University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'CAD'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins / NECHADI, Sara
Titre : Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins Type de document : texte imprimé Auteurs : NECHADI, Sara ; Alti,Adel, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (86f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : CAD ontologie extraction de paramètres classification réseau de neurones MLP mammographie microcalcifications Index. décimale : 004 Informatique Résumé :
Résumé
Le cancer du sein est un véritable fléau de nos jours puisqu’il touche une grande population féminine et constitue à lui seul le plus grand pourcentage de mortalité chez les femmes. Cependant la détection de la tumeur à une étape précoce augmentera considérablement les chances de guérisons des patientes. Il apparait indispensable de développer de nouvelles méthodes ou de nouveaux protocoles pour le dépistage du cancer du sein. Nous proposons à cet effet une nouvelle méthode de classification des images de mammographies basée sur l’utilisation des ontologies.
Cette méthode consiste à rajouter l’aspect sémantique à l'information médicale des images de mammographie via une ontologie spécialisée développée à cet effet en se basant sur le système de caractérisation BI-RADS.
La méthode proposée a été testée sur 150 mammographies provenant de la base d'images DDSM (Digital Database for Screening Mammography).
Note de contenu :
Table de matière
Remerciement
Dédicace
Table de la matière
Liste des Figures
Liste des tableaux
Introduction générale ………………………………………………………………………..1
Chapitre 1 : Extraction des connaissances et fouille de données
1. Introduction…………………………………………………………………………..4
2. L’extraction des connaissances à partir de donnée (ECD)……………………….4
2.1 Définition d’ECD………………………………………………………..4
2.2 Processus d’ECD………………………………………………………………5
2.2.1 Les étapes de processus ECD…………………………………………..5
2.2.2 Les caractéristiques de processus ECD………………………………...7
3. Fouille de données (Data mining)……………………………………………………7
3.1 Définition de Data mining………………………………………………….7
3.2 Domaines d’application……………………………………………………7
3.3 Les tâches de Data mining…………………………………………………9
4. Conclusion……………………………………………………………………………12
Chapitre 2 : L’imagerie médicale et système CAD
I. Introduction…………………………………………………………………………13
II. L’imagerie médicale………………………………………………………………...13
1. Définition d’imagerie médicale……………………………………………………....13
2. Le but de l’imagerie médicale……………………………………………………13
3. Les principes physiques utilisés en imagerie médicale……………………..........14
3.1 Les rayons X…………………………………………………………………14
3.2 Les ultrasons ………………………………………………………………...15
3.3 La résonance magnétique nucléaire (RMN)…………………………………15
4. Les modalités d’imagerie médicale………………………………………............16
4.1 La radiographie………………………………………………………………16
4.2 Le scanner……………………………………………………………………16
4.3 L’échographie………………………………………………………………..17
4.4 Imagerie par résonance magnétique (IRM)………………………………….18
4.5 La mammographie…………………………………………………………...19
III. Le système CAD en imagerie médicale…………………………………………….21
1. Le CAD en mammographie (état de l’art)………………………………………..21
1.1 la détection automatique des cancers en mammographie…………………….22
1.1.1 Les composants d’un système de détection automatique…………….22
1.1.2 Prétraitement des images……………………………………………...23
1.1.3 Marquage……………………………………………………………...23
1.1.4 Prise de décision………………………………………………………25
IV. Conclusion…………………………………………………………………………....27
Chapitre 3: La segmentation des images médicales
1. Introduction…………………………………………………………………………28
2. Qu’est-ce que la segmentation ?...............................................................................28
3. Objectif de segmentation d’image ………………………………………………...28
4. Les différentes méthodes de segmentation………………………………………...29
4.1 L’approche par région………………………………………………………..29
4.1.1 seuillage ………………………………………………………………....29
4.1.2 croissance de région……………………………………………………...29
4.1.3 Division-fusion de régions………………………………………………30
4.2 L’approche contour…………………………………………………………30
4.3 Méthodes de classification…………………………………………………..31
4.3.1 méthodes de classification supervisées……………..................................31
4.3.2 méthodes de classification non supervisées……………………………. 34
5. Conclusion……………………………………………………………………………36
Chapitre 4 : Le cancer des seins
1. Introduction…………………………………………………………………………37
2. Qu’est-ce qu’un cancer ?...........................................................................................37
3. L’anatomie de sein………………………………………………………………….37
