University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Hacene Azizi |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheAmelioration de la qualite de l’image mammographique pour l’aide au diagnostic du cancer de sein / Ibrahim Mamoutou
Titre : Amelioration de la qualite de l’image mammographique pour l’aide au diagnostic du cancer de sein Type de document : texte imprimé Auteurs : Ibrahim Mamoutou ; Ahmed Koné Cheick ; Hacene Azizi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol. (65 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Cancer de sein
Techniques du filtrage
Image MédicaleIndex. décimale : 530 Physique Note de contenu :
Sommaire
Introduction 1
1 G´enéralit´es sur les techniques du filtrage 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Domaines de filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Domaine spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1.1 Filtres linéaires . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1.2 Filtres non-linéaires . . . . . . . . . . . . . . . . . . . 7
1.2.2 Filtrage dans le domaine fréquentiel . . . . . . . . . . . . . . . 8
1.2.2.1 Avantage du filtrage dans le domaine fréquentiel . . . . 10
1.2.2.2 Inconvénients du filtrage dans le domaine fréquentiel . 10
1.2.2.3 Application du filtre au spectre . . . . . . . . . . . . . 10
1.2.3 Filtrage Spatio-frequentiel . . . . . . . . . . . . . . . . . . . . . 11
1.2.3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3.2 Implementation de la méthode . . . . . . . . . . . . . 12
1.3 Artefacts et Bruit affectant les modalitées d’imagerie . . . . . . . . . . . 12
1.3.1 Les différents types de bruit . . . . . . . . . . . . . . . . . . . . 13
1.3.1.1 Le bruit gaussien . . . . . . . . . . . . . . . . . . . . 13
1.3.1.2 le bruit de Poisson . . . . . . . . . . . . . . . . . . . . 13
1.3.1.3 Le bruit Ricien . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1.4 Le bruit de Speckle . . . . . . . . . . . . . . . . . . . 14
1.3.1.5 Le Bruit poivre et sel . . . . . . . . . . . . . . . . . . 14
1.3.1.6 Le flou . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Les artéfacts et bruits en tomodensitométrie . . . . . . . . . . . 15
1.3.3 Les artéfacts et bruits en radiologie traditionnelle ou conventionnelle . . . . . . . . . . 16
1.3.4 Les artéfacts et bruits en IRM . . . . . . . . . . . . . . . . . . 17
1.4 DICOM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Régions d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Filtrage de l’Image Médicale : Application clinique 20
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Filtrage de l’image et Aide au diagnostic . . . . . . . . . . . . . . . . . 21
2.2.1 Cancer du sein . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1.1 ´Etude des masses . . . . . . . . . . . . . . . . . . . . 22
2.2.1.2 Difficultés de traitement d’images en mammographies . 23
2.2.1.3 Travaux du traitement d’images mammographiques . 24
2.2.2 Cancer de peau . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2.1 Chaine de diagnostic du cancer de la peau par traitement d’image . . . . . .. . . 26
2.2.2.2 Préesentation des principales techniques de diagnostic des cancers de la peau . . . . . . .26
2.2.3 Filtrage d’image en radiothérapie . . . . . . . . . . . . . . . . . 28
2.2.3.1 Les différentes méthodes de segmentation . . . . . . . 29
2.2.4 Fusion et recalage d’image . . . . . . . . . . . . . . . . . . . . . 31
2.2.4.1 Etapes de la fusion d’image . . . . . . . . . . . . . . . 31
2.2.4.2 Application de la fusion d’image dans le domaine médicale 31
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Apport du filtrage dans le diagnostic du cancer de sein 36
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Prétraitement de l’image de mammographie pour la détection précoce du cancer du sein . . .
