University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Deep Learning for medical images segmentation Type de document : texte imprimé Auteurs : Zouhir Badache, Auteur ; Mohamed Bounechada ; mohamed Chafia Kara, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (60 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Computer Aided Diagnosis
Machine Learning
Deep Learning
Medical images
Blood Vessel Segmentation
U-Net with attentionIndex. décimale : 004 - Informatique Résumé :
Assisting doctors and radiologists in their hard and precise work is the main objective
of Computer Aided Diagnosis field (CAD). Machine Learning (ML) and recently
Deep Learning (DL) have proved their efficiency in this task. In the field of Ophthalmology,
accurate blood vessel segmentation is crucial for diagnosing and monitoring
various retinal diseases such as Diabetic Retinopathy, Glaucoma, and Age-related Macular
Degeneration. Segmentation, in medical images, is the process to separate and
delineate different parts in these images. This segmentation assists health care staff
in their work to handle variations in vessel appearance due to factors like age, disease
progression. In this context, we aim, in our work, to design a DL model based on
U-Net model with attention to segment retinal vessels images using FIVES dataset.
Our model outperforms the state of the art ones in term of accuracy 97.51%. Our
results are also examined by an ophthalmologist and he was more than satisfied.Note de contenu :
Sommaire
Table of contents v
List of figures vii
List of tables viii
1 Medical Image Segmentation 1
1 Introduction to Medical Image Segmentation . . . . . . . . . . . . . . . 2
2 Challenges in Medical Image Segmentation . . . . . . . . . . . . . . . . 3
2.1 Image Complexity . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Anatomical Variability . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Limited Annotations . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Real-Time Constraints . . . . . . . . . . . . . . . . . . . . . . . 3
3 Commonly Used Segmentation Techniques . . . . . . . . . . . . . . . . 4
3.1 Thresholding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Edge-Based . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Region-Growing . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4 Applications of Segmentation in Clinical Practice . . . . . . . . . . . . 5
4.1 Oncology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2 Neurology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.3 Cardiology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.4 ophthalmology . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Deep Learning for Segmentation 8
1 Introduction to Deep Learning for Segmentation . . . . . . . . . . . . 9
2 Models Used for Segmentation . . . . . . . . . . . . . . . . . . . . . . . 10
2.1 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 FCN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Mask R-CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 DeepLab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Semantic Segmentation vs Instance Segmentation . . . . . . . . . . . . 11
3.1 Semantic Segmentation . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Instance Segmentation . . . . . . . . . . . . . . . . . . . . . . . 11
4 U-Net Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1 Encoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 Decoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Skip Connections . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.4 Attention Mechanism . . . . . . . . . . . . . . . . . . . . . . . 14
4.5 Final Convolutional Layers . . . . . . . . . . . . . . . . . . . . 15
5 Activation Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.1 Sigmoid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2 ReLU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3 ELU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.4 Softmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.5 Tanh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.1 Loss Functions for Classification: . . . . . . . . . . . . . . . . . 17
6.2 Loss Functions for Regression: . . . . . . . . . . . . . . . . . . . 18
7 Optimizers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.1 Stochastic Gradient Descent: . . . . . . . . . . . . . . . . . . . 19
7.2 Adagrad: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.3 Adadelta: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.4 RMSprop: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.5 Adam: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
8 overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
9 techniques to avoid overfitting . . . . . . . . . . . . . . . . . . . . . . . 21
9.1 Batch Normalization . . . . . . . . . . . . . . . . . . . . . . . . 21
9.2 Dropout: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
