University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
Ouvrages de la bibliothèque en indexation 004 - Informatique
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Fusion de données multimodales pour l’apprentissage automatique : Application au diagnostic médical Type de document : texte imprimé Auteurs : Boukellouz,Wafa, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (140 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Data fusion
Machine learning
Medical images
Computed
Tomography
Magnetic resonance imagingIndex. décimale : 004 - Informatique Résumé : Nowadays, information about a phenomenon can be acquired using various modalities; and
this led to the emergence of the concept of multi-modal data fusion. In fact, one of the application
domains that strongly relies on multi-modal data acquisition is radiation therapy (RT)
in which computed tomography (CT) imaging and magnetic resonance imaging (MRI) are the
main modalities employed. The latter offers superior soft-tissue visualisation, hence it is used
for tumour contouring, whereas the former contains the necessary electron density information
for radiation dose computation. However, the pipeline of RT treatment planning presents
many flaws from which is the excessive radiation exposure due to repetitive CT acquisitions.
Recently, an idea to remediate for this main limitation and others has emerged; it consists in
synthesising a CT image called pseudo-CT (pCT) from MRI images.
In this dissertation, we aim to meet this objective by analysing existing work and proposing
two variants of pCT image estimation methods employing multi-modal data fusion and machine
learning. The first approach is designated hybrid; and combines image registration, unsupervised
learning, image fusion and a new Hounsfield Unit (HU) values correction technique. This
approach aims to predict a pCT image from T2-weighted MR images while attempting to reduce
prediction error by using information from MR images. The second approach employs
multi-modal shape, texture and spatial feature extraction, reduction and fusion of T1-weighted
and T2-weighted MR images. In addition, we designed an ensemble learning model with stacked
generalisation that builds a mapping from these features to HU values over two levels of learning.
Results showed a significant improvement achieved by the proposed methods.Note de contenu : Sommaire
Abstract i
Table of Contents iv
List of Figures vii
List of Tables x
List of Abbreviations xii
Introduction 1
I Backgrounds and literature review 5
1 Machine learning and data fusion concepts 6
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Building a machine learning model . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Data preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Choice of the learning algorithm . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Training step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4 Evaluation step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 Parameters tuning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.6 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Multiple linear regression (MLR) . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 K-nearest neighbours (kNN) . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Fuzzy c-means (FCM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.4 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
iv
CONTENTS
1.4.5 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.6 Linear discriminant analysis (LDA) . . . . . . . . . . . . . . . . . . . . . 14
1.4.7 Decision trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.8 Support vector machines (SVM) . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.9 Artificial neural networks (ANN) . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Ensemble methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1 Building an ensemble model . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5.2 Ensemble-based algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.2.1 Bootstrap aggregating . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.2.2 Boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.2.3 Stacked generalisation . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Data Fusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6.1 Data fusion levels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.2 Data aspects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.3 Data fusion techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6.3.1 Probabilistic fusion . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6.3.2 Evidential belief reasoning . . . . . . . . . . . . . . . . . . . . 25
1.6.3.3 Fuzzy reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.6.3.4 Possibilitic fusion . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.3.5 Statistical fusion . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Clinical background and medical concepts 29
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.1 Medical image components . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Computed tomography imaging . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3 Magnetic resonance imaging . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Medical image registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Radiation therapy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.1 Limitations of radiation therapy treatment planning . . . . . . . . . . . . 43
2.4.2 Toward MRI-only RT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Literature review on methods for pCT image synthesis from MRI 46
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
v
CONTENTS
3.2 Evaluation measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Statistical evaluation measures . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.2 Dosimetric evaluation measures . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 MRI-CT image data availability . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Classification of pCT image generation methods . . . . . . . . . . . . . . . . . . 51
3.4.1 Segmentation-based methods . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.2 Atlas-based methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4.3 Learning-based methods . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4.4 Hybrid methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5 Comparative Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
