Apprentissage profond pour la segmentation sémantique des tumeurs cervicales / Khalissa Akhenak  

Public ISBD Titre : Apprentissage profond pour la segmentation sémantique des tumeurs cervicales Type de document : texte imprimé Auteurs : Khalissa Akhenak, Auteur ; Ilham Amaouche, Auteur ; Djamel Belkhiat, Directeur de thèse Année de publication : 2022 Importance : 1 vol (53 f.) Format : 29 cm Langues : Français (fre) Catégories : Physique Mots-clés : Segmentation Tumeurs cervicales Index. décimale : 530-Physique Résumé : L’imagerie par résonance magnétique L’IRM est l’une des techniques d’imagerie médicale plus utiliser pour le diagnostic et la prise en charge des cancers du cerveau. Elle permet d’observer la structure des tissus tumoral dans différents plans de l’espace et la position exacte des lésions invisibles. La segmentation des images IRM est une tâche primordiale dans analysent des tumeurs. Elle permet de déterminer les différentes caractéristiques du cancer et de proposer un traitement adapté pour chaque cas. De ce fait, l’assurance d’une bonne qualité de segmentation rassure tout le reste du processus de traitement de ces images et influe considérablement sur des éventuelles décisions qui seront prises par les oncologues sur l’état du patient en cours de traitement. L’objectif de ce travail est de proposer une méthode efficaces de segmentation des tumeurs cérébrales à partir des images de résonance magnétique (IRM). Nous nous intéressons à la segmentation des tumeurs cérébrales par les méthodes d’apprentissage profond, en utilisant des réseaux neuronaux convolutifs entrainés sur des images IRM segmentés par des experts.Pour ce là, nous introduisons l’architectures Unet entraîner sur des images cervicales 3D de la base de données BraTS 2020.Et Pour réaliser notre projet nous avons utilise google colab et Kaggle où le Python 3.7 est le langage de programmation. Côte titre : MAPH/0553 En ligne : https://drive.google.com/file/d/120Z55fFIivtnkncJJ8TM-qYMHmhDLV1i/view?usp=shari [...] Format de la ressource électronique : pdf Apprentissage profond pour la segmentation sémantique des tumeurs cervicales [texte imprimé] / Khalissa Akhenak, Auteur ; Ilham Amaouche, Auteur ; Djamel Belkhiat, Directeur de thèse . - 2022 . - 1 vol (53 f.) ; 29 cm. Langues : Français (fre) Catégories : Physique Mots-clés : Segmentation Tumeurs cervicales Index. décimale : 530-Physique Résumé : L’imagerie par résonance magnétique L’IRM est l’une des techniques d’imagerie médicale plus utiliser pour le diagnostic et la prise en charge des cancers du cerveau. Elle permet d’observer la structure des tissus tumoral dans différents plans de l’espace et la position exacte des lésions invisibles. La segmentation des images IRM est une tâche primordiale dans analysent des tumeurs. Elle permet de déterminer les différentes caractéristiques du cancer et de proposer un traitement adapté pour chaque cas. De ce fait, l’assurance d’une bonne qualité de segmentation rassure tout le reste du processus de traitement de ces images et influe considérablement sur des éventuelles décisions qui seront prises par les oncologues sur l’état du patient en cours de traitement. L’objectif de ce travail est de proposer une méthode efficaces de segmentation des tumeurs cérébrales à partir des images de résonance magnétique (IRM). Nous nous intéressons à la segmentation des tumeurs cérébrales par les méthodes d’apprentissage profond, en utilisant des réseaux neuronaux convolutifs entrainés sur des images IRM segmentés par des experts.Pour ce là, nous introduisons l’architectures Unet entraîner sur des images cervicales 3D de la base de données BraTS 2020.Et Pour réaliser notre projet nous avons utilise google colab et Kaggle où le Python 3.7 est le langage de programmation. Côte titre : MAPH/0553 En ligne : https://drive.google.com/file/d/120Z55fFIivtnkncJJ8TM-qYMHmhDLV1i/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAPH/0553	MAPH/0553	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)