University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Guergouri,Nassim |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Deep learning for segmentation and analysis of pathogies in medcal imaging Type de document : texte imprimé Auteurs : Guergouri,Nassim, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (78 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Apprentissage profond
Segmentation d'images médicales
Réseau résiduel profond(DRN)
Apprentissage par transfert
Tumeur cérébraleIndex. décimale : 004 - Informatique Note de contenu : List of Tables v
List of Figures vi
1 Introduction 1
Introduction 1
Aim of the Work 2
Structure of the Work 2
2 Clinical Background 4
Introduction 4
Image Characteristics 4
Spatial Resolution 5
Convolution 5
Contrast-To-Noise Ratio 6
Signal-To-Noise Ratio 7
Medical Imaging Modality 7
X-ray Production and X-ray Tubes 8
X-ray Production 8
X-ray Tubes 8
Radiography 9
Fluoroscopy 10
Mammography 10
Computed Tomography 10
Magnetic Resonance Imaging 11
Ultrasound 12
Nuclear Medicine 12
Conclusion 13
3 Theorical Background 14
Introduction 14
Machine Learning 14
Machine Learning process 15
Machine Learning categories 15
3.2.2.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.2.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.1 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3.3 Support vector machines(SVMs) . . . . . . . . . . . . . . . 18
3.2.3.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 21
3.2.4 Overfitting and Underfitting . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.2.1 Convolutional Neural Networks . . . . . . . . . . . . . . . 30
3.3.2.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . 32
3.3.2.3 Restricted Boltzmann Machines . . . . . . . . . . . . . . . 32
3.3.2.4 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.1 Speech Recognition . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.2 Natural Language Processing . . . . . . . . . . . . . . . . . 35
3.3.3.3 Recommender Systems . . . . . . . . . . . . . . . . . . . . 36
3.3.3.4 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.4 Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Image Segmentation: Literature Review 39
Introduction 39
Segmentation 39
Manual Segmentation 40
Semi-Automatic/ Interactive Segmentation 40
Fully automatic segmentation 40
Segmentation Methods 41
Threshold based methods 41
Region based methods 41
Classifiers and Clustering 42
Atlas-based Approaches 42
Related work 44
Conclusion 46
5 Datasets and Implementation Frameworks 47
Introduction 47
Datasets 47
MICCAI-BRATS 2017 Dataset 47
Brain tumour 48
MRI sequences 49
Preprocessing 49
Diabetic Retinopathy Dataset 50
Preprocessing 50
Implementation Framework 51
Deep Learning Frameworks 51
TensorFlow 52
Keras 52
Development environment 53
Python 53
Scikit-learn 53
NiftyNet 53
Nibabel 54
Approaches 54
Brain Tumor Segmentation 54
Diabetic Retinopathy Detection 57
Conclusion 59
6 Experiments and results 60
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Brain Tumor Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.2 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.4 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.3 Diabetic retinopathy Detection . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.1 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.3 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7 Conclusion 71
Conclusion 71
Future work 72
Bibliography 73
Côte titre : MAI/0215 En ligne : https://drive.google.com/file/d/14iVl2KfxdP6DJXp3-9VQCSyP98CcJJ-S/view?usp=shari [...] Format de la ressource électronique : Deep learning for segmentation and analysis of pathogies in medcal imaging [texte imprimé] / Guergouri,Nassim, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (78 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Apprentissage profond
Segmentation d'images médicales
Réseau résiduel profond(DRN)
Apprentissage par transfert
Tumeur cérébraleIndex. décimale : 004 - Informatique Note de contenu : List of Tables v
List of Figures vi
1 Introduction 1
Introduction 1
Aim of the Work 2
Structure of the Work 2
2 Clinical Background 4
Introduction 4
Image Characteristics 4
Spatial Resolution 5
Convolution 5
Contrast-To-Noise Ratio 6
Signal-To-Noise Ratio 7
Medical Imaging Modality 7
X-ray Production and X-ray Tubes 8
X-ray Production 8
X-ray Tubes 8
Radiography 9
Fluoroscopy 10
Mammography 10
Computed Tomography 10
Magnetic Resonance Imaging 11
Ultrasound 12
Nuclear Medicine 12
Conclusion 13
3 Theorical Background 14
Introduction 14
Machine Learning 14
Machine Learning process 15
Machine Learning categories 15
3.2.2.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.2.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.1 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3.3 Support vector machines(SVMs) . . . . . . . . . . . . . . . 18
3.2.3.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . 21
3.2.4 Overfitting and Underfitting . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.2.1 Convolutional Neural Networks . . . . . . . . . . . . . . . 30
3.3.2.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . 32
3.3.2.3 Restricted Boltzmann Machines . . . . . . . . . . . . . . . 32
3.3.2.4 Deep Belief Networks . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.1 Speech Recognition . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3.2 Natural Language Processing . . . . . . . . . . . . . . . . . 35
3.3.3.3 Recommender Systems . . . . . . . . . . . . . . . . . . . . 36
3.3.3.4 Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.4 Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Image Segmentation: Literature Review 39
Introduction 39
Segmentation 39
Manual Segmentation 40
Semi-Automatic/ Interactive Segmentation 40
Fully automatic segmentation 40
Segmentation Methods 41
Threshold based methods 41
Region based methods 41
Classifiers and Clustering 42
Atlas-based Approaches 42
Related work 44
Conclusion 46
5 Datasets and Implementation Frameworks 47
Introduction 47
Datasets 47
MICCAI-BRATS 2017 Dataset 47
Brain tumour 48
MRI sequences 49
Preprocessing 49
Diabetic Retinopathy Dataset 50
Preprocessing 50
Implementation Framework 51
Deep Learning Frameworks 51
TensorFlow 52
Keras 52
Development environment 53
Python 53
Scikit-learn 53
NiftyNet 53
Nibabel 54
Approaches 54
Brain Tumor Segmentation 54
Diabetic Retinopathy Detection 57
Conclusion 59
6 Experiments and results 60
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Brain Tumor Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.2 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2.4 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.3 Diabetic retinopathy Detection . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.1 Experiment setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.3.3 Comparison Statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7 Conclusion 71
Conclusion 71
Future work 72
Bibliography 73
Côte titre : MAI/0215 En ligne : https://drive.google.com/file/d/14iVl2KfxdP6DJXp3-9VQCSyP98CcJJ-S/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0215 MAI/0215 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
