Apprentissage profond appliqué au diagnostic précoce de la maladie d’Alzheimer / Aziza Bensadallah  

Public ISBD Titre : Apprentissage profond appliqué au diagnostic précoce de la maladie d’Alzheimer Type de document : texte imprimé Auteurs : Aziza Bensadallah, Auteur ; Amina Mansar, Auteur ; Seif eddine Chouaba, Directeur de thèse Année de publication : 2023 Importance : 1 vol (53 f.) Format : 29 cm Langues : Français (fre) Catégories : Physique Mots-clés : Apprentissage Profond Maladie d’Alzheimer Index. décimale : 530-Physique Résumé : L’intelligence artificielle connait un boom depuis les années 2000 de par le stockage systématique des données et l’augmentation de la puissance de calcul des ordinateurs ainsi que l’apparition des méthodes dites de deep learning. Cela a permis d’envisager des recherches et applications dans de nombreux domaines, et en particulier le domaine médical. La maladie d'Alzheimer est une maladie neurodégénérative progressive qui affecte la mémoire, la cognition et les fonctions motrices. Le diagnostic précoce est essentiel pour permettre une prise en charge efficace de la maladie. Ce travail de master montre qu’il est possible d’utiliser des modèles type CNN pour classer automatiquement la maladie d'Alzheimer en quatre stages (légèrement démentes, modérément démentes, non démentes, et très légèrement démentes) à partir des images IRM. Le modèle proposé a été évalué et testé sur une base de données constituée de 6400 images d'IRM. Les résultats obtenus sont encourageants et prometteurs. Côte titre : MAPH/0601 En ligne : https://drive.google.com/file/d/16Hnb8zIu2dX5yoLLx7B4aEE7rxWlTC_u/view?usp=shari [...] Format de la ressource électronique : pdf Apprentissage profond appliqué au diagnostic précoce de la maladie d’Alzheimer [texte imprimé] / Aziza Bensadallah, Auteur ; Amina Mansar, Auteur ; Seif eddine Chouaba, Directeur de thèse . - 2023 . - 1 vol (53 f.) ; 29 cm. Langues : Français (fre) Catégories : Physique Mots-clés : Apprentissage Profond Maladie d’Alzheimer Index. décimale : 530-Physique Résumé : L’intelligence artificielle connait un boom depuis les années 2000 de par le stockage systématique des données et l’augmentation de la puissance de calcul des ordinateurs ainsi que l’apparition des méthodes dites de deep learning. Cela a permis d’envisager des recherches et applications dans de nombreux domaines, et en particulier le domaine médical. La maladie d'Alzheimer est une maladie neurodégénérative progressive qui affecte la mémoire, la cognition et les fonctions motrices. Le diagnostic précoce est essentiel pour permettre une prise en charge efficace de la maladie. Ce travail de master montre qu’il est possible d’utiliser des modèles type CNN pour classer automatiquement la maladie d'Alzheimer en quatre stages (légèrement démentes, modérément démentes, non démentes, et très légèrement démentes) à partir des images IRM. Le modèle proposé a été évalué et testé sur une base de données constituée de 6400 images d'IRM. Les résultats obtenus sont encourageants et prometteurs. Côte titre : MAPH/0601 En ligne : https://drive.google.com/file/d/16Hnb8zIu2dX5yoLLx7B4aEE7rxWlTC_u/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAPH/0601	MAPH/0601	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Deep Learning Models for Predicting Recurrence in Head and Neck Cancer / Imane hibet errahmene Aissaoui

Public ISBD Titre : Deep Learning Models for Predicting Recurrence in Head and Neck Cancer Type de document : document électronique Auteurs : Imane hibet errahmene Aissaoui, Auteur ; Seif eddine Chouaba, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (54 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Physique Mots-clés : Head and neck cancer Recurrence Prediction Deep learning Medical Imaging Computed Tomography Convolutional Neural Networks Index. décimale : 530 - Physique Résumé : This master thesis aims to investigate and develop deep learning models for predicting head and neck cancer recurrence. This latter is a major cause of morbidity and treatment failure and poses a significant challenge in healthcare, which demands accurate prognostic tools for effective patient management. Deep learning, a subset of artificial intelligence, has shown promising results in various medical applications, including cancer recurrence prediction. The primary goal of this research is to develop a range of deep learning models based on diverse convolutional neural networks architectures and subsequently conduct a thorough comparative analysis to evaluate their performance in predicting head and neck cancer recurrence. By systematically assessing the strengths and limitations of each architecture, this study aims to provide valuable insights into the development of optimal deep learning approaches for accurate recurrence prediction. The anticipated contributions of this thesis include the identification of the most effective deep learning architecture for predicting head and neck cancer recurrence, providing clinicians with a valuable tool for personalized treatment planning. Additionally, insights gained from the comparative analysis may inform future developments in deep learning applications within the field of oncology. Note de contenu : Sommaire CHAPITRE01: HEAD AND NECK CANCER 1. BACKGROUND ............................................................................................ 3 2. HEAD AND NECK CANCER RECCURENCE ....................................................... 4 2.1 Head and neck cancer ............................................................................................................ 4 2.2 Head and neck cancer recurrence ......................................................................................... 4 3. HEAD AND NECK CANCER RECCURENCE PREDICTION APPROACHES .............. 5 3.1 Traditional statistical models ................................................................................................. 