Détection des anomalies par segmentation des images médicales cérébrales
Des informations générales:
Le niveau |
Master |
Titre |
Détection des anomalies par segmentation des images médicales cérébrales |
SPECIALITE |
Génie informatique |
Page de garde:
Sommaire:
Chapitre I Imagerie Médicale Cérébrale
I.1.Notion générale de l’image.
I.1.1 Définition d’une image.
I.1.2. Types d’images.
I.1.3. Imagerie médicale.
I.1.4. Chaine de traitement d’image.
1.2.Anatomie cérébrale
1.2.1. Le cerveau
1.2.2. Le cervelet
I.2.3. Le tronc cérébral
I.2.4. Les composants de cerveau
I.2.4.1. La matière blanche
I.2.4.2. Matière grise.
I.2.4.3. Le liquide céphalo_rachidien (LCR)
1.3. Les tumeurs cérébrales
1.3.1. Une tumeur.
I.3.2. La différence entre une tumeur bénigne et maligne.
I.3.3. Les causes des tumeurs du cerveau
I.3.4. La gradation des tumeurs
I.3.5. Le diagnostic de la tumeur
I.4. Imagerie par résonance magnétique
1.4.1. Définition d’IRM.
1.4.2. Principe de l’IRM
1.4.3. Types d’IRM
I.4.3.1. IRM
I.4.3.2. IRM fonctionnelle
I.4.4. Les caractéristiques d’une image acquise par IRM
I.4.4.1. Le rapport signal sur bruit.
I.4.4.2. Le contraste
I.4.4.3. La résolution spatiale.
1.4.5. La qualité d’image acquise par l’IRM.
1.4.6. Risque éventuel
I.4.7. Matériels utilisés en IRM
I.4.7.1. L’aimant principal.
I.4.7.2. Les bobines de gradient.
I.4.7.3. Les antennes de champ radio fréquence
Chapitre II Segmentation des images
II.1 Définition de segmentation .
II.2 Différentes approches de segmentation
II.2.1 Approche contour
II.2.2. Approches régions
II.2.2.1 Segmentation par seuillage
II.2.2.2 Croissance de région
II.2.2.3 Méthode de fusion-diffusion
II.3. Méthodes basées sur la Classification.
II.3.1. Méthodes basées sur la Classification Supervisée.
II.3.1.1. Réseaux de Neurones
II.3.1.2. L’algorithme K-plus proches voisins [K-Nearest Neighbor] (KNN).
II.3.2. Méthodes basées sur la Classification non Supervisée.
II.3.2.1 Classification par K-Means (K-Moyens)
II.3.2.2. Classification par C_moyenne floue (FCM)
II.3.2.3. Classification par K_moyenne possibiliste (PCM)
II.4. Méthodes intelligentes.
II.4.1. La Médecine et l’Intelligence Artificielle.
II.4.2. L’Imagerie Médicale et l’Intelligence Artificielle
II.4.3. Solutions d’Intelligence Artificielle pour le diagnostic des tumeurs.
II.5. L’apprentissage approfondie.
II.5.1. L’apprentissage supervisé
II.5.2. L’apprentissage non supervisé
II.5.3. L’apprentissage semi supervisé .
II.5.4. L’apprentissage renforcé
II.5.5. Types de modèles d’apprentissage en profondeur
II.5.6. Réseau de neurones convolutifs (CNN).
II.5.7.Modèle VGG16.
II.6. Evaluation de la segmentation des images.
II.6.1. Evaluation non-supervisée.
II.6.2. Évaluation supervisée
Chapitre III Contribution et résultats
III.1. Introduction
III.2. Environnement de travail.
III.2.1. Python
III.2.2. Google Colab.
III.2.2.1. Google Colab.
III.2.2.2. Google drive
III.3. Modèle VGG16
III.3.1. Implémentation.
III.3.2. Résultats
III.4. Comparaison entre les déférents accélérateurs matériels.
I.1.Notion générale de l’image.
I.1.1 Définition d’une image.
I.1.2. Types d’images.
I.1.3. Imagerie médicale.
I.1.4. Chaine de traitement d’image.
1.2.Anatomie cérébrale
1.2.1. Le cerveau
1.2.2. Le cervelet
I.2.3. Le tronc cérébral
I.2.4. Les composants de cerveau
I.2.4.1. La matière blanche
I.2.4.2. Matière grise.
I.2.4.3. Le liquide céphalo_rachidien (LCR)
1.3. Les tumeurs cérébrales
1.3.1. Une tumeur.
I.3.2. La différence entre une tumeur bénigne et maligne.
I.3.3. Les causes des tumeurs du cerveau
I.3.4. La gradation des tumeurs
I.3.5. Le diagnostic de la tumeur
I.4. Imagerie par résonance magnétique
1.4.1. Définition d’IRM.
1.4.2. Principe de l’IRM
1.4.3. Types d’IRM
I.4.3.1. IRM
I.4.3.2. IRM fonctionnelle
I.4.4. Les caractéristiques d’une image acquise par IRM
I.4.4.1. Le rapport signal sur bruit.
I.4.4.2. Le contraste
I.4.4.3. La résolution spatiale.
1.4.5. La qualité d’image acquise par l’IRM.
1.4.6. Risque éventuel
I.4.7. Matériels utilisés en IRM
I.4.7.1. L’aimant principal.
I.4.7.2. Les bobines de gradient.
I.4.7.3. Les antennes de champ radio fréquence
Chapitre II Segmentation des images
II.1 Définition de segmentation .
II.2 Différentes approches de segmentation
II.2.1 Approche contour
II.2.2. Approches régions
II.2.2.1 Segmentation par seuillage
II.2.2.2 Croissance de région
II.2.2.3 Méthode de fusion-diffusion
II.3. Méthodes basées sur la Classification.
II.3.1. Méthodes basées sur la Classification Supervisée.
II.3.1.1. Réseaux de Neurones
II.3.1.2. L’algorithme K-plus proches voisins [K-Nearest Neighbor] (KNN).
II.3.2. Méthodes basées sur la Classification non Supervisée.
II.3.2.1 Classification par K-Means (K-Moyens)
II.3.2.2. Classification par C_moyenne floue (FCM)
II.3.2.3. Classification par K_moyenne possibiliste (PCM)
II.4. Méthodes intelligentes.
II.4.1. La Médecine et l’Intelligence Artificielle.
II.4.2. L’Imagerie Médicale et l’Intelligence Artificielle
II.4.3. Solutions d’Intelligence Artificielle pour le diagnostic des tumeurs.
II.5. L’apprentissage approfondie.
II.5.1. L’apprentissage supervisé
II.5.2. L’apprentissage non supervisé
II.5.3. L’apprentissage semi supervisé .
II.5.4. L’apprentissage renforcé
II.5.5. Types de modèles d’apprentissage en profondeur
II.5.6. Réseau de neurones convolutifs (CNN).
II.5.7.Modèle VGG16.
II.6. Evaluation de la segmentation des images.
II.6.1. Evaluation non-supervisée.
II.6.2. Évaluation supervisée
Chapitre III Contribution et résultats
III.1. Introduction
III.2. Environnement de travail.
III.2.1. Python
III.2.2. Google Colab.
III.2.2.1. Google Colab.
III.2.2.2. Google drive
III.3. Modèle VGG16
III.3.1. Implémentation.
III.3.2. Résultats
III.4. Comparaison entre les déférents accélérateurs matériels.
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.