II Proposed approaches for pCT image synthesis from MRI data 74
4 A hybrid method for pCT image estimation 75
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2 Assessing the impact of similarity measure choice on deformable image registration 76
4.2.1 Data and pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.2.2 Similarity measure based mono-modal deformable image registration . . 76
4.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3 Proposed hybrid approach for pCT image estimation, correction and fusion . . . 83
4.3.1 MRI and CT data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3.2 Data pre-processing and atlas database construction . . . . . . . . . . . 86
4.3.3 pCT image generation process . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3.3.1 Deformable image registration . . . . . . . . . . . . . . . . . . 87
4.3.3.2 Unsupervised Fuzzy C-means clustering . . . . . . . . . . . . . 87
4.3.3.3 Hybrid HU values correction . . . . . . . . . . . . . . . . . . . 88
4.3.3.4 pCT images generated through atlas fusion . . . . . . . . . . . 89
4.3.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.3.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5 Ensemble learning with stacked generalisation for pCT image estimation 106
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.2 Data description and pre-processing . . . . . . . . . . . . . . . . . . . . . . . . 108
vi
CONTENTS
5.3 Patch-based multi-modal feature extraction . . . . . . . . . . . . . . . . . . . . 109
5.4 Building the ensemble model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4.1 Base learners training . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.4.2 Stacked generalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.4.3 pCT images generated using random forests . . . . . . . . . . . . . . . . 113
5.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Conclusion and perspectives 124
List of included publications 127
Bibliography 127
Appendices i
Appendix A. Image pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . i
viiCôte titre : DI/0044 En ligne : https://drive.google.com/file/d/1_AicejxjkTjcla11Ln-Ihrv5_nXBjdwC/view?usp=shari [...] Format de la ressource électronique : Fusion de données multimodales pour l’apprentissage automatique : Application au diagnostic médical [texte imprimé] / Boukellouz,Wafa, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (140 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Data fusion
Machine learning
Medical images
Computed
Tomography
Magnetic resonance imagingIndex. décimale : 004 - Informatique Résumé : Nowadays, information about a phenomenon can be acquired using various modalities; and
this led to the emergence of the concept of multi-modal data fusion. In fact, one of the application
domains that strongly relies on multi-modal data acquisition is radiation therapy (RT)
in which computed tomography (CT) imaging and magnetic resonance imaging (MRI) are the
main modalities employed. The latter offers superior soft-tissue visualisation, hence it is used
for tumour contouring, whereas the former contains the necessary electron density information
for radiation dose computation. However, the pipeline of RT treatment planning presents
many flaws from which is the excessive radiation exposure due to repetitive CT acquisitions.
Recently, an idea to remediate for this main limitation and others has emerged; it consists in
synthesising a CT image called pseudo-CT (pCT) from MRI images.
In this dissertation, we aim to meet this objective by analysing existing work and proposing
two variants of pCT image estimation methods employing multi-modal data fusion and machine
learning. The first approach is designated hybrid; and combines image registration, unsupervised
learning, image fusion and a new Hounsfield Unit (HU) values correction technique. This
approach aims to predict a pCT image from T2-weighted MR images while attempting to reduce
prediction error by using information from MR images. The second approach employs
multi-modal shape, texture and spatial feature extraction, reduction and fusion of T1-weighted
and T2-weighted MR images. In addition, we designed an ensemble learning model with stacked
generalisation that builds a mapping from these features to HU values over two levels of learning.
Results showed a significant improvement achieved by the proposed methods.Note de contenu : Sommaire
Abstract i
Table of Contents iv
List of Figures vii
List of Tables x
List of Abbreviations xii
Introduction 1
I Backgrounds and literature review 5
1 Machine learning and data fusion concepts 6
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Building a machine learning model . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Data preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Choice of the learning algorithm . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Training step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4 Evaluation step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 Parameters tuning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.6 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Multiple linear regression (MLR) . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 K-nearest neighbours (kNN) . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Fuzzy c-means (FCM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.4 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
iv
CONTENTS
1.4.5 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.6 Linear discriminant analysis (LDA) . . . . . . . . . . . . . . . . . . . . . 14
1.4.7 Decision trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.8 Support vector machines (SVM) . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.9 Artificial neural networks (ANN) . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Ensemble methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1 Building an ensemble model . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5.2 Ensemble-based algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.2.1 Bootstrap aggregating . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.2.2 Boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.2.3 Stacked generalisation . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Data Fusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6.1 Data fusion levels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.2 Data aspects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.3 Data fusion techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6.3.1 Probabilistic fusion . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6.3.2 Evidential belief reasoning . . . . . . . . . . . . . . . . . . . . 25