3.1 Description générale…………………………………………………………37
3.2 Description détaillée…………………………………………………………38
4. Pathologies mammaire……………………………………………………………..39
4.1 Les maladies bénignes……………………………………………………….40
4.2 Les maladies malignes………………………………………………………41
4.2.1 Les symptômes………………………………………………………….41
4.2.2 Les facteurs de risques………………………………………………….42
4.2.3 Le dépistage…………………………………………………………….. 42
4.2.4 Le diagnostic…………………………………………………………….44
4.2.5 Les différents types de cancer……………………………………………44
4.2.6 Caractéristiques des différents types de cancer…………………………..45
4.2.7 La classification BI-RADS [ACR, 2003]………………………………..48
4.2.8 La classification proposée………………………………………………..48
4.2.9 Le traitement du cancer…………………………………………………..50
5. Conclusion…………………………………………………………………………..52
Chapitre 5 : Les ontologies
1. Introduction…………………………………………………………………………53
2. Définition……………………………………………………………………………53
3. Pourquoi les ontologies ?...........................................................................................54
4. Les aspects d’une ontologie………………………………………………………...55
4.1 Formelle……………………………………………………………………………55
4.2 Consensuelle………………………………………………………………………..55
4.3 Référençable…………………………………………………………………………55
5. Les composants d’une ontologie…………………………………………………...55
5.1 Classes/concepts……………………………………………………………………..55
5.2 Les relations………………………………………………………………………….55
5.3 Les fonctions………………………………………………………………………57
5.4 Les axiomes…………………………………………………………………………57
5.5 Les instances (individus)…………………………………………………………….57
6. Les différents types d’ontologies…………………………………………………...57
6.1 Selon le degré de formalisme………………………………………………...58
6.2 Selon les objets modalisés…………………………………………………...58
7. Construction d’une ontologie………………………………………………………60
7.1 Etapes de construction d’une ontologie……………………………………...60
7.2 Quelques méthodes de construction………………………………………….61
8. Usage des ontologies………………………………………………………………...62
9. Langages de représentation………………………………………………………..63
9.1 RDF………………………………………………………………………...63
9.2 RDFS…………………………………………………………………………63
9.3 DAML-OIL…………………………………………………………………..64
9.4 OWL…………………………………………………………………………64
10. Conclusion…………………………………………………………………………..65
Chapitre 6 : contribution au dépistage du cancer de seins
1. Introduction………………………………………………………………………….….66
2. Description générale de système………………………………………………………..66
2.1 Extraction des paramètres………………………………………………………...67
3. Base de données mammographies………………………………………………………67
3.1 Description de fichier ics…………………………………………………………68
3.2 description de fichier overlay………………………………………………...….68
4. Classification par les réseaux de neurones……………………………………………..69
5. Classification par l’ontologie…………………………………………………………...71
5.1 Construction d’une ontologie pour la prise de décision des pathologies mammaires………………………………………………………………………..71
5.1.1 Spécification…………………………………………………………….72
5.1.2 Conceptualisation……………………………………………………….72
6. Conclusion………………………………………………………………………………..77
Chapitre 7 : Implémentation et validation
1. Introduction……………………………………………………………………………....78
2. Environnement de développement………………………………………………………78
2.1 Protégé……………………………………………………………………………78
2.2 Le langage SWRL……………………………………………..…………………79
2.3 JESS (The JavaExpert System Shell)…………………………………….………79
3. La base d’image utilisée………………………………………………………….....79
4. Organisation de l’application………………………………………………………81
5. Classification par l’ontologie……………………………………………………….82
6. Menu d’utilisation de notre application…………………………………………...83
7. Conclusion…………………………………………………………………………...85
Conclusion générale…………………………………………...................................86
Bibliographie
Résumé
Côte titre : MAI/0034 Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins [texte imprimé] / NECHADI, Sara ; Alti,Adel, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (86f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : CAD ontologie extraction de paramètres classification réseau de neurones MLP mammographie microcalcifications Index. décimale : 004 Informatique Résumé :
Résumé
Le cancer du sein est un véritable fléau de nos jours puisqu’il touche une grande population féminine et constitue à lui seul le plus grand pourcentage de mortalité chez les femmes. Cependant la détection de la tumeur à une étape précoce augmentera considérablement les chances de guérisons des patientes. Il apparait indispensable de développer de nouvelles méthodes ou de nouveaux protocoles pour le dépistage du cancer du sein. Nous proposons à cet effet une nouvelle méthode de classification des images de mammographies basée sur l’utilisation des ontologies.