6 3.2 Machine Learning (ML) ......................................................................................................... 6 3.3 Deep Learning (DL): .............................................................................................................. 8 4 CONCLUSION .............................................................................................. 9 CHAPITRE 02: DEEP LEARNING: BASICS AND CONVOLUTION NEURAL NETWORK 1 BACKGROUND ............................................................................................10 2. FOUNDATIONS OF DEEP LEARNING AND CONVOLUTIONAL NEURAL NETWORKS (CNNs) ........................................................................................... 11 2.1 Artificial Intelligence (AI) .................................................................................. 11 2.2 Machine Learning (ML) .......................................................................................................... 11 2.3 Deep learning (DL) ................................................................................................................ 12 3. LEARNING APPROACHES AND ARCHITECTURES ................................................. 13 3.1 Supervised Learning ............................................................................................................ 13 3.2 Unsupervised learning ......................................................................................................... 14 3.3. Semi-Supervised learning ................................................................................................... 14 4. CONVOLUTIONAL NEURAL NETWORKS ......................................................... 15 4.1 Components of convolutional neural networks ................................................................... 16 4.1.1 Input Layer. ................................................................................................................... 16 4.1.2 Convolution layer .......................................................................................................... 16 4.1.3 Pooling layer .................................................................................................................. 16 4.1.4 Flatten Layer ..................................................................................................................17 4.1.5 Fully-connected layer .....................................................................................................17 4.1.6 Output Layer ..................................................................................................................17 4.2 CNN workflow in medical imaging classification………………………………………………………......17 5. CHALLENGES AND LIMITATIONS OF DL MODELS IN HEAD AND NECK CANCER RECCURENCE PREDICTION .............................................................................. 19 5.1. Data Quality and Quantity .............................................................................................. 19 5.2. Model overfitting ............................................................................................................ 20 5.3. Computation requirement .............................................................................................. 20 5.4 Ethical considerations ..................................................................................................... 20 6. CONCLUSION............................................................................................. 21 CHAPITRE 03: MATERIALS AND METHODS 1. BACKGROUND .......................................................................................... 22 2. MATERIALS IMPLEMENTATION & PREPA-RATION ....................................... 23 2.1 Implementation tools ........................................................................................................... 23 2.1.1 Python ........................................................................................................................... 23 2.1.2 Anaconda Navigator ..................................................................................................... 24 2.1.3 Libraries and frameworks ............................................................................................ 24 2.2 Dataset ................................................................................................................................ 25 2.3 Dataset pre-Processing ........................................................................................................ 25 3. MODEL SELECTION AND TRAINING ............................................................ 26 3.1 CNN model ........................................................................................................................... 27 3.2 Xception model .................................................................................................................... 28 3.3 VGG16 model ....................................................................................................................... 29 4. Evaluation metrics ........................................................................................ 31 4.1 Accuracy ............................................................................................................................... 32 4.2 Receiver operating characteristic curve (ROC) curve ......................................................... 32 4.3 Area Under the ROC Curve (AUC) ...................................................................................... 33 4.4 Sensitivity ............................................................................................................................ 34 4.5 Specificity ............................................................................................................................. 34 5. CONCLUSION ............................................................................................ 