1.6.3.3 Fuzzy reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.6.3.4 Possibilitic fusion . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.3.5 Statistical fusion . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Clinical background and medical concepts 29
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.1 Medical image components . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Computed tomography imaging . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3 Magnetic resonance imaging . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Medical image registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Radiation therapy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.1 Limitations of radiation therapy treatment planning . . . . . . . . . . . . 43
2.4.2 Toward MRI-only RT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Literature review on methods for pCT image synthesis from MRI 46
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
v
CONTENTS
3.2 Evaluation measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Statistical evaluation measures . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.2 Dosimetric evaluation measures . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 MRI-CT image data availability . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Classification of pCT image generation methods . . . . . . . . . . . . . . . . . . 51
3.4.1 Segmentation-based methods . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.2 Atlas-based methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4.3 Learning-based methods . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4.4 Hybrid methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5 Comparative Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
II Proposed approaches for pCT image synthesis from MRI data 74
4 A hybrid method for pCT image estimation 75
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2 Assessing the impact of similarity measure choice on deformable image registration 76
4.2.1 Data and pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.2.2 Similarity measure based mono-modal deformable image registration . . 76
4.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3 Proposed hybrid approach for pCT image estimation, correction and fusion . . . 83
4.3.1 MRI and CT data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3.2 Data pre-processing and atlas database construction . . . . . . . . . . . 86
4.3.3 pCT image generation process . . . . . . . . . . . . . . . . . . . . . . . . 86
4.3.3.1 Deformable image registration . . . . . . . . . . . . . . . . . . 87
4.3.3.2 Unsupervised Fuzzy C-means clustering . . . . . . . . . . . . . 87
4.3.3.3 Hybrid HU values correction . . . . . . . . . . . . . . . . . . . 88
4.3.3.4 pCT images generated through atlas fusion . . . . . . . . . . . 89
4.3.4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.3.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5 Ensemble learning with stacked generalisation for pCT image estimation 106
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.2 Data description and pre-processing . . . . . . . . . . . . . . . . . . . . . . . . 108
vi
CONTENTS
5.3 Patch-based multi-modal feature extraction . . . . . . . . . . . . . . . . . . . . 109
5.4 Building the ensemble model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4.1 Base learners training . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.4.2 Stacked generalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.4.3 pCT images generated using random forests . . . . . . . . . . . . . . . . 113
5.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Conclusion and perspectives 124
List of included publications 127
Bibliography 127
Appendices i
Appendix A. Image pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . i
viiCôte titre : DI/0044 En ligne : https://drive.google.com/file/d/1_AicejxjkTjcla11Ln-Ihrv5_nXBjdwC/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0044 DI/0044 Thèse Bibliothéque des sciences Français Disponible
Disponible
Titre : Fusion de systèmes d’information Type de document : texte imprimé Auteurs : Nour El Yakine Guerras, Auteur ; Nour El Yakine Dib, Auteur ; Mohamed Saidi, Directeur de thèse Année de publication : 2022 Importance : 1 vol (66 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Intégration
Services webIndex. décimale : 004 - Informatique Résumé :
Actuellement, la coopération entre les entreprises, afin d’offrir un meilleur service aux
clients, est devenue un constat d’évidence, ce qu’exige l’échange énorme des informations
entre ses applications. Ces applications sont généralement fondées sur des systèmes d’information
hétérogènes introduisant une inefficacité et une lenteur de transmission des
données, ce qui obligent les entreprises à chercher des solutions techniques pour améliorer
la qualité de ses services.
Après les résultats inflexibles et inadaptables aux changements, obtenus des solutions
d’intégration traditionnelles, les services web sont apparus comme une solution d’intégration
flexible des applications autonomes et distribuées dans le secteur interne et externe
des entreprises. Son avantage majeur se présente dans son aptitude à assurer l’interopérabilité
entre les applications sur l’Internet. Ces dernières permettent également de
construire des nouveaux services à valeur ajoutée en adoptant le concept de la composition
des services web.
Le présent mémoire porte sur l’exploration et l’exploitation de ces notions, abordées à
la fois d’un point de vue théorique et pratique, pour développer et déployer une application
composée, à travers l’intégration de plusieurs applications dans un seul processus métier
en utilisant le langage de composition BPEL. Il s’agit donc d’une opération de fusion de
systèmes d’information.
La contribution de ce travail a permit de créer le système ”EasyAFS”, qui permet
l’inscription à l’Allocation Forfaitaire de Solidarité (AFS)(pour les personnes intéressées).