3.2.1 Les bases de données utilisées . . . . . . . . . . . . . . . . . . . 38
3.2.2 Matériels utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2.1 Traitement d’image en MATLAB . . . . . . . . . . . 38
3.2.2.2 Le Logiciel VV . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2.3 Les métriques d’évaluations . . . . . . . . . . . . . . . 40
3.2.3 Les méthodes proposées . . . . . . . . . . . . . . . . . . . . . . 41
3.2.3.1 Suppression du bruit de fond . . . . . . . . . . . . . . 42
3.2.3.2 Suppression du bruit de fond . . . . . . . . . . . . . . 42
3.2.3.3 Image améliorée . . . . . . . . . . . . . . . . . . . . . 42
3.2.4 Résultats et discussion . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Comparaison des filtres . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Fusion d’images mammaire . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.2 Matériel et méthodes utilisées . . . . . . . . . . . . . . . . . . . 52
3.4.2.1 Fusion par addition . . . . . . . . . . . . . . . . . . . . 52
3.4.2.2 Fusion par soustraction . . . . . . . . . . . . . . . . . 52
3.4.2.3 Fusion par multiplication . . . . . . . . . . . . . . . . 53
3.4.2.4 Fusion par division d’image . . . . . . . . . . . . . . . 53
3.4.2.5 Fusion par la méthode du minimum et du maximum . 54
3.4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Bibliographie 58Côte titre : MAPH/0523
En ligne : https://drive.google.com/file/d/1-BA3RIMpktqFcl5iNszVtYSWKbOKpuoz/view?usp=shari [...] Format de la ressource électronique : Amelioration de la qualite de l’image mammographique pour l’aide au diagnostic du cancer de sein [texte imprimé] / Ibrahim Mamoutou ; Ahmed Koné Cheick ; Hacene Azizi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol. (65 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Cancer de sein
Techniques du filtrage
Image MédicaleIndex. décimale : 530 Physique Note de contenu :
Sommaire
Introduction 1
1 G´enéralit´es sur les techniques du filtrage 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Domaines de filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Domaine spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1.1 Filtres linéaires . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1.2 Filtres non-linéaires . . . . . . . . . . . . . . . . . . . 7
1.2.2 Filtrage dans le domaine fréquentiel . . . . . . . . . . . . . . . 8
1.2.2.1 Avantage du filtrage dans le domaine fréquentiel . . . . 10
1.2.2.2 Inconvénients du filtrage dans le domaine fréquentiel . 10
1.2.2.3 Application du filtre au spectre . . . . . . . . . . . . . 10
1.2.3 Filtrage Spatio-frequentiel . . . . . . . . . . . . . . . . . . . . . 11
1.2.3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3.2 Implementation de la méthode . . . . . . . . . . . . . 12
1.3 Artefacts et Bruit affectant les modalitées d’imagerie . . . . . . . . . . . 12
1.3.1 Les différents types de bruit . . . . . . . . . . . . . . . . . . . . 13
1.3.1.1 Le bruit gaussien . . . . . . . . . . . . . . . . . . . . 13
1.3.1.2 le bruit de Poisson . . . . . . . . . . . . . . . . . . . . 13
1.3.1.3 Le bruit Ricien . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1.4 Le bruit de Speckle . . . . . . . . . . . . . . . . . . . 14
1.3.1.5 Le Bruit poivre et sel . . . . . . . . . . . . . . . . . . 14
1.3.1.6 Le flou . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Les artéfacts et bruits en tomodensitométrie . . . . . . . . . . . 15
1.3.3 Les artéfacts et bruits en radiologie traditionnelle ou conventionnelle . . . . . . . . . . 16
1.3.4 Les artéfacts et bruits en IRM . . . . . . . . . . . . . . . . . . 17
1.4 DICOM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Régions d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Filtrage de l’Image Médicale : Application clinique 20
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Filtrage de l’image et Aide au diagnostic . . . . . . . . . . . . . . . . . 21
2.2.1 Cancer du sein . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1.1 ´Etude des masses . . . . . . . . . . . . . . . . . . . . 22
2.2.1.2 Difficultés de traitement d’images en mammographies . 23
2.2.1.3 Travaux du traitement d’images mammographiques . 24
2.2.2 Cancer de peau . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2.1 Chaine de diagnostic du cancer de la peau par traitement d’image . . . . . .. . . 26
2.2.2.2 Préesentation des principales techniques de diagnostic des cancers de la peau . . . . . . .26
2.2.3 Filtrage d’image en radiothérapie . . . . . . . . . . . . . . . . . 28
2.2.3.1 Les différentes méthodes de segmentation . . . . . . . 29
2.2.4 Fusion et recalage d’image . . . . . . . . . . . . . . . . . . . . . 31
2.2.4.1 Etapes de la fusion d’image . . . . . . . . . . . . . . . 31
2.2.4.2 Application de la fusion d’image dans le domaine médicale 31
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Apport du filtrage dans le diagnostic du cancer de sein 36
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Prétraitement de l’image de mammographie pour la détection précoce du cancer du sein . . .