9.3 Early Stopping: . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
9.4 Data Augmentation: . . . . . . . . . . . . . . . . . . . . . . . . 22
10 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
10.1 Dice Coefficient . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
10.2 Intersection over Union : . . . . . . . . . . . . . . . . . . . . . . 23
10.3 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
10.4 Peak Signal-to-Noise Ratio (PSNR) . . . . . . . . . . . . . . . . 24
10.5 F1 score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
10.6 The Area Under the Curve (AUC) . . . . . . . . . . . . . . . . 26
3 Related Works 27
4 Methodology 31
1 Study Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Annotation Process . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Usage and Applications . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Some papers that use this dataset . . . . . . . . . . . . . . . . . 34
2.6 Availability and Access . . . . . . . . . . . . . . . . . . . . . . . 35
3 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Choosing the best filters . . . . . . . . . . . . . . . . . . . . . . 35
4 Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1 Keras data generators . . . . . . . . . . . . . . . . . . . . . . . 42
5 Model Development . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1 Custom attention U-Net model . . . . . . . . . . . . . . . . . . 46
5.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.3 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.4 Model evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6 Final results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.1 Generated masks . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.2 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50Côte titre : MAI/0901 Deep Learning for medical images segmentation [texte imprimé] / Zouhir Badache, Auteur ; Mohamed Bounechada ; mohamed Chafia Kara, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (60 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Computer Aided Diagnosis
Machine Learning
Deep Learning
Medical images
Blood Vessel Segmentation
U-Net with attentionIndex. décimale : 004 - Informatique Résumé :
Assisting doctors and radiologists in their hard and precise work is the main objective
of Computer Aided Diagnosis field (CAD). Machine Learning (ML) and recently
Deep Learning (DL) have proved their efficiency in this task. In the field of Ophthalmology,
accurate blood vessel segmentation is crucial for diagnosing and monitoring
various retinal diseases such as Diabetic Retinopathy, Glaucoma, and Age-related Macular
Degeneration. Segmentation, in medical images, is the process to separate and
delineate different parts in these images. This segmentation assists health care staff
in their work to handle variations in vessel appearance due to factors like age, disease
progression. In this context, we aim, in our work, to design a DL model based on
U-Net model with attention to segment retinal vessels images using FIVES dataset.
Our model outperforms the state of the art ones in term of accuracy 97.51%. Our
results are also examined by an ophthalmologist and he was more than satisfied.Note de contenu :
Sommaire
Table of contents v
List of figures vii
List of tables viii
1 Medical Image Segmentation 1
1 Introduction to Medical Image Segmentation . . . . . . . . . . . . . . . 2
2 Challenges in Medical Image Segmentation . . . . . . . . . . . . . . . . 3
2.1 Image Complexity . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Anatomical Variability . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Limited Annotations . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Real-Time Constraints . . . . . . . . . . . . . . . . . . . . . . . 3
3 Commonly Used Segmentation Techniques . . . . . . . . . . . . . . . . 4
3.1 Thresholding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Edge-Based . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Region-Growing . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4 Applications of Segmentation in Clinical Practice . . . . . . . . . . . . 5
4.1 Oncology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2 Neurology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.3 Cardiology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.4 ophthalmology . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Deep Learning for Segmentation 8
1 Introduction to Deep Learning for Segmentation . . . . . . . . . . . . 9
2 Models Used for Segmentation . . . . . . . . . . . . . . . . . . . . . . . 10
2.1 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 FCN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Mask R-CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 DeepLab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Semantic Segmentation vs Instance Segmentation . . . . . . . . . . . . 11
