Add project description and dataset links for IA optimization

This commit introduces a detailed project description document outlining the concepts and approaches for optimizing radiological parameter settings using AI. Additionally, it adds a list of URLs pointing to relevant radiological datasets that will be used for training and evaluation. These files establish the foundation for the project's data-driven approach and model development.

exos/tp_final_ia/dataset/websites.md

+https://stanfordaimi.azurewebsites.net/datasets/8cbd9ed4-2eb9-4565-affc-111cf4f7ebe2
+https://stanfordaimi.azurewebsites.net/datasets/a393606a-a616-46bf-a2ba-68a3b9196db9
+https://stanfordaimi.azurewebsites.net/datasets/23c56a0d-15de-405b-87c8-99c30138950c
+
+https://www.researchgate.net/post/COVID_Chest_X-ray_Images_Dataset
+http://db.jsrt.or.jp/eng.php
+https://nda.nih.gov/oai
+
+https://www.rsna.org/covid-19/covid-19-ricord
+https://www.rsna.org/research
+
+https://bimcv.cipf.es/bimcv-projects/padchest/

exos/tp_final_ia/descriptif_projet.md

+## Descriptif des concepts et approches IA pour l’optimisation des paramétrages radiologiques
+L’objectif est de développer une intelligence artificielle capable d’optimiser les paramètres essentiels des examens radiologiques, comme les Méga Volts (MV) et les kiloAmpères par seconde (kAs), en se basant sur des métadonnées patient et des caractéristiques des images. Voici les étapes mises en œuvre :
+
+
+### Préparation des données :
+    Une base de données dense est constituée avec des images radiologiques labellisées pour différencier celles de bonne qualité et celles de mauvaise qualité.
+    Les métadonnées des images sont extraites (incluant MV, kAs, et autres paramètres techniques), permettant de relier les caractéristiques des images aux paramètres utilisés.
+
+### Classification supervisée :
+    Des modèles d’apprentissage supervisé sont entraînés pour classer les images en fonction de leur qualité, en utilisant les métadonnées et éventuellement les images elles-mêmes.
+    Les modèles testés incluent :
+        -Random Forest et Gradient Boosting pour leur robustesse avec les données tabulaires.
+        -Réseaux neuronaux multi-couches (MLP) pour capturer des relations complexes.
+        -Une approche hybride (CNN+MLP) pourrait être utilisée pour intégrer les métadonnées et les images.
+
+### Évaluation des modèles :
+    La performance des modèles est mesurée à l’aide des courbes ROC et Precision-Recall, complétées par des métriques comme le F1-score, afin d’évaluer leur pertinence clinique et opérationnelle.
+
+### Outils et frameworks utilisés :
+    Les frameworks TensorFlow et PyTorch sont privilégiés pour leur flexibilité et leur capacité à concevoir des architectures avancées.
+    Des outils comme Scikit-learn facilitent le prototypage rapide avec des algorithmes éprouvés comme les Random Forest et XGBoost.
\ No newline at end of file