3.2.1 Les bases de données utilisées . . . . . . . . . . . . . . . . . . . 38
3.2.2 Matériels utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2.1 Traitement d’image en MATLAB . . . . . . . . . . . 38
3.2.2.2 Le Logiciel VV . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2.3 Les métriques d’évaluations . . . . . . . . . . . . . . . 40
3.2.3 Les méthodes proposées . . . . . . . . . . . . . . . . . . . . . . 41
3.2.3.1 Suppression du bruit de fond . . . . . . . . . . . . . . 42
3.2.3.2 Suppression du bruit de fond . . . . . . . . . . . . . . 42
3.2.3.3 Image améliorée . . . . . . . . . . . . . . . . . . . . . 42
3.2.4 Résultats et discussion . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Comparaison des filtres . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Fusion d’images mammaire . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.2 Matériel et méthodes utilisées . . . . . . . . . . . . . . . . . . . 52
3.4.2.1 Fusion par addition . . . . . . . . . . . . . . . . . . . . 52
3.4.2.2 Fusion par soustraction . . . . . . . . . . . . . . . . . 52
3.4.2.3 Fusion par multiplication . . . . . . . . . . . . . . . . 53
3.4.2.4 Fusion par division d’image . . . . . . . . . . . . . . . 53
3.4.2.5 Fusion par la méthode du minimum et du maximum . 54
3.4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Bibliographie 58Côte titre : MAPH/0523
En ligne : https://drive.google.com/file/d/1-BA3RIMpktqFcl5iNszVtYSWKbOKpuoz/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0523 MAPH/0523 Mémoire Bibliothèque des sciences Français Disponible
Disponible
Titre : Automatic Detection of Anatomical Landmarks for Image Registration in Radiotherapy Type de document : texte imprimé Auteurs : M.Oussama Mebarki, Auteur ; Youcef Attoui, Auteur ; Hacene Azizi, Directeur de thèse Année de publication : 2022 Importance : 1 vol (74 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Physique Mots-clés : Point matching
Image registrationIndex. décimale : 530-Physique Résumé :
Anatomical landmark correspondences in Radiation Therapy imaging provides
extra guidance information for the medical imaging registration. However, manual
landmark identification is intensive and time consuming. Therefore, developing an
end-to-end deep learning approach to automatically detect landmark correspondences
in pairs of two-dimensional (2D) images of Cone-Beam CT (CBCT) and planning-CT
is extremely important. Our method consists of a U-net-based convolutional neural
network that has been trained to recognize salient spots in both image modalities
and anticipate matching probabilities for landmark pairings. We trained our method
using 58 scans of 2D-axial in the pelvic area, ranging from 140 to 160 slices CTs and
86 to 88 slices in-room CTs. The training results showed promising results in terms
of landmark predictions, with high accuracy and low loss scores. On the other hand,
we compared the SIFT descriptor to another SIFT variant approach for matching
key-points. We employed the Mean-Squared-Error (MSE) metric to compare our
model to a traditional type of image registration called Elastix. Both techniques
produced acceptable accuracy values, although our method is slightly more accurate.Côte titre : MAPH/0556 En ligne : https://drive.google.com/file/d/15uU7N68-qxuq-6BRE20ADiyaIE9gX41G/view?usp=shari [...] Format de la ressource électronique : Automatic Detection of Anatomical Landmarks for Image Registration in Radiotherapy [texte imprimé] / M.Oussama Mebarki, Auteur ; Youcef Attoui, Auteur ; Hacene Azizi, Directeur de thèse . - 2022 . - 1 vol (74 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Physique Mots-clés : Point matching
Image registrationIndex. décimale : 530-Physique Résumé :
Anatomical landmark correspondences in Radiation Therapy imaging provides
extra guidance information for the medical imaging registration. However, manual
landmark identification is intensive and time consuming. Therefore, developing an
end-to-end deep learning approach to automatically detect landmark correspondences
in pairs of two-dimensional (2D) images of Cone-Beam CT (CBCT) and planning-CT
is extremely important. Our method consists of a U-net-based convolutional neural
network that has been trained to recognize salient spots in both image modalities
and anticipate matching probabilities for landmark pairings. We trained our method
using 58 scans of 2D-axial in the pelvic area, ranging from 140 to 160 slices CTs and
