donnes :............................................................... 4
[Link]éation du Modèle CNN.................................................................................................... 6
[Link] et Entraînement du Modèle............................................................................. 7
4.Évaluation du Modèle.......................................................................................................... 8
4.1 Interprétation des Résultats du Modèle......................................................................... 9
[Link]édiction et Visualisation des Résultats............................................................................10
[Link] de confusion.......................................................................................................... 14
I. Cahier de charge
1. Contexte et Objectifs
1.1 Problématique
Développement d'un système d'aide au diagnostic du mélanome cutané à partir d'images
dermatoscopiques pour faciliter la détection précoce de ce cancer de la peau.
1.2 Objectifs Principaux
Créer un modèle de classification binaire (mélanome vs non-mélanome)
Atteindre une haute précision tout en maximisant le rappel (sensibilité)
Développer une interface utilisable par des professionnels de santé
Assurer l'interprétabilité des prédictions
2. Description des Données
2.1 Source
Jeu de données : Melanoma Cancer Dataset (Kaggle)
URL : [Link]
Taille : ~10,000 images (à vérifier selon version actualisée)
2.2 Caractéristiques des Données
- Images RGB de lésions cutanées
- Résolution variable (généralement 224x224 à 1024x1024)
- Deux classes : mélanome (malin) et non-mélanome (bénin)
- Métadonnées possibles : âge, sexe, localisation anatomique
3. Exigences Techniques
3.1 Pré-traitement des Données
Redimensionnement : Normalisation à une résolution standard (ex: 224x224)
Augmentation : Techniques pour gérer le déséquilibre de classes :
o Rotation, zoom, retournement horizontal/vertical
o Ajustement de contraste/luminosité
Normalisation : Standardisation des valeurs de pixels
Split : Division 70%/15%/15% (train/validation/test)
II. Travail pratique :
Chargement et exploration de la base de donnes :
1. Création du Modèle CNN
Définir le modèle : en utilisant les couches suivantes :
Couches de convolution pour extraire les motifs visuels.
Couches de pooling pour réduire la taille des images et les paramètres.
Couches denses pour la classification finale.
2. Compilation et Entraînement du Modèle
3. Évaluation du Modèle
Évaluation : valuer le modèle sur les données de test pour calculer la précision finale.
Visualisation des courbes de précision et de perte.
4.1 Interprétation des Résultats du Modèle
Le modèle atteint 80% de précision sur l'ensemble de test, ce qui est modeste pour une tâche
médicale critique comme la détection du mélanome. La précision finale d'entraînement
(84.55%) est supérieure à celle de validation (77.20%), indiquant un léger surapprentissage.
Précision (Accuracy) :
Courbes d'entraînement et validation convergent raisonnablement après 4 époques
Écart de ~7% entre entraînement (84.55%) et validation (77.20%) donc
surapprentissage modéré
Pas d'effondrement de la validation → modèle relativement stable
Perte (Loss) :
Les deux courbes de loss diminuent régulièrement
Loss finale : 0.3773 (cohérent avec la précision)
Écart visible entre courbes mais pas d'explosion → bonne généralisation
Points Positifs :
Convergence rapide en seulement 4 époques
Pas d'overfitting sévère (écarts contrôlés)
Performance stable sur les 3 ensembles (train/val/test)
Problèmes Identifiés :
Précision insuffisante (80% seulement) pour une application médicale
Besoin d'amélioration : objectif > 90% de sensibilité pour détection cancer
Peu d'époques d'entraînement (4) donc modèle potentiellement sous-entraîné
4. Prédiction et Visualisation des Résultats
Early stopping :
L'early stopping a permis d'atteindre 87.4% de précision sur le test, soit une nette
amélioration. Cependant, l'entraînement révèle des problèmes majeurs : l'accuracy de
validation fluctue dangereusement (entre 73.65% et 80.32%), montrant une instabilité
inquiétante. L'écart persistant d'environ 8.5% entre entraînement (~86.5%) et validation
(~78%) confirme un surapprentissage significatif.
Le modèle a été restauré à l'époque 7, son meilleur moment. Malgré cette optimisation,
la variabilité des performances sur la validation indique que l'architecture ne généralise pas
bien. Pour une application médicale, ces résultats restent insuffisants et risqués :
la sensibilité (détection des vrais mélanomes) n'est pas mesurée et pourrait être bien plus
basse. Une refonte complète avec transfer learning est recommandée.
5. matrice de confusion
La prétendue "précision globale de 87.4%" était trompeuse. La réalité est bien plus
alarmante : seulement 75.55% de précision sur 2000 images, avec un déséquilibre de
performances catastrophique entre les deux classes.
Pour la classe critique "Malignant" (mélanome), le modèle échoue
dramatiquement : seulement 58.90% de rappel (sensibilité), ce qui signifie qu'il rate 41.1%
des cancers (411 faux négatifs sur 1000 mélanomes). C'est inacceptable médicalement.
À l'inverse, pour les lésions bénignes, le rappel est excellent (92.20%) mais au prix
d'une mauvaise précision (69.17%) : 411 faux positifs génèrent un grand nombre de
diagnostics erronés, conduisant à des biopsies inutiles et de l'anxiété patiente.
Le vrai problème : le modèle est excessivement prudent pour éviter les faux positifs de
mélanomes, au détriment de la détection réelle des cancers. Cette stratégie est dangereuse en
dermatologie où manquer un mélanome peut être mortel.
La matrice de confusion confirme cette asymétrie : 589 vrais mélanomes détectés contre 411
manqués. Le F1-score déséquilibré (79.04% pour bénin vs 70.67% pour malin) révèle un
modèle non adapté à sa mission médicale