3.1 Semantic Segmentation . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Instance Segmentation . . . . . . . . . . . . . . . . . . . . . . . 11
4 U-Net Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1 Encoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 Decoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Skip Connections . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.4 Attention Mechanism . . . . . . . . . . . . . . . . . . . . . . . 14
4.5 Final Convolutional Layers . . . . . . . . . . . . . . . . . . . . 15
5 Activation Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.1 Sigmoid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2 ReLU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.3 ELU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.4 Softmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.5 Tanh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.1 Loss Functions for Classification: . . . . . . . . . . . . . . . . . 17
6.2 Loss Functions for Regression: . . . . . . . . . . . . . . . . . . . 18
7 Optimizers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.1 Stochastic Gradient Descent: . . . . . . . . . . . . . . . . . . . 19
7.2 Adagrad: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.3 Adadelta: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.4 RMSprop: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.5 Adam: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
8 overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
9 techniques to avoid overfitting . . . . . . . . . . . . . . . . . . . . . . . 21
9.1 Batch Normalization . . . . . . . . . . . . . . . . . . . . . . . . 21
9.2 Dropout: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
9.3 Early Stopping: . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
9.4 Data Augmentation: . . . . . . . . . . . . . . . . . . . . . . . . 22
10 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
10.1 Dice Coefficient . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
10.2 Intersection over Union : . . . . . . . . . . . . . . . . . . . . . . 23
10.3 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
10.4 Peak Signal-to-Noise Ratio (PSNR) . . . . . . . . . . . . . . . . 24
10.5 F1 score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
10.6 The Area Under the Curve (AUC) . . . . . . . . . . . . . . . . 26
3 Related Works 27
4 Methodology 31
1 Study Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Data Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Annotation Process . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Usage and Applications . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Some papers that use this dataset . . . . . . . . . . . . . . . . . 34
2.6 Availability and Access . . . . . . . . . . . . . . . . . . . . . . . 35
3 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Choosing the best filters . . . . . . . . . . . . . . . . . . . . . . 35
4 Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1 Keras data generators . . . . . . . . . . . . . . . . . . . . . . . 42
5 Model Development . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1 Custom attention U-Net model . . . . . . . . . . . . . . . . . . 46
5.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.3 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.4 Model evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6 Final results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.1 Generated masks . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.2 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50Côte titre : MAI/0901 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0901 MAI/0901 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep Learning for Medical Object Detection and Segmentation : Case of Osteoarthritis Disease Type de document : texte imprimé Auteurs : Ouassim boukhennoufa, Auteur ; Aymen kara mahammed, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Année de publication : 2022 Importance : 1 vol (105 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Transfer learning
Vision transformersIndex. décimale : 004 Informatique Résumé :
Osteoarthritis disease is mainly caused due to the damage to the knee joints, and
since it is damaged, and diagnosed at late stages, there is almost no chance to reverse
and cure the bone, which means that the patient will lose the ability to walk in a normal
way and doing physical activities, and may entirely lose the use of his knees. In this
thesis we want to propose novel classification models based on deep learning that will be
able to classify and identify different grades of the osteoarthritis disease, and also object
detectors to compare them to the classification models. We propose seven customized
transfer learning models, we also proposed 7 Vision transformers models. In order to
evaluate our model, we have compared the diagnosis of 6 experts in relation to deep