86 to 88 slices in-room CTs. The training results showed promising results in terms
of landmark predictions, with high accuracy and low loss scores. On the other hand,
we compared the SIFT descriptor to another SIFT variant approach for matching
key-points. We employed the Mean-Squared-Error (MSE) metric to compare our
model to a traditional type of image registration called Elastix. Both techniques
produced acceptable accuracy values, although our method is slightly more accurate.Côte titre : MAPH/0556 En ligne : https://drive.google.com/file/d/15uU7N68-qxuq-6BRE20ADiyaIE9gX41G/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0556 MAPH/0556 Mémoire Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Comparaison de deux m´ethodes de correction des images CBCT par correspondance d’histogramme Type de document : texte imprimé Auteurs : Lancine Diakité ; Hacene Azizi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol. (42 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Radiothérapie Adaptative
Image en RT AdaptativeIndex. décimale : 530 Physique Résumé :
En modernes techniques de radioth´erapie (RT), l’utilisation des images cone-beam CT (CBCT) joue un rˆole primordiale dans le positionnement du patient ainsi que la v´erification de tout changement anatomique qui peut s’av´erer durant le traitement. Par contre, l’investigation de ces images pour la planification thérapeutique est jusqu’au moment un grand défit `a cause de plusieurs limitations liées à la pauvre qualité des images CBCT.
Plusieurs auteurs ont propos´e de différentes méthodes pour la correction des images CBCT. La correspondance d’histogramme (Histogram matching HM) est parmi les méthodes les plus utilisées pour l’ajustement des valeurs des voxels dans les images CBCT à partir de celles données par les images CT (considérées comme référence). En fait, dans la majorité de ces études l’HM était effectué d’une maniére globale, c-`a-d, correspondance entre l’histogramme de tout le volume contenu dans l’image CBCT avec celui dans l’image CT de planification (pCT), ce qui peut influencer la précision de la correction.
Pour ce mémoire, nous proposons d’étudier l’impact de l’utilisation d’HM dans des régions bien spécifiques. Le processus propos´e se base d’abord sur la classification des différents tissus (régions) dans les images pCT et CBCT. Puis, l’application d’HM s´eparément pour chaque région d’intérˆet. L’objectif principale est de montrer les performances de cette m´ethode en comparaison avec l’utilisation d’HM global.
Les images CBCT obtenues par HM local ont ´eté comparés aux images pCT en utilisant les méthodes des évaluations qualitative et quantitative. Pour ce faire, certains outils de traitement d’images tel que le Vv, imageJ et plastimatch ont ´et´e utilisés. Pourlévaluation visuelle, On observait des diminutions dans la différence absolue entre les images CBCT corrigées et les pCT d´eform´e par rapport `a celle des CBCT non corrigés.En outre, la superposition des profils des images CBCT corrigés et pCT était tr`es mieux par rapport aux celles obtenues entre les CBCT non corrigés et pCT. Finalement, une diminution importante de la RMSD (root mean square difference) calcul´e sur l’ensemble
de volume des CBCT corrig´es et pCT a ´et´e remarqué par rapport `a celle calcul´e sur les CBCT non corrigés. Ainsi nous avons trouvé que ces r´esultats étaient en bon accord, en comparaison, avec ceux obtenus par l’HM global `a l’exception des interfaces os-tissus mous o`u HM local est moins efficace.Côte titre : MAPH/0524
En ligne : https://drive.google.com/file/d/17BBC9rI667srgARLSq6MJQUQPljDkkRO/view?usp=shari [...] Format de la ressource électronique : Comparaison de deux m´ethodes de correction des images CBCT par correspondance d’histogramme [texte imprimé] / Lancine Diakité ; Hacene Azizi, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol. (42 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Radiothérapie Adaptative
Image en RT AdaptativeIndex. décimale : 530 Physique Résumé :
En modernes techniques de radioth´erapie (RT), l’utilisation des images cone-beam CT (CBCT) joue un rˆole primordiale dans le positionnement du patient ainsi que la v´erification de tout changement anatomique qui peut s’av´erer durant le traitement. Par contre, l’investigation de ces images pour la planification thérapeutique est jusqu’au moment un grand défit `a cause de plusieurs limitations liées à la pauvre qualité des images CBCT.
