Page 79 - C:\Users\lpnan\Documents\Flip PDF\revue ODF 1 2021\

Deep Learning in orthodontics: going forward on a new patient-practitioner relationship

Activation finale
(selon notre exemple) :
FORWARD PROPAGATION 0
( ,….., 5 ) = 1
Valeurs 0
n
Pondération 2
n Activation selon : Quelques couches de Phase d’apprentissage
0 ( n n + n ) neurones plus tard…
0 0 ∑
1 Valeurs
attendues
0,25
1 2
5% (± 2%) 0
0
0,5
2 3
75% (± 1%) 1
1
0
3 4 20% (± 1%)

2 2
1

4
5
0,75
5
BACKWARD PROPAGATION Fonction

de coût
(erreur)
Output Layer
Données Input Layer Hidden layers
(résultat)

L’apprentissage profond permet notam- Le principe de fonctionnement est toujours Figure 5 :
ment de créer des outils d’aide le même. L’idée est de présenter à un représentation schématique
au diagnostic. Des résultats spectacu- réseau de neurones profonds un grand du fonctionnement d’une
réseau de neurones bayésien
laires ont été obtenus sur des problèmes nombre d’exemples avec, pour chaque (ɑ = valeurs d’entrée ;
n
tels que la détection de mélanomes, exemple, la solution désirée (la « vérité w = facteur de pondération
n
le diagnostic ophtalmologique de la terrain »). Cette base d’images, pour spécifique à chaque connexion ;
� et � = fonction et biais
dégénérescence maculaire, à partir laquelle la solution désirée est connue, est (seuil) d’activation spécifique à
n
n
d’images OCT, ou le diagnostic du COVID- appelée base d’apprentissage. Ensuite, chaque neurone ;
19, à partir d’images tomographiques des par une méthode d’optimisation diffé- � = valeurs de sortie ;
n
poumons. rentiable appelée descente de gradient, � = valeurs attendues).
n
les paramètres du réseau sont modifiés
L’apprentissage profond permet aussi itérativement de manière à reproduire
de filtrer des images, que ce soit pour la le résultat désiré sur la base d’apprentis-
réduction d’artefacts métalliques sur des sage.
images CBCT, la réduction d’artefacts de
mouvement sur des images par résonance Schématiquement, dans ce cerveau arti-
magnétique, ou la réduction de bruit sur ficiel, des signaux voyagent entre les
diverses modalités. différentes couches de neurones virtuels
(fig. 5). Les neurones de la première

RODF 2021;55(1):73-87 79

21/01/2021 16:19
RODF-2021-1.indb 79 21/01/2021 16:19
RODF-2021-1.indb 79