learning with the performance of our models. Our proposed models outperformed the
diagnosis of the previously published works using the same data, where we obtained
an accuracy of up to 93.87% with early-stage detection. In addition, object detection
approaches were proposed based on YoLo to compare them to classification models.Côte titre : MAI/0617 En ligne : https://drive.google.com/file/d/1wy5MIfktmP63KzGlInLn58_HPt-I2S7r/view?usp=share [...] Format de la ressource électronique : Deep Learning for Medical Object Detection and Segmentation : Case of Osteoarthritis Disease [texte imprimé] / Ouassim boukhennoufa, Auteur ; Aymen kara mahammed, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - 2022 . - 1 vol (105 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Transfer learning
Vision transformersIndex. décimale : 004 Informatique Résumé :
Osteoarthritis disease is mainly caused due to the damage to the knee joints, and
since it is damaged, and diagnosed at late stages, there is almost no chance to reverse
and cure the bone, which means that the patient will lose the ability to walk in a normal
way and doing physical activities, and may entirely lose the use of his knees. In this
thesis we want to propose novel classification models based on deep learning that will be
able to classify and identify different grades of the osteoarthritis disease, and also object
detectors to compare them to the classification models. We propose seven customized
transfer learning models, we also proposed 7 Vision transformers models. In order to
evaluate our model, we have compared the diagnosis of 6 experts in relation to deep
learning with the performance of our models. Our proposed models outperformed the
diagnosis of the previously published works using the same data, where we obtained
an accuracy of up to 93.87% with early-stage detection. In addition, object detection
approaches were proposed based on YoLo to compare them to classification models.Côte titre : MAI/0617 En ligne : https://drive.google.com/file/d/1wy5MIfktmP63KzGlInLn58_HPt-I2S7r/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0617 MAI/0617 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep learning for segmentation and analysis of pathogies in medcal imaging Type de document : texte imprimé Auteurs : Guergouri,Nassim, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (78 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Apprentissage profond
Segmentation d'images médicales
Réseau résiduel profond(DRN)
Apprentissage par transfert
Tumeur cérébraleIndex. décimale : 004 - Informatique Note de contenu : List of Tables v
List of Figures vi
1 Introduction 1
Introduction 1
Aim of the Work 2
Structure of the Work 2
2 Clinical Background 4
Introduction 4
Image Characteristics 4
Spatial Resolution 5
Convolution 5
Contrast-To-Noise Ratio 6
Signal-To-Noise Ratio 7
Medical Imaging Modality 7
X-ray Production and X-ray Tubes 8
X-ray Production 8
X-ray Tubes 8
Radiography 9
Fluoroscopy 10
Mammography 10
Computed Tomography 10
Magnetic Resonance Imaging 11
Ultrasound 12
Nuclear Medicine 12
Conclusion 13
3 Theorical Background 14
Introduction 14
Machine Learning 14
Machine Learning process 15
Machine Learning categories 15
3.2.2.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.2.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.1 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3.3 Support vector machines(SVMs) . . . . . . . . . . . . . . . 18
3.2.3.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 21
3.2.4 Overfitting and Underfitting . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.2.1 Convolutional Neural Networks . . . . . . . . . . . . . . . 30
3.3.2.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . 32
3.3.2.3 Restricted Boltzmann Machines . . . . . . . . . . . . . . . 32
3.3.2.4 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.1 Speech Recognition . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.2 Natural Language Processing . . . . . . . . . . . . . . . . . 35
3.3.3.3 Recommender Systems . . . . . . . . . . . . . . . . . . . . 36
3.3.3.4 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.4 Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Image Segmentation: Literature Review 39
Introduction 39
Segmentation 39
Manual Segmentation 40
Semi-Automatic/ Interactive Segmentation 40
Fully automatic segmentation 40
Segmentation Methods 41
Threshold based methods 41
Region based methods 41
Classifiers and Clustering 42
Atlas-based Approaches 42
Related work 44
Conclusion 46
5 Datasets and Implementation Frameworks 47
Introduction 47
Datasets 47
MICCAI-BRATS 2017 Dataset 47
Brain tumour 48
MRI sequences 49
Preprocessing 49
Diabetic Retinopathy Dataset 50
Preprocessing 50
Implementation Framework 51
Deep Learning Frameworks 51
TensorFlow 52
Keras 52
Development environment 53
Python 53
Scikit-learn 53
NiftyNet 53