Plusieurs auteurs ont propos´e de différentes méthodes pour la correction des images CBCT. La correspondance d’histogramme (Histogram matching HM) est parmi les méthodes les plus utilisées pour l’ajustement des valeurs des voxels dans les images CBCT à partir de celles données par les images CT (considérées comme référence). En fait, dans la majorité de ces études l’HM était effectué d’une maniére globale, c-`a-d, correspondance entre l’histogramme de tout le volume contenu dans l’image CBCT avec celui dans l’image CT de planification (pCT), ce qui peut influencer la précision de la correction.
Pour ce mémoire, nous proposons d’étudier l’impact de l’utilisation d’HM dans des régions bien spécifiques. Le processus propos´e se base d’abord sur la classification des différents tissus (régions) dans les images pCT et CBCT. Puis, l’application d’HM s´eparément pour chaque région d’intérˆet. L’objectif principale est de montrer les performances de cette m´ethode en comparaison avec l’utilisation d’HM global.
Les images CBCT obtenues par HM local ont ´eté comparés aux images pCT en utilisant les méthodes des évaluations qualitative et quantitative. Pour ce faire, certains outils de traitement d’images tel que le Vv, imageJ et plastimatch ont ´et´e utilisés. Pourlévaluation visuelle, On observait des diminutions dans la différence absolue entre les images CBCT corrigées et les pCT d´eform´e par rapport `a celle des CBCT non corrigés.En outre, la superposition des profils des images CBCT corrigés et pCT était tr`es mieux par rapport aux celles obtenues entre les CBCT non corrigés et pCT. Finalement, une diminution importante de la RMSD (root mean square difference) calcul´e sur l’ensemble
de volume des CBCT corrig´es et pCT a ´et´e remarqué par rapport `a celle calcul´e sur les CBCT non corrigés. Ainsi nous avons trouvé que ces r´esultats étaient en bon accord, en comparaison, avec ceux obtenus par l’HM global `a l’exception des interfaces os-tissus mous o`u HM local est moins efficace.Côte titre : MAPH/0524
En ligne : https://drive.google.com/file/d/17BBC9rI667srgARLSq6MJQUQPljDkkRO/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0524 MAPH/0524 Mémoire Bibliothèque des sciences Français Disponible
Disponible
Titre : Contourage Automatique des Images Médicales en Radiothérapie par L’apprentissage Profond (Deep Learning) Type de document : texte imprimé Auteurs : Abderaouf Behouch, Auteur ; Hacene Azizi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (94 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Physique Mots-clés : Apprentissage automatique
Apprentissage profond
Radiothérapie
Segmentation d'images médicales.Index. décimale : 530 - Physique Résumé :
Dans cette thèse, nous proposons un modèle basé sur l'apprentissage profond pour identifier les organes sains à risque pendant le traitement
Avec le dépistage du cancer du sein, notre modèle fournit des résultats d'identification précis en beaucoup moins de temps que la méthode traditionnelle, grâce Ã
Tirez parti du réseau neuronal convolutif profond. Notre modèle complet a été testé et vérifié avec une gamme de
Données générales contenant plus de 1400 diapositives.