34 CHAPITRE04: EXPERIMENTS, DISCUSSION&RESULTS 1. BACKGROUND .......................................................................................... 35 2. RESULTS ................................................................................................... 36 3. DISCUSSION .............................................................................................. 38 3.1 CNN model ........................................................................................................................... 38 3.2 Xception model .................................................................................................................... 39 3.3 VGG16 model ....................................................................................................................... 41 4. COMPARISON OF THE THREE MODELS(CNN, VGG16 AND XCEPTION) ............ 43 5. COMPARISON OF THE CNN MODEL OF THIS STUDY WITH THE RADIOMICS BASED MODEL BY Vallières et al. .........................................................................47 6. CONCLUSION ..............................................................................................47 CONCLUSION&PERSEPECTIVE .................................................................. 49 Bibliography ............................................................................................... 50 Côte titre : MAPH/0631 Deep Learning Models for Predicting Recurrence in Head and Neck Cancer [document électronique] / Imane hibet errahmene Aissaoui, Auteur ; Seif eddine Chouaba, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (54 f.) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Physique Mots-clés : Head and neck cancer Recurrence Prediction Deep learning Medical Imaging Computed Tomography Convolutional Neural Networks Index. décimale : 530 - Physique Résumé : This master thesis aims to investigate and develop deep learning models for predicting head and neck cancer recurrence. This latter is a major cause of morbidity and treatment failure and poses a significant challenge in healthcare, which demands accurate prognostic tools for effective patient management. Deep learning, a subset of artificial intelligence, has shown promising results in various medical applications, including cancer recurrence prediction. The primary goal of this research is to develop a range of deep learning models based on diverse convolutional neural networks architectures and subsequently conduct a thorough comparative analysis to evaluate their performance in predicting head and neck cancer recurrence. By systematically assessing the strengths and limitations of each architecture, this study aims to provide valuable insights into the development of optimal deep learning approaches for accurate recurrence prediction. The anticipated contributions of this thesis include the identification of the most effective deep learning architecture for predicting head and neck cancer recurrence, providing clinicians with a valuable tool for personalized treatment planning. Additionally, insights gained from the comparative analysis may inform future developments in deep learning applications within the field of oncology. Note de contenu : Sommaire CHAPITRE01: HEAD AND NECK CANCER 1. BACKGROUND ............................................................................................ 3 2. HEAD AND NECK CANCER RECCURENCE ....................................................... 4 2.1 Head and neck cancer ............................................................................................................ 4 2.2 Head and neck cancer recurrence ......................................................................................... 4 3. HEAD AND NECK CANCER RECCURENCE PREDICTION APPROACHES .............. 5 3.1 Traditional statistical models ................................................................................................. 6 3.2 Machine Learning (ML) ......................................................................................................... 6 3.3 Deep Learning (DL): .............................................................................................................. 8 4 CONCLUSION .............................................................................................. 9 CHAPITRE 02: DEEP LEARNING: BASICS AND CONVOLUTION NEURAL NETWORK 1 BACKGROUND ............................................................................................10 2. FOUNDATIONS OF DEEP LEARNING AND CONVOLUTIONAL NEURAL NETWORKS (CNNs) ........................................................................................... 11 2.1 Artificial Intelligence (AI) .................................................................................. 11 2.2 Machine Learning (ML) .......................................................................................................... 11 2.3 Deep learning (DL) ................................................................................................................ 12 3. LEARNING APPROACHES AND ARCHITECTURES ................................................. 13 3.1 Supervised Learning ............................................................................................................ 13 3.2 Unsupervised learning ......................................................................................................... 14 3.3. Semi-Supervised learning ................................................................................................... 14 4. CONVOLUTIONAL NEURAL NETWORKS ......................................................... 15 4.1 Components of convolutional neural networks ................................................................... 16 4.1.1 Input Layer. ................................................................................................................... 16 4.1.2 Convolution layer .......................................................................................................... 