Nibabel 54
Approaches 54
Brain Tumor Segmentation 54
Diabetic Retinopathy Detection 57
Conclusion 59
6 Experiments and results 60
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Brain Tumor Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.2 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.4 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.3 Diabetic retinopathy Detection . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.1 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.3 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7 Conclusion 71
Conclusion 71
Future work 72
Bibliography 73
Côte titre : MAI/0215 En ligne : https://drive.google.com/file/d/14iVl2KfxdP6DJXp3-9VQCSyP98CcJJ-S/view?usp=shari [...] Format de la ressource électronique : Deep learning for segmentation and analysis of pathogies in medcal imaging [texte imprimé] / Guergouri,Nassim, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (78 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Apprentissage profond
Segmentation d'images médicales
Réseau résiduel profond(DRN)
Apprentissage par transfert
Tumeur cérébraleIndex. décimale : 004 - Informatique Note de contenu : List of Tables v
List of Figures vi
1 Introduction 1
Introduction 1
Aim of the Work 2
Structure of the Work 2
2 Clinical Background 4
Introduction 4
Image Characteristics 4
Spatial Resolution 5
Convolution 5
Contrast-To-Noise Ratio 6
Signal-To-Noise Ratio 7
Medical Imaging Modality 7
X-ray Production and X-ray Tubes 8
X-ray Production 8
X-ray Tubes 8
Radiography 9
Fluoroscopy 10
Mammography 10
Computed Tomography 10
Magnetic Resonance Imaging 11
Ultrasound 12
Nuclear Medicine 12
Conclusion 13
3 Theorical Background 14
Introduction 14
Machine Learning 14
Machine Learning process 15
Machine Learning categories 15
3.2.2.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.2.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.1 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3.3 Support vector machines(SVMs) . . . . . . . . . . . . . . . 18
3.2.3.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 21
3.2.4 Overfitting and Underfitting . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.2.1 Convolutional Neural Networks . . . . . . . . . . . . . . . 30
3.3.2.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . 32
3.3.2.3 Restricted Boltzmann Machines . . . . . . . . . . . . . . . 32
3.3.2.4 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.1 Speech Recognition . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.2 Natural Language Processing . . . . . . . . . . . . . . . . . 35
3.3.3.3 Recommender Systems . . . . . . . . . . . . . . . . . . . . 36
3.3.3.4 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.4 Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Image Segmentation: Literature Review 39
Introduction 39
Segmentation 39
Manual Segmentation 40
Semi-Automatic/ Interactive Segmentation 40
Fully automatic segmentation 40
Segmentation Methods 41
Threshold based methods 41
Region based methods 41
Classifiers and Clustering 42
Atlas-based Approaches 42
Related work 44
Conclusion 46
5 Datasets and Implementation Frameworks 47
Introduction 47
Datasets 47
MICCAI-BRATS 2017 Dataset 47
Brain tumour 48
MRI sequences 49
Preprocessing 49
Diabetic Retinopathy Dataset 50
Preprocessing 50
Implementation Framework 51
Deep Learning Frameworks 51
TensorFlow 52
Keras 52
Development environment 53
Python 53
Scikit-learn 53
NiftyNet 53
Nibabel 54
Approaches 54
Brain Tumor Segmentation 54
Diabetic Retinopathy Detection 57
Conclusion 59
6 Experiments and results 60
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Brain Tumor Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.2 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.4 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.3 Diabetic retinopathy Detection . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.1 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.3 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7 Conclusion 71
Conclusion 71
Future work 72
Bibliography 73
Côte titre : MAI/0215 En ligne : https://drive.google.com/file/d/14iVl2KfxdP6DJXp3-9VQCSyP98CcJJ-S/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0215 MAI/0215 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep Learning for Segmentation and Pathology Analysis in Medical Imaging Type de document : document électronique Auteurs : yamina Azzi ; Mohand Tahar Kechadi, Directeur de thèse ; Abdelouaheb Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (125 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep learning, Medical Images, Brain Tumor, Image segmentation, Image
Classification, Class imbalanceIndex. décimale : 004 Informatique Résumé : Since the advent of deep learning, there has been a technological revolution, endowing
computers with remarkable abilities in learning, reasoning, thinking, and decisionmaking.