Cette méthode consiste à rajouter l’aspect sémantique à l'information médicale des images de mammographie via une ontologie spécialisée développée à cet effet en se basant sur le système de caractérisation BI-RADS.
La méthode proposée a été testée sur 150 mammographies provenant de la base d'images DDSM (Digital Database for Screening Mammography).
Note de contenu :
Table de matière
Remerciement
Dédicace
Table de la matière
Liste des Figures
Liste des tableaux
Introduction générale ………………………………………………………………………..1
Chapitre 1 : Extraction des connaissances et fouille de données
1. Introduction…………………………………………………………………………..4
2. L’extraction des connaissances à partir de donnée (ECD)……………………….4
2.1 Définition d’ECD………………………………………………………..4
2.2 Processus d’ECD………………………………………………………………5
2.2.1 Les étapes de processus ECD…………………………………………..5
2.2.2 Les caractéristiques de processus ECD………………………………...7
3. Fouille de données (Data mining)……………………………………………………7
3.1 Définition de Data mining………………………………………………….7
3.2 Domaines d’application……………………………………………………7
3.3 Les tâches de Data mining…………………………………………………9
4. Conclusion……………………………………………………………………………12
Chapitre 2 : L’imagerie médicale et système CAD
I. Introduction…………………………………………………………………………13
II. L’imagerie médicale………………………………………………………………...13
1. Définition d’imagerie médicale……………………………………………………....13
2. Le but de l’imagerie médicale……………………………………………………13
3. Les principes physiques utilisés en imagerie médicale……………………..........14
3.1 Les rayons X…………………………………………………………………14
3.2 Les ultrasons ………………………………………………………………...15
3.3 La résonance magnétique nucléaire (RMN)…………………………………15
4. Les modalités d’imagerie médicale………………………………………............16
4.1 La radiographie………………………………………………………………16
4.2 Le scanner……………………………………………………………………16
4.3 L’échographie………………………………………………………………..17
4.4 Imagerie par résonance magnétique (IRM)………………………………….18
4.5 La mammographie…………………………………………………………...19
III. Le système CAD en imagerie médicale…………………………………………….21
1. Le CAD en mammographie (état de l’art)………………………………………..21
1.1 la détection automatique des cancers en mammographie…………………….22
1.1.1 Les composants d’un système de détection automatique…………….22
1.1.2 Prétraitement des images……………………………………………...23
1.1.3 Marquage……………………………………………………………...23
1.1.4 Prise de décision………………………………………………………25
IV. Conclusion…………………………………………………………………………....27
Chapitre 3: La segmentation des images médicales
1. Introduction…………………………………………………………………………28
2. Qu’est-ce que la segmentation ?...............................................................................28
3. Objectif de segmentation d’image ………………………………………………...28
4. Les différentes méthodes de segmentation………………………………………...29
4.1 L’approche par région………………………………………………………..29
4.1.1 seuillage ………………………………………………………………....29
4.1.2 croissance de région……………………………………………………...29
4.1.3 Division-fusion de régions………………………………………………30
4.2 L’approche contour…………………………………………………………30
4.3 Méthodes de classification…………………………………………………..31
4.3.1 méthodes de classification supervisées……………..................................31
4.3.2 méthodes de classification non supervisées……………………………. 34
5. Conclusion……………………………………………………………………………36
Chapitre 4 : Le cancer des seins
1. Introduction…………………………………………………………………………37
2. Qu’est-ce qu’un cancer ?...........................................................................................37
3. L’anatomie de sein………………………………………………………………….37
3.1 Description générale…………………………………………………………37
3.2 Description détaillée…………………………………………………………38
4. Pathologies mammaire……………………………………………………………..39
4.1 Les maladies bénignes……………………………………………………….40
4.2 Les maladies malignes………………………………………………………41
4.2.1 Les symptômes………………………………………………………….41
4.2.2 Les facteurs de risques………………………………………………….42