Une étude comparative a été menée entre différentes méthodes d'apprentissage profond et d'apprentissage automatique, et les résultats ont montré que l'apprentissage profond est mis en réseau
Le bypass neuronal a donné les meilleurs résultats en termes de coefficient de similitude.Côte titre : MAPH/0423 En ligne : https://drive.google.com/file/d/1ToLINCPnzYxn9CakFdLNh5EO20av34_G/view?usp=shari [...] Format de la ressource électronique : Contourage Automatique des Images Médicales en Radiothérapie par L’apprentissage Profond (Deep Learning) [texte imprimé] / Abderaouf Behouch, Auteur ; Hacene Azizi, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (94 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Physique Mots-clés : Apprentissage automatique
Apprentissage profond
Radiothérapie
Segmentation d'images médicales.Index. décimale : 530 - Physique Résumé :
Dans cette thèse, nous proposons un modèle basé sur l'apprentissage profond pour identifier les organes sains à risque pendant le traitement
Avec le dépistage du cancer du sein, notre modèle fournit des résultats d'identification précis en beaucoup moins de temps que la méthode traditionnelle, grâce Ã
Tirez parti du réseau neuronal convolutif profond. Notre modèle complet a été testé et vérifié avec une gamme de
Données générales contenant plus de 1400 diapositives.
Une étude comparative a été menée entre différentes méthodes d'apprentissage profond et d'apprentissage automatique, et les résultats ont montré que l'apprentissage profond est mis en réseau
Le bypass neuronal a donné les meilleurs résultats en termes de coefficient de similitude.Côte titre : MAPH/0423 En ligne : https://drive.google.com/file/d/1ToLINCPnzYxn9CakFdLNh5EO20av34_G/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0423 MAPH/0423 Mémoire Bibliothèque des sciences Anglais Disponible
DisponibleContribution `a l’am´elioration du Contourage de l’image M´edicale en Radioth´erapie / Dorea Maria Khalal
Titre : Contribution `a l’am´elioration du Contourage de l’image M´edicale en Radioth´erapie Type de document : document électronique Auteurs : Dorea Maria Khalal, Auteur ; Hacene Azizi, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2025 Importance : 1 vol (113 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Segmentation automatique
Apprentissage profond
Radioth´erapie
U-Net
Evaluation clinique.Index. décimale : 530 - Physique Résumé : La radioth´erapie repr´esente l’un des principaux traitements contre le cancer. La
chaˆıne de traitement par radioth´erapie comporte diff´erentes ´etapes. Le contourage de
la tumeur et des organes avoisinants dans des images de tomodensitom´etrie CT, constitue
une ´etape importante de cette chaˆıne. Cette op´eration est g´en´eralement r´ealis´ee par des
experts (radioth´erapeutes) de fa¸con manuelle. Elle n´ecessite ainsi beaucoup de temps et
elle souffre ´egalement de variations inter et intra-observateurs. Grˆace aux avanc´ees de
l’intelligence artificielle dans de multiples domaines, cette tˆache a pu ˆetre automatis´ee.
En effet, il existe actuellement des outils de l’intelligence artificielle qui permettent de
segmenter des images m´edicales provenant de diff´erentes modalit´es d’imagerie (CT, IRM,
PET scan).
Dans le cadre de cette th`ese, nous avons pr´esent´e une contribution au contourage
automatique des volumes cibles cliniques et des organes `a risque sur des images CT.
Dans une premi`ere partie, nous avons pr´esent´e les diff´erentes applications de l’intelligence
artificielle en radioth´erapie.
Par la suite, nous nous sommes int´eress´es `a la segmentation du volume cible CTV,
du coeur et des poumons dans des images CT d’une base de donn´ees publique. Nous
avons utilis´e trois mod`eles de segmentation bas´es sur le Deep Learning. En utilisant des
m´etriques d’´evaluation, nous avons compar´e et ´evalu´e les r´esultats obtenus avec les trois
mod`eles.
Par ailleurs, nous avons consid´er´e une autre base de donn´ees publique (images
CT abdominales). Nous avons effectu´e la segmentation des reins en utilisant le mod`ele
U-Net. L’´evaluation de cette segmentation a ´et´e effectu´ee en utilisant plusieurs m´etriques
d’´evaluation. D’autre part, nos r´esultats ont ´et´e compar´es `a ceux obtenus par d’autres
auteurs.