16 4.1.3 Pooling layer .................................................................................................................. 16 4.1.4 Flatten Layer ..................................................................................................................17 4.1.5 Fully-connected layer .....................................................................................................17 4.1.6 Output Layer ..................................................................................................................17 4.2 CNN workflow in medical imaging classification………………………………………………………......17 5. CHALLENGES AND LIMITATIONS OF DL MODELS IN HEAD AND NECK CANCER RECCURENCE PREDICTION .............................................................................. 19 5.1. Data Quality and Quantity .............................................................................................. 19 5.2. Model overfitting ............................................................................................................ 20 5.3. Computation requirement .............................................................................................. 20 5.4 Ethical considerations ..................................................................................................... 20 6. CONCLUSION............................................................................................. 21 CHAPITRE 03: MATERIALS AND METHODS 1. BACKGROUND .......................................................................................... 22 2. MATERIALS IMPLEMENTATION & PREPA-RATION ....................................... 23 2.1 Implementation tools ........................................................................................................... 23 2.1.1 Python ........................................................................................................................... 23 2.1.2 Anaconda Navigator ..................................................................................................... 24 2.1.3 Libraries and frameworks ............................................................................................ 24 2.2 Dataset ................................................................................................................................ 25 2.3 Dataset pre-Processing ........................................................................................................ 25 3. MODEL SELECTION AND TRAINING ............................................................ 26 3.1 CNN model ........................................................................................................................... 27 3.2 Xception model .................................................................................................................... 28 3.3 VGG16 model ....................................................................................................................... 29 4. Evaluation metrics ........................................................................................ 31 4.1 Accuracy ............................................................................................................................... 32 4.2 Receiver operating characteristic curve (ROC) curve ......................................................... 32 4.3 Area Under the ROC Curve (AUC) ...................................................................................... 33 4.4 Sensitivity ............................................................................................................................ 34 4.5 Specificity ............................................................................................................................. 34 5. CONCLUSION ............................................................................................ 34 CHAPITRE04: EXPERIMENTS, DISCUSSION&RESULTS 1. BACKGROUND .......................................................................................... 35 2. RESULTS ................................................................................................... 36 3. DISCUSSION .............................................................................................. 38 3.1 CNN model ........................................................................................................................... 38 3.2 Xception model .................................................................................................................... 39 3.3 VGG16 model ....................................................................................................................... 41 4. COMPARISON OF THE THREE MODELS(CNN, VGG16 AND XCEPTION) ............ 43 5. COMPARISON OF THE CNN MODEL OF THIS STUDY WITH THE RADIOMICS BASED MODEL BY Vallières et al. .........................................................................47 6. CONCLUSION ..............................................................................................47 CONCLUSION&PERSEPECTIVE .................................................................. 49 Bibliography ............................................................................................... 50 Côte titre : MAPH/0631

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAPH/0631	MAPH/0631	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Étude de quelques méthodes de filtrage Application à l’imagerie médicale / Habi,Abir  

