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 cérébrale
Index. 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 :	pdf

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 cérébrale
Index. 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 :	pdf