Enfin, nous avons utilis´e une base de donn´ees publique pour segmenter le foie et
le cerveau `a l’aide du mod`ele U-Net. La performance de la segmentation a ´et´e ´evalu´ee
`a l’aide de m´etriques g´eom´etriques. De plus, trois cliniciens ont ´evalu´e qualitativement
les segmentations pour en d´eterminer la pertinence clinique, et les corr´elations entre les
m´etriques g´eom´etriques et les ´evaluations cliniques ont ´et´e analys´ees.Note de contenu : Sommaire
Introduction 1
1 Segmentation d’images et Intelligence Artificielle 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Imagerie tomodensitom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 L’image num´erique . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Le format de stockage DICOM . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Acquisition des images tomodensitom´etriques . . . . . . . . . . . . 5
1.3 Segmentation d’images m´edicales . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Approches de la segmentation . . . . . . . . . . . . . . . . . . . . . 10
1.4 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Diff´erents types de Machine Learning . . . . . . . . . . . . . . . . . 12
1.4.3 Les r´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.5 Diff´erentes architectures des r´eseaux de neurones . . . . . . . . . . 15
1.4.6 Exemples de mod`eles CNN . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Principales architectures de Deep Learning pour la segmentation d’images
m´edicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Applications de l’intelligence artificielle en radioth´erapie 24
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 La radioth´erapie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 D´efinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Diff´erents types de radioth´erapie . . . . . . . . . . . . . . . . . . . 30
2.2.4 Techniques d’irradiation en radioth´erapie externe . . . . . . . . . . 31
2.2.5 Chaˆıne de traitement en radioth´erapie externe . . . . . . . . . . . . 35
2.3 Applications de l’intelligence artificielle en radioth´erapie . . . . . . . . . . 39
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Diagnostic assist´e par ordinateur . . . . . . . . . . . . . . . . . . . 41
2.3.3 Evaluation clinique du patient . . . . . . . . . . . . . . . . . . . . . 42
2.3.4 Prescription de la dose . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.5 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.6 Contourage d’images m´edicales . . . . . . . . . . . . . . . . . . . . 45
2.3.7 Planification du traitement . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.8 Assurance qualit´e . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.9 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 Segmentation automatique d’images CT thoraciques `a l’aide de trois
mod`eles de Deep Learning 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Mat´eriels et M´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Description des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.3 Mod`eles d’apprentissage profond utilis´es . . . . . . . . . . . . . . . 56
3.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2.5 Exp´erimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.1 Segmentation des poumons . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.2 Segmentation du coeur . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.3 Segmentation du CTV . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4 Segmentation automatique des reins sur des images CT 72
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 Base de donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.3.1 Architecture U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.2 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.3 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5 ´Evaluation qualitative de la segmentation automatique d’organes dans
des images CT pour un usage clinique 85
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.2.1 Base de donn´ees et pr´eparation des donn´ees . . . . . . . . . . . . . 86
5.2.2 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.3 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.5 ´Evaluation clinique . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95Côte titre : Dph/0318 Contribution `a l’am´elioration du Contourage de l’image M´edicale en Radioth´erapie [document électronique] / Dorea Maria Khalal, Auteur ; Hacene Azizi, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2025 . - 1 vol (113 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Segmentation automatique
Apprentissage profond
Radioth´erapie
U-Net
Evaluation clinique.Index. décimale : 530 - Physique Résumé : La radioth´erapie repr´esente l’un des principaux traitements contre le cancer. La
chaˆıne de traitement par radioth´erapie comporte diff´erentes ´etapes. Le contourage de
la tumeur et des organes avoisinants dans des images de tomodensitom´etrie CT, constitue
une ´etape importante de cette chaˆıne. Cette op´eration est g´en´eralement r´ealis´ee par des
experts (radioth´erapeutes) de fa¸con manuelle. Elle n´ecessite ainsi beaucoup de temps et
elle souffre ´egalement de variations inter et intra-observateurs. Grˆace aux avanc´ees de
l’intelligence artificielle dans de multiples domaines, cette tˆache a pu ˆetre automatis´ee.
En effet, il existe actuellement des outils de l’intelligence artificielle qui permettent de
segmenter des images m´edicales provenant de diff´erentes modalit´es d’imagerie (CT, IRM,
PET scan).
Dans le cadre de cette th`ese, nous avons pr´esent´e une contribution au contourage
automatique des volumes cibles cliniques et des organes `a risque sur des images CT.