Cette dernière est gérée par l’Agence de Développement Social (ADS) agissant
sous l’égide du Ministère de Solidarité Nationale, de la Famille et de la Condition de la
Femme (MSNFCF).Côte titre : MAI/0665 En ligne : https://drive.google.com/file/d/1C1aMxJYuAft0Re-bdb0pw-qZAmHunXqG/view?usp=share [...] Format de la ressource électronique : Fusion de systèmes d’information [texte imprimé] / Nour El Yakine Guerras, Auteur ; Nour El Yakine Dib, Auteur ; Mohamed Saidi, Directeur de thèse . - 2022 . - 1 vol (66 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Intégration
Services webIndex. décimale : 004 - Informatique Résumé :
Actuellement, la coopération entre les entreprises, afin d’offrir un meilleur service aux
clients, est devenue un constat d’évidence, ce qu’exige l’échange énorme des informations
entre ses applications. Ces applications sont généralement fondées sur des systèmes d’information
hétérogènes introduisant une inefficacité et une lenteur de transmission des
données, ce qui obligent les entreprises à chercher des solutions techniques pour améliorer
la qualité de ses services.
Après les résultats inflexibles et inadaptables aux changements, obtenus des solutions
d’intégration traditionnelles, les services web sont apparus comme une solution d’intégration
flexible des applications autonomes et distribuées dans le secteur interne et externe
des entreprises. Son avantage majeur se présente dans son aptitude à assurer l’interopérabilité
entre les applications sur l’Internet. Ces dernières permettent également de
construire des nouveaux services à valeur ajoutée en adoptant le concept de la composition
des services web.
Le présent mémoire porte sur l’exploration et l’exploitation de ces notions, abordées à
la fois d’un point de vue théorique et pratique, pour développer et déployer une application
composée, à travers l’intégration de plusieurs applications dans un seul processus métier
en utilisant le langage de composition BPEL. Il s’agit donc d’une opération de fusion de
systèmes d’information.
La contribution de ce travail a permit de créer le système ”EasyAFS”, qui permet
l’inscription à l’Allocation Forfaitaire de Solidarité (AFS)(pour les personnes intéressées).
Cette dernière est gérée par l’Agence de Développement Social (ADS) agissant
sous l’égide du Ministère de Solidarité Nationale, de la Famille et de la Condition de la
Femme (MSNFCF).Côte titre : MAI/0665 En ligne : https://drive.google.com/file/d/1C1aMxJYuAft0Re-bdb0pw-qZAmHunXqG/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0665 MAI/0665 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Gene regulatory networks : Models and Reconstruction Type de document : texte imprimé Auteurs : Rayane Remili, Auteur ; Fatiha Brahim salem, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (67 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
Les réseaux de régulation génétiques (RRG) permettent aux biologistes de simuler le fonctionnement d'un organisme, et facilitent la compréhension des fonctions des gènes.
Inspirant de la biologie, de l'informatique et des mathématiques, le processus de modélisation permet de décrire et de prédire le comportement des réseaux de régulation génétique. Ce mémoire s’intéresse au développement d’un algorithme pour ce problème.
La stratégie que nous avons adoptée est une approche pour la reconstruction de réseaux génomiques, basée sur l'utilisation des algorithmes génétiques. Notre algorithme propose une combinaison d'évolutions génétiques à une échelle locale d'abord, globale ensuite. Il a la capacité de traiter indifféremment des données statiques, dynamiques ou des données complémentaires. Comparé aux algorithmes existants sur des données numériques, il se révèle plus performant dans certains cas de figures, équivalent sinon.Côte titre : MAI/0525 En ligne : https://drive.google.com/file/d/1UiLvmDbASeNV_kTYn-zwjLqxyRB_Pf9D/view?usp=shari [...] Format de la ressource électronique : Gene regulatory networks : Models and Reconstruction [texte imprimé] / Rayane Remili, Auteur ; Fatiha Brahim salem, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (67 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
Les réseaux de régulation génétiques (RRG) permettent aux biologistes de simuler le fonctionnement d'un organisme, et facilitent la compréhension des fonctions des gènes.
Inspirant de la biologie, de l'informatique et des mathématiques, le processus de modélisation permet de décrire et de prédire le comportement des réseaux de régulation génétique. Ce mémoire s’intéresse au développement d’un algorithme pour ce problème.