4.2.3 Le dépistage…………………………………………………………….. 42
4.2.4 Le diagnostic…………………………………………………………….44
4.2.5 Les différents types de cancer……………………………………………44
4.2.6 Caractéristiques des différents types de cancer…………………………..45
4.2.7 La classification BI-RADS [ACR, 2003]………………………………..48
4.2.8 La classification proposée………………………………………………..48
4.2.9 Le traitement du cancer…………………………………………………..50
5. Conclusion…………………………………………………………………………..52
Chapitre 5 : Les ontologies
1. Introduction…………………………………………………………………………53
2. Définition……………………………………………………………………………53
3. Pourquoi les ontologies ?...........................................................................................54
4. Les aspects d’une ontologie………………………………………………………...55
4.1 Formelle……………………………………………………………………………55
4.2 Consensuelle………………………………………………………………………..55
4.3 Référençable…………………………………………………………………………55
5. Les composants d’une ontologie…………………………………………………...55
5.1 Classes/concepts……………………………………………………………………..55
5.2 Les relations………………………………………………………………………….55
5.3 Les fonctions………………………………………………………………………57
5.4 Les axiomes…………………………………………………………………………57
5.5 Les instances (individus)…………………………………………………………….57
6. Les différents types d’ontologies…………………………………………………...57
6.1 Selon le degré de formalisme………………………………………………...58
6.2 Selon les objets modalisés…………………………………………………...58
7. Construction d’une ontologie………………………………………………………60
7.1 Etapes de construction d’une ontologie……………………………………...60
7.2 Quelques méthodes de construction………………………………………….61
8. Usage des ontologies………………………………………………………………...62
9. Langages de représentation………………………………………………………..63
9.1 RDF………………………………………………………………………...63
9.2 RDFS…………………………………………………………………………63
9.3 DAML-OIL…………………………………………………………………..64
9.4 OWL…………………………………………………………………………64
10. Conclusion…………………………………………………………………………..65
Chapitre 6 : contribution au dépistage du cancer de seins
1. Introduction………………………………………………………………………….….66
2. Description générale de système………………………………………………………..66
2.1 Extraction des paramètres………………………………………………………...67
3. Base de données mammographies………………………………………………………67
3.1 Description de fichier ics…………………………………………………………68
3.2 description de fichier overlay………………………………………………...….68
4. Classification par les réseaux de neurones……………………………………………..69
5. Classification par l’ontologie…………………………………………………………...71
5.1 Construction d’une ontologie pour la prise de décision des pathologies mammaires………………………………………………………………………..71
5.1.1 Spécification…………………………………………………………….72
5.1.2 Conceptualisation……………………………………………………….72
6. Conclusion………………………………………………………………………………..77
Chapitre 7 : Implémentation et validation
1. Introduction……………………………………………………………………………....78
2. Environnement de développement………………………………………………………78
2.1 Protégé……………………………………………………………………………78
2.2 Le langage SWRL……………………………………………..…………………79
2.3 JESS (The JavaExpert System Shell)…………………………………….………79
3. La base d’image utilisée………………………………………………………….....79
4. Organisation de l’application………………………………………………………81
5. Classification par l’ontologie……………………………………………………….82
6. Menu d’utilisation de notre application…………………………………………...83
7. Conclusion…………………………………………………………………………...85
Conclusion générale…………………………………………...................................86
Bibliographie
Résumé
Côte titre : MAI/0034 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0034 MAI/0034 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDeep learning models for arrhythmia classification and coronary artery diseases detection / Khaoula Tobbal