Public ISBD Titre : Étude de quelques méthodes de filtrage Application à l’imagerie médicale Type de document : texte imprimé Auteurs : Habi,Abir, Auteur ; Seif eddine Chouaba, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (66 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Finalement une conclusion générale clôturera ce rapport Index. décimale : 530 Physique Résumé : nous présentons des généralités sur l’imagerie médical dans un premier temps, nous allons présenter les algorithmes classiquement utilisés en filtrage d’images, puis une classe spécifique de méthodes sera décrite : celles basées sur les ondelettes ; ï‚· Le troisième chapitre est réservé à l’application de quelques algorithmes de filtrages pour la réduction du bruit dans l’imagerie médicale, ainsi que leurs évaluations. Note de contenu : Sommaire Liste des figures ........................................................................................................................ VI Liste des tableaux ................................................................................................................... VII Abréviations ............................................................................................................................. IX Introduction générale ................................................................................................................ 10 Chapitre I : Généralités ............................................................................................................. 11 I. Définition de l’image ............................................................................................................ 13 I.1. Image numérique et image analogique : .................................................................... 13 I.2. Domaine spatial et domaine fréquentiel : .................................................................. 14 I.3. Différents types d'images ........................................................................................... 14 I.3.1. Images de niveaux de gris ou monochrome ...................................................... 14 I.3.2. Images binaires ou noir et blanc ......................................................................... 14 I.3.3. Images en couleur ............................................................................................... 15 I.4. Images 3D ................................................................................................................. 15 I.5. L’image médicale ..................................................................................................... 15 II. Les différentes techniques d’imagerie médicale ........................................................... 16 III. Formats d’images numériques : ..................................................................................... 21 III.1. Le standard DICOM : ................................................................................................ 21 IV. Traitements d’image ......................................................................................................... 23 V. Le bruit ............................................................................................................................ 23 V.1. Le rapport signal sur bruit RSB ................................................................................ 24 V.2. Les différents types de bruit dans l’imagerie médicale ............................................... 24 Conclusion ............................................................................................................................... 24 Chapitre II: Méthodes de filtrage d’imagerie étudiées ............................................................. 25 II.1 Filtrage spatial linéaire ....................................................................................................... 26 II.1.1 Filtrage par la moyenne (filtre moyenneur) ................................................................ 29 II.1.1.a. Les inconvénients : .............................................................................................. 31 II.1.1.b. Avantages : .......................................................................................................... 31 II.1.2 Filtrage par Gauss (filtre gaussien) ............................................................................. 31 II.1.2.a. Inconvénients : ..................................................................................................... 33 II.1.2.b. Avantages : .......................................................................................................... 33 V II.2 Filtrage spatial non linéaire ................................................................................................ 34 II.2.1 Filtrage médian : ......................................................................................................... 35 II.2.1. a. Inconvénients : .................................................................................................... 35 II.2.1. b. Avantages du filtre médian : ............................................................................... 36 II.3 Filtrage dans le domaine fréquentiel .................................................................................. 36 II.3.1. Représentation fréquentielle d’une image .............................................................. 36 II.3.2. Filtrage spectrale .................................................................................................... 37 II.3.3. Transformée de Fourier discrète : .......................................................................... 38 II.3.4. Principe de filtrage dans le domaine fréquentiel : ...................................................... 39 II.3.5. Types de filtre fréquentiel .......................................................................................... 39 II.3.5.a Filtrage passe-bas ............................................................................................... 40 II.3.5.b Filtre Passe-haut ................................................................................................. 42 II.3.5.c Filtrage coupe-bande........................................................................................... 42 II.4. Débruitage par l’ondelette ................................................................................................ 