La stratégie que nous avons adoptée est une approche pour la reconstruction de réseaux génomiques, basée sur l'utilisation des algorithmes génétiques. Notre algorithme propose une combinaison d'évolutions génétiques à une échelle locale d'abord, globale ensuite. Il a la capacité de traiter indifféremment des données statiques, dynamiques ou des données complémentaires. Comparé aux algorithmes existants sur des données numériques, il se révèle plus performant dans certains cas de figures, équivalent sinon.Côte titre : MAI/0525 En ligne : https://drive.google.com/file/d/1UiLvmDbASeNV_kTYn-zwjLqxyRB_Pf9D/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0525 MAI/0525 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleGénéralisation et optimisation de la méthode vectorielle d'analyse de la texture / Vadon,Albert
Titre : Généralisation et optimisation de la méthode vectorielle d'analyse de la texture Type de document : texte imprimé Auteurs : Vadon,Albert, Auteur ; Wenk,H,R, Directeur de thèse Editeur : Berkeley : New Riders Année de publication : 1981 Importance : 1 vol (297 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : DI/0059 Généralisation et optimisation de la méthode vectorielle d'analyse de la texture [texte imprimé] / Vadon,Albert, Auteur ; Wenk,H,R, Directeur de thèse . - [S.l.] : Berkeley : New Riders, 1981 . - 1 vol (297 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : DI/0059 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0059 DI/0059 Thèse Bibliothéque des sciences Français Disponible
Disponible
Titre : Genetic algorithms in reconstructing gene regulatory networks Type de document : texte imprimé Auteurs : Souahi ,Kamilia, Auteur ; Salem,Brahim, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1vol (79 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
R´eseau de g`enes
R´eseaux de r´egulation g´en´etiquesIndex. décimale : 004 - Informatique Résumé :
Les r´eseaux de r´egulation des g`enes sont devenus un immense champ de
recherche. Les biologistes utilisent les r´eseaux de r´egulation g´enique pour
simuler le fonctionnement d’un organisme et de comprendre efficacement
les fonctions, les interactions et l’´evolution des g`enes. La mod´elisation des
r´eseaux de r´egulation g´enique permet de connaˆıtre et de pr´edire leur comportement.
Pour tenter de r´esoudre ce probl`eme, notre objectif dans ce document
de th`ese est de d´evelopper un algorithme de reconstruction de r´eseaux
de r´egulation g´enique bas´e sur les algorithmes g´en´etiques. Nous inspirons cet
algorithme de l’algorithme COGARE. Avec quelques changements au niveau
du croisement.Côte titre : MAI/0354 En ligne : https://drive.google.com/file/d/1GKleeitL9NdolFTySPzUQKDb4IUDB7Hr/view?usp=shari [...] Format de la ressource électronique : Genetic algorithms in reconstructing gene regulatory networks [texte imprimé] / Souahi ,Kamilia, Auteur ; Salem,Brahim, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1vol (79 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
R´eseau de g`enes
R´eseaux de r´egulation g´en´etiquesIndex. décimale : 004 - Informatique Résumé :
Les r´eseaux de r´egulation des g`enes sont devenus un immense champ de
recherche. Les biologistes utilisent les r´eseaux de r´egulation g´enique pour
simuler le fonctionnement d’un organisme et de comprendre efficacement
les fonctions, les interactions et l’´evolution des g`enes. La mod´elisation des
r´eseaux de r´egulation g´enique permet de connaˆıtre et de pr´edire leur comportement.
Pour tenter de r´esoudre ce probl`eme, notre objectif dans ce document
de th`ese est de d´evelopper un algorithme de reconstruction de r´eseaux
de r´egulation g´enique bas´e sur les algorithmes g´en´etiques. Nous inspirons cet
algorithme de l’algorithme COGARE. Avec quelques changements au niveau
du croisement.Côte titre : MAI/0354 En ligne : https://drive.google.com/file/d/1GKleeitL9NdolFTySPzUQKDb4IUDB7Hr/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0354 MAI/0354 Mémoire Bibliothéque des sciences Français Disponible
DisponibleGénie logiciel:Conception des systèmes d'information / Pascal Andrè
PermalinkGénie logiciel et psychologie de la programmation / Françoise Détienne
PermalinkPermalinkPermalinkGestion de la masse salariale sur micro-ordinateur / Bernard Merck
PermalinkGestion du personnel sur micro-ordinateur / Bernard Merck
PermalinkLa gestion de projet Etude d'un cas concret avec Project / Alexandre FaulxBriol
PermalinkGestion de projet multimédia / Alain Milon
PermalinkLa Gestion sur HP 41 / William Gery
PermalinkLa gouvernance du Système d'Information dans les PME Pratiques et évolutions / JeanFrançois Carpentier
Permalink