Titre :	Segmentation des images médicales
Type de document :	texte imprimé
Auteurs :	Bilal Nacer, Auteur ; Khaled Kabar ; Fella Berrimi, Directeur de thèse
Editeur :	Sétif:UFS
Année de publication :	2023
Importance :	1 vol (61 f.)
Format :	29 cm
Langues :	Français (fre)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Informatique
Index. décimale :	004 - Informatique
Résumé :	La technique de segmentation des images médicales est un élément essentiel pour l’analyse et le diagnostic précis des cas. Une variété de techniques de segmentation a été développée et appliquée dans différents domaines de l’imagerie médicale. La segmentation précise joue un rôle fondamental dans la détection des tumeurs, l’identification des organes et la classification des maladies, ce qui améliore le processus de prise de décision clinique et les soins aux patients. Notre étude a comparé quatre méthodes de segmentation d’images médicales des tissus musculaires cardiaques inflammatoires. Il a été démontré que la segmentation basée sur les textures et la factorisation donne de meilleurs résultats en termes de précision et de temps d’exécution par rapport à la segmentation basée sur les formes et les graphiques. De plus, nous avons mis en œuvre deux modèles d’apprentissage profond, nnU-Net et U-Net, et avons présenté les avantages et les inconvénients de chaque modèle = The technique of medical image segmentation is a crucial task for the accurate analysis and diagnosis of cases. A variety of segmentation techniques have been developed and applied in various medical imaging modalities. Precise segmentation plays a fundamental role in tumor detection, organ identification, and disease classification, enhancing clinical decision-making and improving patient care. Our study compared four methods for segmenting medical images of inflamed cardiac muscle tissues. It was found that segmentation based on textures and factorization yielded better results in terms of accuracy and execution time compared to segmentation based on shapes and graphs. Additionally, we implemented two deep learning models, nnU-Net and U-Net, and presented the advantages and disadvantages of each model.
Côte titre :	MAI/0773
En ligne :	https://drive.google.com/file/d/1ztB5K8sY7WWNlXbwj49EiaV0_2MeXyip/view?usp=drive [...]
Format de la ressource électronique :	pdf

Segmentation des images médicales [texte imprimé] / Bilal Nacer, Auteur ; Khaled Kabar ; Fella Berrimi, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (61 f.) ; 29 cm.
Langues : Français (fre)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Informatique
Index. décimale :	004 - Informatique
Résumé :	La technique de segmentation des images médicales est un élément essentiel pour l’analyse et le diagnostic précis des cas. Une variété de techniques de segmentation a été développée et appliquée dans différents domaines de l’imagerie médicale. La segmentation précise joue un rôle fondamental dans la détection des tumeurs, l’identification des organes et la classification des maladies, ce qui améliore le processus de prise de décision clinique et les soins aux patients. Notre étude a comparé quatre méthodes de segmentation d’images médicales des tissus musculaires cardiaques inflammatoires. Il a été démontré que la segmentation basée sur les textures et la factorisation donne de meilleurs résultats en termes de précision et de temps d’exécution par rapport à la segmentation basée sur les formes et les graphiques. De plus, nous avons mis en œuvre deux modèles d’apprentissage profond, nnU-Net et U-Net, et avons présenté les avantages et les inconvénients de chaque modèle = The technique of medical image segmentation is a crucial task for the accurate analysis and diagnosis of cases. A variety of segmentation techniques have been developed and applied in various medical imaging modalities. Precise segmentation plays a fundamental role in tumor detection, organ identification, and disease classification, enhancing clinical decision-making and improving patient care. Our study compared four methods for segmenting medical images of inflamed cardiac muscle tissues. It was found that segmentation based on textures and factorization yielded better results in terms of accuracy and execution time compared to segmentation based on shapes and graphs. Additionally, we implemented two deep learning models, nnU-Net and U-Net, and presented the advantages and disadvantages of each model.
Côte titre :	MAI/0773
En ligne :	https://drive.google.com/file/d/1ztB5K8sY7WWNlXbwj49EiaV0_2MeXyip/view?usp=drive [...]
Format de la ressource électronique :	pdf