43 II.4.1 La transformation en ondelettes .................................................................................. 44 II.4.1.1 Transformée en ondelettes continue (CWT) ........................................................ 45 II.4.1.2 Transformée en ondelettes discrète (DWT) ......................................................... 46 II.4.2 Réduction de bruit en utilisant la transformée en ondelettes ...................................... 47 II.4.3 Différents types de seuillage ....................................................................................... 47 II.4.3.1 Seuillage dur ou "hard thresholding" .................................................................... 47 II.4.3.2 Seuillage doux ou "soft thresholding" .................................................................. 48 Conclusion ............................................................................................................................... 48 Chapitre III: Application et discussion ..................................................................................... 49 III.1 Résultats obtenus et discussion : ...................................................................................... 50 III.1.1 L’effet des filtres sur le bruit additif Gaussien : ........................................................ 51 III.1.2 L’effet des filtres sur le bruit impulsionnel « poivre et sel » : ................................... 55 III.1.3 L’effet des filtres sur le bruit multiplicatif « Speckle » : ........................................... 59 Conclusion ................................................................................................................................ 63 Conclusion générale ................................................................................................................. 64 Bibliographie ............................................................................................................................ 65 Côte titre : MAPH/0284 En ligne : https://drive.google.com/file/d/1dJqLGg6XtsniJM5OdTZPpxezU9gb8J31/view?usp=shari [...] Format de la ressource électronique : pdf Étude de quelques méthodes de filtrage Application à l’imagerie médicale [texte imprimé] / Habi,Abir, Auteur ; Seif eddine Chouaba, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (66 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Finalement une conclusion générale clôturera ce rapport Index. décimale : 530 Physique Résumé : nous présentons des généralités sur l’imagerie médical dans un premier temps, nous allons présenter les algorithmes classiquement utilisés en filtrage d’images, puis une classe spécifique de méthodes sera décrite : celles basées sur les ondelettes ; ï‚· Le troisième chapitre est réservé à l’application de quelques algorithmes de filtrages pour la réduction du bruit dans l’imagerie médicale, ainsi que leurs évaluations. Note de contenu : Sommaire Liste des figures ........................................................................................................................ VI Liste des tableaux ................................................................................................................... VII Abréviations ............................................................................................................................. IX Introduction générale ................................................................................................................ 10 Chapitre I : Généralités ............................................................................................................. 11 I. Définition de l’image ............................................................................................................ 13 I.1. Image numérique et image analogique : .................................................................... 13 I.2. Domaine spatial et domaine fréquentiel : .................................................................. 14 I.3. Différents types d'images ........................................................................................... 14 I.3.1. Images de niveaux de gris ou monochrome ...................................................... 14 I.3.2. Images binaires ou noir et blanc ......................................................................... 14 I.3.3. Images en couleur ............................................................................................... 15 I.4. Images 3D ................................................................................................................. 15 I.5. L’image médicale ..................................................................................................... 15 II. Les différentes techniques d’imagerie médicale ........................................................... 16 III. Formats d’images numériques : ..................................................................................... 21 III.1. Le standard DICOM : ................................................................................................ 21 IV. Traitements d’image ......................................................................................................... 23 V. Le bruit ............................................................................................................................ 23 V.1. Le rapport signal sur bruit RSB ................................................................................ 24 V.2. Les différents types de bruit dans l’imagerie médicale ............................................... 24 Conclusion ............................................................................................................................... 24 Chapitre II: Méthodes de filtrage d’imagerie étudiées ............................................................. 25 II.1 Filtrage spatial linéaire ....................................................................................................... 