Titre :	Segmentation d’images pour aider au diagnostic du COVID-19
Type de document :	texte imprimé
Auteurs :	Aya Bara ; Maroua Benhaddad ; Seif eddine Chouaba, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2021
Importance :	1 vol. (38 f.)
Format :	29 cm
Langues :	Français (fre)
Catégories :	Thèses & Mémoires:Physique
Mots-clés :	Segmentation des images médicales COVID-19
Index. décimale :	530 Physique
Résumé :	Ces dernières années, la technologie d’analyse d’images médicales s’est développée rapidement. Plusieurs algorithmes ont été développés pour segmenter et classifier les organes anatomiques et les pathologies dans le but du diagnostic des déférentes maladies, en utilisant différentes modalités d’imagerie médicale telles que la tomodensitométrie (TDM). Diverses méthodes de segmentation d'images sont présentées dans ce rapport de stage. Les méthodes de segmentation basées seuillages sont mises en pratique pour extraire et évaluer la maladie de coronavirus afin de rendre le diagnostic clinique plus pratique. Les résultats obtenus sont dans leurs globalités acceptables.
Note de contenu :	SOMMAIRE Liste de figures Introduction Générale Chapitre I : Généralités 1. Introduction 2. Les images médicales 2.1 Types d’Imagerie Médicale 2.2 Modalités d’Acquisition d’Image Médical 2.2.1 Scanner à rayons X ou Tomodensitomètre 2.2.2.1 Définition du Scanner X 2.2.2.2 Utilisation du Scanner X 2.2.2.3 Principe fondamental de fonctionnement d’un scanner 3. Les outilles du travaille 3.1 Logiciel Image J 3.2 Logiciel Matlab 4. Conclusion Chapitre II : COVID 19&Segmentation 1. Introduction 2. La maladie à coronavirus (COVID-19) 2.1 Définition 2.2 Quelques travaux sur l'infection à la COVID-19 3. Segmentation des images 3. 1 Techniques de segmentation 3.1.1 Segmentation par seuillage 3.1.1. a Seuils globaux 3.1.1. b Seuils adaptatifs (local) 3.1.1. c Seuillage Manuel 3.2 Segmentation par région 3.2.1 Technique de la région en croissance 3.2.2 Technique de fractionnement et de fusion 3.2.3 Technique de bassin versant 3.3 Segmentation par clustering 3.3.1 Clustering K-mean (C-moyen dur) 3.3.2 Clustering C-Means flou 3.4 Segmentation par détection de contour 3.5 Segmentation par modèles déformables 3.6 Approches Basé sur l'Atlas 4. Discussions des méthodes de segmentation 5. Les critères d'évaluation 6. Conclusion Chapitre III : Segmentation pour le diagnostique de COVID19 1. Introduction 2. Méthodologie 2.1 Filtre de seuil 2.2. Amélioration de l'image 2.3 Segmentation de l'infection à pneumonie 2.4 Calcul du niveau de gravité 3. Résultats et discussion 3.1. Première étude (des coupes axiales) 3 .2 .Deuxième étude (coupes coronales) 4. Conclusion Conclusion Générale Bibliographie
Côte titre :	MAPH/0525
En ligne :	https://drive.google.com/file/d/1kwa5rtVoz0MGqQju_qt7h60s0or10oMi/view?usp=shari [...]
Format de la ressource électronique :	pdf

Segmentation d’images pour aider au diagnostic du COVID-19 [texte imprimé] / Aya Bara ; Maroua Benhaddad ; Seif eddine Chouaba, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol. (38 f.) ; 29 cm.
Langues : Français (fre)

Catégories :	Thèses & Mémoires:Physique
Mots-clés :	Segmentation des images médicales COVID-19
Index. décimale :	530 Physique
Résumé :	Ces dernières années, la technologie d’analyse d’images médicales s’est développée rapidement. Plusieurs algorithmes ont été développés pour segmenter et classifier les organes anatomiques et les pathologies dans le but du diagnostic des déférentes maladies, en utilisant différentes modalités d’imagerie médicale telles que la tomodensitométrie (TDM). Diverses méthodes de segmentation d'images sont présentées dans ce rapport de stage. Les méthodes de segmentation basées seuillages sont mises en pratique pour extraire et évaluer la maladie de coronavirus afin de rendre le diagnostic clinique plus pratique. Les résultats obtenus sont dans leurs globalités acceptables.
Note de contenu :	SOMMAIRE Liste de figures Introduction Générale Chapitre I : Généralités 1. Introduction 2. Les images médicales 2.1 Types d’Imagerie Médicale 2.2 Modalités d’Acquisition d’Image Médical 2.2.1 Scanner à rayons X ou Tomodensitomètre 2.2.2.1 Définition du Scanner X 2.2.2.2 Utilisation du Scanner X 2.2.2.3 Principe fondamental de fonctionnement d’un scanner 3. Les outilles du travaille 3.1 Logiciel Image J 3.2 Logiciel Matlab 4. Conclusion Chapitre II : COVID 19&Segmentation 1. Introduction 2. La maladie à coronavirus (COVID-19) 2.1 Définition 2.2 Quelques travaux sur l'infection à la COVID-19 3. Segmentation des images 3. 1 Techniques de segmentation 3.1.1 Segmentation par seuillage 3.1.1. a Seuils globaux 3.1.1. b Seuils adaptatifs (local) 3.1.1. c Seuillage Manuel 3.2 Segmentation par région 3.2.1 Technique de la région en croissance 3.2.2 Technique de fractionnement et de fusion 3.2.3 Technique de bassin versant 3.3 Segmentation par clustering 3.3.1 Clustering K-mean (C-moyen dur) 3.3.2 Clustering C-Means flou 3.4 Segmentation par détection de contour 3.5 Segmentation par modèles déformables 3.6 Approches Basé sur l'Atlas 4. Discussions des méthodes de segmentation 5. Les critères d'évaluation 6. Conclusion Chapitre III : Segmentation pour le diagnostique de COVID19 1. Introduction 2. Méthodologie 2.1 Filtre de seuil 2.2. Amélioration de l'image 2.3 Segmentation de l'infection à pneumonie 2.4 Calcul du niveau de gravité 3. Résultats et discussion 3.1. Première étude (des coupes axiales) 3 .2 .Deuxième étude (coupes coronales) 4. Conclusion Conclusion Générale Bibliographie
Côte titre :	MAPH/0525
En ligne :	https://drive.google.com/file/d/1kwa5rtVoz0MGqQju_qt7h60s0or10oMi/view?usp=shari [...]
Format de la ressource électronique :	pdf