Dans une premi`ere partie, nous avons pr´esent´e les diff´erentes applications de l’intelligence
artificielle en radioth´erapie.
Par la suite, nous nous sommes int´eress´es `a la segmentation du volume cible CTV,
du coeur et des poumons dans des images CT d’une base de donn´ees publique. Nous
avons utilis´e trois mod`eles de segmentation bas´es sur le Deep Learning. En utilisant des
m´etriques d’´evaluation, nous avons compar´e et ´evalu´e les r´esultats obtenus avec les trois
mod`eles.
Par ailleurs, nous avons consid´er´e une autre base de donn´ees publique (images
CT abdominales). Nous avons effectu´e la segmentation des reins en utilisant le mod`ele
U-Net. L’´evaluation de cette segmentation a ´et´e effectu´ee en utilisant plusieurs m´etriques
d’´evaluation. D’autre part, nos r´esultats ont ´et´e compar´es `a ceux obtenus par d’autres
auteurs.
Enfin, nous avons utilis´e une base de donn´ees publique pour segmenter le foie et
le cerveau `a l’aide du mod`ele U-Net. La performance de la segmentation a ´et´e ´evalu´ee
`a l’aide de m´etriques g´eom´etriques. De plus, trois cliniciens ont ´evalu´e qualitativement
les segmentations pour en d´eterminer la pertinence clinique, et les corr´elations entre les
m´etriques g´eom´etriques et les ´evaluations cliniques ont ´et´e analys´ees.Note de contenu : Sommaire
Introduction 1
1 Segmentation d’images et Intelligence Artificielle 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Imagerie tomodensitom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 L’image num´erique . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Le format de stockage DICOM . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Acquisition des images tomodensitom´etriques . . . . . . . . . . . . 5
1.3 Segmentation d’images m´edicales . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Approches de la segmentation . . . . . . . . . . . . . . . . . . . . . 10
1.4 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Diff´erents types de Machine Learning . . . . . . . . . . . . . . . . . 12
1.4.3 Les r´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.5 Diff´erentes architectures des r´eseaux de neurones . . . . . . . . . . 15
1.4.6 Exemples de mod`eles CNN . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Principales architectures de Deep Learning pour la segmentation d’images
m´edicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Applications de l’intelligence artificielle en radioth´erapie 24
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 La radioth´erapie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 D´efinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Diff´erents types de radioth´erapie . . . . . . . . . . . . . . . . . . . 30
2.2.4 Techniques d’irradiation en radioth´erapie externe . . . . . . . . . . 31
2.2.5 Chaˆıne de traitement en radioth´erapie externe . . . . . . . . . . . . 35
2.3 Applications de l’intelligence artificielle en radioth´erapie . . . . . . . . . . 39
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Diagnostic assist´e par ordinateur . . . . . . . . . . . . . . . . . . . 41
2.3.3 Evaluation clinique du patient . . . . . . . . . . . . . . . . . . . . . 42
2.3.4 Prescription de la dose . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.5 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.6 Contourage d’images m´edicales . . . . . . . . . . . . . . . . . . . . 45
2.3.7 Planification du traitement . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.8 Assurance qualit´e . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.9 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 Segmentation automatique d’images CT thoraciques `a l’aide de trois
mod`eles de Deep Learning 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Mat´eriels et M´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Description des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.3 Mod`eles d’apprentissage profond utilis´es . . . . . . . . . . . . . . . 56
3.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2.5 Exp´erimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.1 Segmentation des poumons . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.2 Segmentation du coeur . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.3 Segmentation du CTV . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4 Segmentation automatique des reins sur des images CT 72
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 Base de donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.3.1 Architecture U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.2 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.3 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5 ´Evaluation qualitative de la segmentation automatique d’organes dans
des images CT pour un usage clinique 85
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.2.1 Base de donn´ees et pr´eparation des donn´ees . . . . . . . . . . . . . 86
5.2.2 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.3 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.5 ´Evaluation clinique . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95Côte titre : Dph/0318 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Dph/0318 Dph/0318 Thèse Bibliothèque des sciences Français Disponible
DisponiblePermalink
PermalinkPermalinkPermalink
PermalinkPermalink