Titre : Deep learning models for arrhythmia classification and coronary artery diseases detection Type de document : texte imprimé Auteurs : Khaoula Tobbal ; Djawhar Bouadam ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (115 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Arrhythmia Coronary artery disease CAD Stenosis Cardiovascular health Deep learning model Early detection Medical imaging Simple neural network Transfer learning Vision transformer Volo Arythmie Maladie coronarienne Sténose Santé cardiovasculaire Modèle d’apprentissage profond Détection précoce Imagerie médicale Réseau neuronal simple Apprentissage par transfert Transformateur de vision Index. décimale : 004 Informatique Résumé : Arrhythmias and coronary artery disease (CAD) pose major challenges in cardiovascular
health worldwide. Accurate diagnosis and timely intervention are crucial for
the effective management of these conditions. This study focuses on addressing these
challenges by applying deep learning models for arrhythmia classification and stenosis
detection. Arrhythmias affect millions of people globally and are associated with
increased morbidity and mortality.In this thesis we want to propose new classification
models based on deep learning that will be able to classify arrhythmias, we propose
three custom transfer learning models for simple neural network, we also proposed
five transfer learning models, as well as three attention mechanisms. In addition, we
used the signals of another dataset to train and test the vision transformer model. Our
proposed models outperformed previously published work diagnostics using the same
data, obtaining an accuracy of up to 99 %.
CAD, which is characterized by narrowing of the arteries, is a leading cause of cardiovascular
morbidity and mortality worldwide. Deep learning models trained on diverse
medical imaging datasets show promising results in the detection and localization of
arterial stenosis. So ,Also in this thesis we want to propose elliptical object detection
models based on deep learning that will be able to detect stenosis, we propose four
yolo models (v5, V7, V8 and yolo-nas last version), and we also propose three transnfer
learning of the fastest Rcnn (darknet , resnet18 and nano) = Les arythmies et la maladie coronarienne (CAD) représentent des défis majeurs pour
la santé cardiovasculaire dans le monde entier. Un diagnostic précis et une intervention
rapide sont cruciaux pour la gestion efficace de ces affections. Cette étude vise à relever
ces défis en appliquant des modèles d’apprentissage profond pour la classification des
arythmies et la détection de sténoses. Les arythmies touchent des millions de personnes
dans le monde et sont associées à une morbidité et une mortalité accrues. Dans cette
thèse, nous proposons de nouveaux modèles de classification basés sur l’apprentissage
profond qui seront capables de classer les arythmies. Nous proposons trois modèles
d’apprentissage par transfert personnalisés pour les réseaux neuronaux simples, ainsi
que cinq autres modèles d’apprentissage par transfert et trois mécanismes d’attention.
De plus, nous avons utilisé les signaux d’un autre ensemble de données pour entraîner
et tester le modèle de transformateur de vision. Nos modèles proposés surpassent les
travaux précédemment publiés sur le diagnostic en utilisant les mêmes données, avec
une précision allant jusqu’à 99%. La CAD, caractérisée par le rétrécissement des artères,
est une cause majeure de morbidité et de mortalité cardiovasculaires dans le monde.
Les modèles d’apprentissage profond entraînés sur des ensembles de données diversifiés
d’imagerie médicale montrent des résultats prometteurs dans la détection et la localisation
des sténoses artérielles. Ainsi, dans cette thèse, nous proposons également des
modèles de détection d’objets elliptiques basés sur l’apprentissage profond qui seront
capables de détecter les sténoses. Nous proposons quatre modèles YOLO (v5, V7, V8 et
la dernière version de YOLO-NAS), ainsi que trois modèles d’apprentissage de transfert
du RCNN le plus rapide (Darknet, ResNet18 et Nano).
