Documentation complète du modèle noise2void

README.md

@@ -1,21 +1,46 @@
-# Noise2Void
+---
+language: fr
+tags:
+- denoising
+- microscopy
+- noise2void
+- tensorflow
+- keras
+license: mit
+---
 
-Modèle de débruitage d'images par auto-supervision (self-supervised denoising), entraîné avec la librairie [N2V](https://github.com/juglab/n2v) (TensorFlow/Keras).
+# Noise2Void — Débruitage d'images microscopiques
+
+Modèle de débruitage d'images microscopiques par auto-supervision (self-supervised denoising), entraîné avec la librairie [N2V](https://github.com/juglab/n2v) (TensorFlow/Keras), dans le cadre d'une thèse sur la drépanocytose.
+
+##  Tâche
+Débruitage d'images microscopiques de frottis sanguin colorées (MGG, Giemsa) avant analyse par les modèles de détection et classification.
+
+## Performance
+| Métrique | Valeur |
+|----------|--------|
+| PSNR | 43.98 dB |
+| SSIM | 0.98 |
 
 ## Fichiers
-- `weights_best.h5` : meilleurs poids (selon validation loss)
+- `weights_best.h5` : meilleurs poids du modèle
 - `weights_last.h5` : derniers poids de l'entraînement
-- `config.json` : configuration de l'entraînement N2V
+- `config.json` : configuration complète de l'entraînement
+- `train_noise2void.ipynb` : notebook d'entraînement
 
 ## Utilisation
-
 ```python
-from n2v.models import N2V, N2VConfig
+from n2v.models import N2V
 
-config = N2VConfig(...)  # ou charger depuis config.json
-model = N2V(config=config, name='n2v_model_test_1_data_gray', basedir='.')
+model = N2V(config=None, name='n2v_model_test_1_data_gray', basedir='.')
 model.keras_model.load_weights('weights_best.h5')
+
+# Débruitage
+denoised = model.predict(image, axes='YX')
 ```
 
-## Reproductibilité
-Ce modèle a été entraîné dans le cadre d'un projet de recherche sur le débruitage d'images médicales. Voir `config.json` pour les hyperparamètres exacts utilisés lors de l'entraînement.
+## Contexte
+Ce modèle fait partie d'un pipeline de recherche sur la détection automatique de cellules falciformes (drépanocytose) à partir d'images de frottis sanguin. Il constitue l'étape de prétraitement du pipeline.
+
+## Auteur
+**Abdourahmane BALDE** — [@abdourahmane01](https://huggingface.co/abdourahmane01)