Deep learning has played a pivotal role in facilitating feature extraction,
particularly in the realm of computer vision, where it significantly contributes to
learning and recognizing image and video content. This impact extends to the
field of medical image research, as demonstrated in this thesis. The focus is on
the role of deep learning in the precise automatic segmentation of medical images,
specifically in segmenting brain glioma tumors and their associated sub-tumoral
tissue from multimodal MRI scans. The thesis presents various contributions aimed
at achieving accurate segmentation, including a comparative study between machine
learning-based methods and deep learning architectures. Additionally, it sheds light
on the substantial influence of class imbalance on image segmentation evaluation
metrics. Lastly, the thesis proposes a transfer learning-based method to construct a
model capable of classifying three types of brain tumors: Meningioma, glioma, and
pituitary tumorsCôte titre : DI/0080 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4418 Deep Learning for Segmentation and Pathology Analysis in Medical Imaging [document électronique] / yamina Azzi ; Mohand Tahar Kechadi, Directeur de thèse ; Abdelouaheb Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (125 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep learning, Medical Images, Brain Tumor, Image segmentation, Image
Classification, Class imbalanceIndex. décimale : 004 Informatique Résumé : Since the advent of deep learning, there has been a technological revolution, endowing
computers with remarkable abilities in learning, reasoning, thinking, and decisionmaking.
Deep learning has played a pivotal role in facilitating feature extraction,
particularly in the realm of computer vision, where it significantly contributes to
learning and recognizing image and video content. This impact extends to the
field of medical image research, as demonstrated in this thesis. The focus is on
the role of deep learning in the precise automatic segmentation of medical images,
specifically in segmenting brain glioma tumors and their associated sub-tumoral
tissue from multimodal MRI scans. The thesis presents various contributions aimed
at achieving accurate segmentation, including a comparative study between machine
learning-based methods and deep learning architectures. Additionally, it sheds light
on the substantial influence of class imbalance on image segmentation evaluation
metrics. Lastly, the thesis proposes a transfer learning-based method to construct a
model capable of classifying three types of brain tumors: Meningioma, glioma, and
pituitary tumorsCôte titre : DI/0080 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4418 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0080 DI/0080 Thèse Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Deep learning for the analysis of emotions in the Algerian dialect Type de document : texte imprimé Auteurs : Merouani ,Ahmed Abdenour, Auteur ; Mediani,Chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (66 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine learning
Deep learningIndex. décimale : 004 - Informatique Résumé :
Machines and algorithms can now discern a variety of human emotions thanks
to technological advancements. Emotion identification has a significant social
impact and is increasingly in demand in a number of industries, from
retail to healthcare. Aside from the important role of emotion recognition
in healthcare, which aids in the diagnosis of mental illnesses by identifying a
pattern in emotional kinds, adv .
The goal of this research was to create a deep learning model that could
recognize emotions from the text we exchange on a regular basis. Nowadays,
personalisation is required in everything we encounter on a daily basis.Côte titre : MAI/0484 En ligne : https://drive.google.com/file/d/1iMcfS7T7QXepC-KqZ-plIda35KnRBLvH/view?usp=shari [...] Format de la ressource électronique : Deep learning for the analysis of emotions in the Algerian dialect [texte imprimé] / Merouani ,Ahmed Abdenour, Auteur ; Mediani,Chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (66 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Machine learning
Deep learningIndex. décimale : 004 - Informatique Résumé :
Machines and algorithms can now discern a variety of human emotions thanks
to technological advancements. Emotion identification has a significant social
impact and is increasingly in demand in a number of industries, from
retail to healthcare. Aside from the important role of emotion recognition
in healthcare, which aids in the diagnosis of mental illnesses by identifying a
pattern in emotional kinds, adv .
The goal of this research was to create a deep learning model that could
recognize emotions from the text we exchange on a regular basis. Nowadays,
personalisation is required in everything we encounter on a daily basis.Côte titre : MAI/0484 En ligne : https://drive.google.com/file/d/1iMcfS7T7QXepC-KqZ-plIda35KnRBLvH/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0484 MAI/0484 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleDeep learning for the recognition and classification of different postures and behaviors of vehicle drivers / Hamitouche,Ilyes
Permalink
PermalinkPermalink
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