Côte titre : MAI/0762 En ligne : https://drive.google.com/file/d/1P7gGGAMYXB3VwZC7Z5CwPaEDHu5gmgZC/view?usp=drive [...] Format de la ressource électronique : Deep learning models for arrhythmia classification and coronary artery diseases detection [texte imprimé] / Khaoula Tobbal ; Djawhar Bouadam ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (115 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Arrhythmia Coronary artery disease CAD Stenosis Cardiovascular health Deep learning model Early detection Medical imaging Simple neural network Transfer learning Vision transformer Volo Arythmie Maladie coronarienne Sténose Santé cardiovasculaire Modèle d’apprentissage profond Détection précoce Imagerie médicale Réseau neuronal simple Apprentissage par transfert Transformateur de vision Index. décimale : 004 Informatique Résumé : Arrhythmias and coronary artery disease (CAD) pose major challenges in cardiovascular
health worldwide. Accurate diagnosis and timely intervention are crucial for
the effective management of these conditions. This study focuses on addressing these
challenges by applying deep learning models for arrhythmia classification and stenosis
detection. Arrhythmias affect millions of people globally and are associated with
increased morbidity and mortality.In this thesis we want to propose new classification
models based on deep learning that will be able to classify arrhythmias, we propose
three custom transfer learning models for simple neural network, we also proposed
five transfer learning models, as well as three attention mechanisms. In addition, we
used the signals of another dataset to train and test the vision transformer model. Our
proposed models outperformed previously published work diagnostics using the same
data, obtaining an accuracy of up to 99 %.
CAD, which is characterized by narrowing of the arteries, is a leading cause of cardiovascular
morbidity and mortality worldwide. Deep learning models trained on diverse
medical imaging datasets show promising results in the detection and localization of
arterial stenosis. So ,Also in this thesis we want to propose elliptical object detection
models based on deep learning that will be able to detect stenosis, we propose four
yolo models (v5, V7, V8 and yolo-nas last version), and we also propose three transnfer
learning of the fastest Rcnn (darknet , resnet18 and nano) = Les arythmies et la maladie coronarienne (CAD) représentent des défis majeurs pour
la santé cardiovasculaire dans le monde entier. Un diagnostic précis et une intervention
rapide sont cruciaux pour la gestion efficace de ces affections. Cette étude vise à relever
ces défis en appliquant des modèles d’apprentissage profond pour la classification des
arythmies et la détection de sténoses. Les arythmies touchent des millions de personnes
dans le monde et sont associées à une morbidité et une mortalité accrues. Dans cette
thèse, nous proposons de nouveaux modèles de classification basés sur l’apprentissage
profond qui seront capables de classer les arythmies. Nous proposons trois modèles
d’apprentissage par transfert personnalisés pour les réseaux neuronaux simples, ainsi
que cinq autres modèles d’apprentissage par transfert et trois mécanismes d’attention.
De plus, nous avons utilisé les signaux d’un autre ensemble de données pour entraîner
et tester le modèle de transformateur de vision. Nos modèles proposés surpassent les
travaux précédemment publiés sur le diagnostic en utilisant les mêmes données, avec
une précision allant jusqu’à 99%. La CAD, caractérisée par le rétrécissement des artères,
est une cause majeure de morbidité et de mortalité cardiovasculaires dans le monde.
Les modèles d’apprentissage profond entraînés sur des ensembles de données diversifiés
d’imagerie médicale montrent des résultats prometteurs dans la détection et la localisation
des sténoses artérielles. Ainsi, dans cette thèse, nous proposons également des
modèles de détection d’objets elliptiques basés sur l’apprentissage profond qui seront
capables de détecter les sténoses. Nous proposons quatre modèles YOLO (v5, V7, V8 et
la dernière version de YOLO-NAS), ainsi que trois modèles d’apprentissage de transfert
du RCNN le plus rapide (Darknet, ResNet18 et Nano).
Côte titre : MAI/0762 En ligne : https://drive.google.com/file/d/1P7gGGAMYXB3VwZC7Z5CwPaEDHu5gmgZC/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0762 MAI/0762 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible