CLASSIFICATION DES IMAGES MAMMOGRAPHIQUES PAR RESEAU DE NEURONES
Des informations générales:
Le niveau |
Master |
Titre |
CLASSIFICATION DES IMAGES MAMMOGRAPHIQUES PAR RESEAU DE NEURONES |
SPECIALITE |
Imagerie Médicale |
Page de garde:
Sommaire:
Introduction générale
Chapitre 1: contexte médical 1.1. Introduction
1.2. Le cancer du sein
1.2.1. Qu’est-ce qu’un sein ?
1.2.2. Qu’est-ce qu’un cancer ?
1.2.3. Qu’est-ce qu’un cancer du sein ?
1.2.3.1. Les types de cancer du sein
1.2.4. Connaît-on les causes d’un cancer du sein ?
1.2.4.1. Les mastopathies bénignes
1.2.4.2. L’état hormonal
1.2.4.3. L’alimentation, l’obésité
1.2.4.4. Les traitement hormonaux
1.2.4.4.1. Pour les contraceptifs oraux (CO).
1.2.4.4.2. Pour le traitement hormonal substitutif de la ménopause (THS).
1.2.4.5. Les risques familiaux
1.2.4.5.1. Simple susceptibilité familiale.
1.2.4.5.2. Prédisposition génétique forte.
1.3. Le diagnostic de cancer du sein
1.3.1. Qu’est-ce qu’un dépistage ?
1.3.2. Comment être sûr du diagnostic de cancer du sein ?.
1.3.3. Qu’ce qu’une mammographie ?
1.4. Les différents traitements du cancer du sein.
1.4.1. La chirurgie
1.4.2. La radiothérapie
1.4.3. La chimiothérapie
1.4.4. Les anticorps monoclonaux
2.2. Filtre médian adaptatif.
1.4.5. L’hormonothérapie
1.5. Conclusion
Chapitre 2: Méthodes de traitements d’images
2.1. Introduction
2.2.1. Qu’est-ce qu’un filtre médian et ce qu’il fait ?
2.2.2. Qu’est-ce que le bruit ?
2.2.2.1. Modèles de bruit
2.2.3. Filtrage médian adaptatif.
2.2.3.1. Objectif.
2.2.3.2. Comment ça marche ?
2.2.3.3. Notation
2.2.3.4. Algorithme
2.2.3.5. Explication
2.2.3.6. Avantages
2.3. Gaussien Mixture Model (GMM)
2.3.1. Clustering k-means
2.3.1.1. Algorithme de clustering K-means
2.3.1.2. K-means en action
2.3.2. Mélange gaussien et EM
2.3.2.1. Modèle de mélange.
2.3.2.2. Mélange gaussien
2.3.2.3. Algorithme d’EM
2.3.2.4. Algorithme EM pour un mélange gaussien à deux composants.
2.3.3. Algorithme EM pour les problèmes généraux de données manquantes. 2.3.3.1. L’algorithme d’EM
2.4. Modèle de champ aléatoire de Markov caché (HMRF-EM).
2.4.1. Algorithme EM
2.4.2. Estimation du PAM
2.4.3. Segmentation de l’image de préservation du bord antérieur. 2.5. Conclusion
Chapitre 3: Caractérisation, classification et interface
3.1. Introduction
3.2. Importance du sujet
3.3. La base d’images
3.4. Méthodologie
3.5. caractérisation
3.5.1. Prétraitement.
3.5.2. Segmentation
3.5.3. Analyse de texture.
3.5.3.1. Matrice de co-occurrence.
3.5.3.2. Extraction des descripteurs de haralick
3.6. Réseaux de neurone probabiliste
3.7. Interface
Conclusion
Conclusion générale
Bibliographie
Glossaire
Chapitre 1: contexte médical 1.1. Introduction
1.2. Le cancer du sein
1.2.1. Qu’est-ce qu’un sein ?
1.2.2. Qu’est-ce qu’un cancer ?
1.2.3. Qu’est-ce qu’un cancer du sein ?
1.2.3.1. Les types de cancer du sein
1.2.4. Connaît-on les causes d’un cancer du sein ?
1.2.4.1. Les mastopathies bénignes
1.2.4.2. L’état hormonal
1.2.4.3. L’alimentation, l’obésité
1.2.4.4. Les traitement hormonaux
1.2.4.4.1. Pour les contraceptifs oraux (CO).
1.2.4.4.2. Pour le traitement hormonal substitutif de la ménopause (THS).
1.2.4.5. Les risques familiaux
1.2.4.5.1. Simple susceptibilité familiale.
1.2.4.5.2. Prédisposition génétique forte.
1.3. Le diagnostic de cancer du sein
1.3.1. Qu’est-ce qu’un dépistage ?
1.3.2. Comment être sûr du diagnostic de cancer du sein ?.
1.3.3. Qu’ce qu’une mammographie ?
1.4. Les différents traitements du cancer du sein.
1.4.1. La chirurgie
1.4.2. La radiothérapie
1.4.3. La chimiothérapie
1.4.4. Les anticorps monoclonaux
2.2. Filtre médian adaptatif.
1.4.5. L’hormonothérapie
1.5. Conclusion
Chapitre 2: Méthodes de traitements d’images
2.1. Introduction
2.2.1. Qu’est-ce qu’un filtre médian et ce qu’il fait ?
2.2.2. Qu’est-ce que le bruit ?
2.2.2.1. Modèles de bruit
2.2.3. Filtrage médian adaptatif.
2.2.3.1. Objectif.
2.2.3.2. Comment ça marche ?
2.2.3.3. Notation
2.2.3.4. Algorithme
2.2.3.5. Explication
2.2.3.6. Avantages
2.3. Gaussien Mixture Model (GMM)
2.3.1. Clustering k-means
2.3.1.1. Algorithme de clustering K-means
2.3.1.2. K-means en action
2.3.2. Mélange gaussien et EM
2.3.2.1. Modèle de mélange.
2.3.2.2. Mélange gaussien
2.3.2.3. Algorithme d’EM
2.3.2.4. Algorithme EM pour un mélange gaussien à deux composants.
2.3.3. Algorithme EM pour les problèmes généraux de données manquantes. 2.3.3.1. L’algorithme d’EM
2.4. Modèle de champ aléatoire de Markov caché (HMRF-EM).
2.4.1. Algorithme EM
2.4.2. Estimation du PAM
2.4.3. Segmentation de l’image de préservation du bord antérieur. 2.5. Conclusion
Chapitre 3: Caractérisation, classification et interface
3.1. Introduction
3.2. Importance du sujet
3.3. La base d’images
3.4. Méthodologie
3.5. caractérisation
3.5.1. Prétraitement.
3.5.2. Segmentation
3.5.3. Analyse de texture.
3.5.3.1. Matrice de co-occurrence.
3.5.3.2. Extraction des descripteurs de haralick
3.6. Réseaux de neurone probabiliste
3.7. Interface
Conclusion
Conclusion générale
Bibliographie
Glossaire
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.