26 II.1.1 Filtrage par la moyenne (filtre moyenneur) ................................................................ 29 II.1.1.a. Les inconvénients : .............................................................................................. 31 II.1.1.b. Avantages : .......................................................................................................... 31 II.1.2 Filtrage par Gauss (filtre gaussien) ............................................................................. 31 II.1.2.a. Inconvénients : ..................................................................................................... 33 II.1.2.b. Avantages : .......................................................................................................... 33 V II.2 Filtrage spatial non linéaire ................................................................................................ 34 II.2.1 Filtrage médian : ......................................................................................................... 35 II.2.1. a. Inconvénients : .................................................................................................... 35 II.2.1. b. Avantages du filtre médian : ............................................................................... 36 II.3 Filtrage dans le domaine fréquentiel .................................................................................. 36 II.3.1. Représentation fréquentielle d’une image .............................................................. 36 II.3.2. Filtrage spectrale .................................................................................................... 37 II.3.3. Transformée de Fourier discrète : .......................................................................... 38 II.3.4. Principe de filtrage dans le domaine fréquentiel : ...................................................... 39 II.3.5. Types de filtre fréquentiel .......................................................................................... 39 II.3.5.a Filtrage passe-bas ............................................................................................... 40 II.3.5.b Filtre Passe-haut ................................................................................................. 42 II.3.5.c Filtrage coupe-bande........................................................................................... 42 II.4. Débruitage par l’ondelette ................................................................................................ 43 II.4.1 La transformation en ondelettes .................................................................................. 44 II.4.1.1 Transformée en ondelettes continue (CWT) ........................................................ 45 II.4.1.2 Transformée en ondelettes discrète (DWT) ......................................................... 46 II.4.2 Réduction de bruit en utilisant la transformée en ondelettes ...................................... 47 II.4.3 Différents types de seuillage ....................................................................................... 47 II.4.3.1 Seuillage dur ou "hard thresholding" .................................................................... 47 II.4.3.2 Seuillage doux ou "soft thresholding" .................................................................. 48 Conclusion ............................................................................................................................... 48 Chapitre III: Application et discussion ..................................................................................... 49 III.1 Résultats obtenus et discussion : ...................................................................................... 50 III.1.1 L’effet des filtres sur le bruit additif Gaussien : ........................................................ 51 III.1.2 L’effet des filtres sur le bruit impulsionnel « poivre et sel » : ................................... 55 III.1.3 L’effet des filtres sur le bruit multiplicatif « Speckle » : ........................................... 59 Conclusion ................................................................................................................................ 63 Conclusion générale ................................................................................................................. 64 Bibliographie ............................................................................................................................ 65 Côte titre : MAPH/0284 En ligne : https://drive.google.com/file/d/1dJqLGg6XtsniJM5OdTZPpxezU9gb8J31/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAPH/0284	MAPH/0284	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Exploration Of Medical Image Registration Methods Using Transformers & CNN / Nesrine Harbadji  

Public ISBD Titre : Exploration Of Medical Image Registration Methods Using Transformers & CNN Type de document : texte imprimé Auteurs : Nesrine Harbadji, Auteur ; Rayhene Merghem, Auteur ; Seif eddine Chouaba, Directeur de thèse Année de publication : 2023 Importance : 1 vol (101 f.) Format : 29 cm Langues : Français (fre) Catégories : Physique Mots-clés : Recalage CNN Transformer TransMorph Index. décimale : 530-Physique Résumé : Le recalage des images m´edicales joue un rˆole important dans diverses applications, notamment le diagnostic, la planification du traitement et les interventions guid´ees par l’image. Au fil des ann´ees, les r´eseaux neuronaux convolutionnels (CNN) ont ´et´e consid´er´es comme le choix optimal par d´efaut pour les tˆaches de recalage des images m´edicales en raison de leur capacit´e `a apprendre les caract´eristiques spatiales. Cependant, leur incapacit´e `a capturer les d´ependances `a long terme au sein des images a conduit `a l’introduction des Transformers et de leurs m´ecanismes d’attention en tant que solution innovante. Notre objectif est d’explorer les m´ethodes r´ecentes de recalage en entraˆınant deux mod`eles diff´erents : TransMorph, ´etant bas´e sur Swin Transformer, et VoxelMorph, un cadre non supervis´e bas´e sur les CNN pour le recalage d´eformable des images. Tout d’abord, nous avons ´evalu´e les performances de TransMorph pour le recalage affine en utilisant des images mono-modales (RM-RM) et multi-modales (CT-RM) provenant d’une dataset Learn2Reg. Pour ´etablir une r´ef´erence, nous avons compar´e les performances de TransMorph `a une m´ethode conventionnelle, Elastix. L’approche d’´evaluation du mod`ele VoxelMorph a suivi une d´emarche similaire, et les r´esultats obtenus ont ´et´e compar´es `a ceux de TransMorph pour le recalage d´eformable. Côte titre : MAPH/0605 En ligne : https://drive.google.com/file/d/15gd9upf9u-dzA3JgF8jMpQteJ3D7MtEj/view?usp=shari [...] Format de la ressource électronique : pdf Exploration Of Medical Image Registration Methods Using Transformers & CNN [texte imprimé] / Nesrine Harbadji, Auteur ; Rayhene Merghem, Auteur ; Seif eddine Chouaba, Directeur de thèse . - 2023 . - 1 vol (101 f.) ; 29 cm. Langues : Français (fre) Catégories : Physique Mots-clés : Recalage CNN Transformer TransMorph Index. décimale : 530-Physique Résumé : Le recalage des images m´edicales joue un rˆole important dans diverses applications, notamment le diagnostic, la planification du traitement et les interventions guid´ees par l’image. Au fil des ann´ees, les r´eseaux neuronaux convolutionnels (CNN) ont ´et´e consid´er´es comme le choix optimal par d´efaut pour les tˆaches de recalage des images m´edicales en raison de leur capacit´e `a apprendre les caract´eristiques spatiales. Cependant, leur incapacit´e `a capturer les d´ependances `a long terme au sein des images a conduit `a l’introduction des Transformers et de leurs m´ecanismes d’attention en tant que solution innovante. Notre objectif est d’explorer les m´ethodes r´ecentes de recalage en entraˆınant deux mod`eles diff´erents : TransMorph, ´etant bas´e sur Swin Transformer, et VoxelMorph, un cadre non supervis´e bas´e sur les CNN pour le recalage d´eformable des images. Tout d’abord, nous avons ´evalu´e les performances de TransMorph pour le recalage affine en utilisant des images mono-modales (RM-RM) et multi-modales (CT-RM) provenant d’une dataset Learn2Reg. Pour ´etablir une r´ef´erence, nous avons compar´e les performances de TransMorph `a une m´ethode conventionnelle, Elastix. L’approche d’´evaluation du mod`ele VoxelMorph a suivi une d´emarche similaire, et les r´esultats obtenus ont ´et´e compar´es `a ceux de TransMorph pour le recalage d´eformable. Côte titre : MAPH/0605 En ligne : https://drive.google.com/file/d/15gd9upf9u-dzA3JgF8jMpQteJ3D7MtEj/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAPH/0605	MAPH/0605	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Segmentation automatique par Deep Learning pour la détection d’infection pulmonaire / Amira Belilita  

Public ISBD Titre : Segmentation automatique par Deep Learning pour la détection d’infection pulmonaire Type de document : texte imprimé Auteurs : Amira Belilita, Auteur ; Oumnia Ayat Errahmane Belaouel, Auteur ; Seif eddine Chouaba, Directeur de thèse Année de publication : 2022 Importance : 1 vol (58 f.) Format : 29 cm Langues : Français (fre) Catégories : Physique Mots-clés : Intelligence Artificielle (IA) Segmentation Index. décimale : 530-Physique Résumé : La segmentation d’images est l’un des domaines prometteurs et émergents du traitement d’images. La segmentation d’images est une procédure importante dans de nombreux systèmes de diagnostic médical, à titre d’exemple dans la délimitation pulmonaire et la mesure des lésions. L’objectif de ce stage de Master est d’étudier, de classifier et d’appliquer quelques méthodes de segmentation automatique des images courantes de pneumonie par les méthodes de Deep Learning qui peuvent aider à identifier les maladies pulmonaires et rendre le diagnostic clinique plus pratique et plus précis. Divers algorithmes de segmentation d’image sont présentés. Deux réseaux d’apprentissage profond, U-NET, et PSP-NET sont étudiés et implimentés. Les résultats globaux sont discutés et comparés en tenant compte de différents paramètres. Côte titre : MAPH/0552 En ligne : https://drive.google.com/file/d/1aj9znfh2_aiFIjdiSZqJqJjK2S9PHPR9/view?usp=shari [...] Format de la ressource électronique : pdf Segmentation automatique par Deep Learning pour la détection d’infection pulmonaire [texte imprimé] / Amira Belilita, Auteur ; Oumnia Ayat Errahmane Belaouel, Auteur ; Seif eddine Chouaba, Directeur de thèse . - 2022 . - 1 vol (58 f.) ; 29 cm. Langues : Français (fre) Catégories : Physique Mots-clés : Intelligence Artificielle (IA) Segmentation Index. décimale : 530-Physique Résumé : La segmentation d’images est l’un des domaines prometteurs et émergents du traitement d’images. La segmentation d’images est une procédure importante dans de nombreux systèmes de diagnostic médical, à titre d’exemple dans la délimitation pulmonaire et la mesure des lésions. L’objectif de ce stage de Master est d’étudier, de classifier et d’appliquer quelques méthodes de segmentation automatique des images courantes de pneumonie par les méthodes de Deep Learning qui peuvent aider à identifier les maladies pulmonaires et rendre le diagnostic clinique plus pratique et plus précis. Divers algorithmes de segmentation d’image sont présentés. Deux réseaux d’apprentissage profond, U-NET, et PSP-NET sont étudiés et implimentés. Les résultats globaux sont discutés et comparés en tenant compte de différents paramètres. Côte titre : MAPH/0552 En ligne : https://drive.google.com/file/d/1aj9znfh2_aiFIjdiSZqJqJjK2S9PHPR9/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAPH/0552	MAPH/0552	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Segmentation d’images pour aider au diagnostic du COVID-19 / Aya Bara  

Permalink

Study of artificial intelligence approaches for VMAT plan complexity and feasibility analysis / Manel Bouhafs

Permalink

---

1 (1 - 7 / 7)