Segmentation des images IRM cérébrales par apprentissage profond
Des informations générales:
Le niveau |
Master |
Titre |
Segmentation des images IRM cérébrales par apprentissage profond |
SPECIALITE |
Imagerie Médicale |
Page de garde:
Sommaire:
Introduction générale.
Chapitre I Anatomie cérébrale.
Introduction
Système nerveux central
La moelle épinière
L’encéphale
Tronc cérébral
Cervelet.
1.2.2.3 Cerveau
Les principales substances de SNC
Substance grise.
Substance blanche
Méninges
Liquide céphalo-rachidien LCR
Les neurones
Les cellules gliales (La glie).
La microglie
La macroglie.
Les Pathologies et Tumeurs cérébrales
Le gliome
Les symptômes
1.5.3 Les facteurs de risque
L’imagerie par résonance magnétique (IRM)
Conclusion
Chapitre II Deep learning.
2.1Introduction
Les réseaux de neurones
Les neurones biologiques
Les réseaux de neurones artificiels.
Les réseaux de neurones convolutionnels.
2.2 Etat de l’art
Définition de l’apprentissage profond (deep learning).
Les différentes couches des réseaux de neurones convolutionnels
Couche de convolution (CONV)
Couche de pooling (POOL).
Couche de correction (ReLU).
Couche entièrement connectée (FC)
Couche de dé-convolution
Couche de perte (LOSS)
Couche de normalisation (BN).
Couche de régularisation (Dropout)
Avantages des CNN
Inconvénients des CNN.
Les modèles de segmentation par deep learning les plus utilisés.
Unet
SegNet
Les options d’apprentissage
Optimiseurs
Epoque
Taux d’apprentissage
Fréquence de validation (ValidationFrequency) MiniBatchSize
Ressource matérielle
Conclusion
Chapitre III Expérimentation, Résultats et Discussions
Introduction
La base de données
Matériel et Méthodes.
Matériel utilisé.
Le software
Le hardware.
Méthodes développées
Prétraitement des Données
Architecture de notre réseau
Première architecture (CNN 1).
3.3.2.2.2 Deuxième architecture (CNN2)
Troisième architecture (CNN3).
Résultats et discussion
Premier CNN:
Deuxième CNN:
Troisième CNN:
Coefficient de Dice
Comparaison.
Conclusion
Chapitre I Anatomie cérébrale.
Introduction
Système nerveux central
La moelle épinière
L’encéphale
Tronc cérébral
Cervelet.
1.2.2.3 Cerveau
Les principales substances de SNC
Substance grise.
Substance blanche
Méninges
Liquide céphalo-rachidien LCR
Les neurones
Les cellules gliales (La glie).
La microglie
La macroglie.
Les Pathologies et Tumeurs cérébrales
Le gliome
Les symptômes
1.5.3 Les facteurs de risque
L’imagerie par résonance magnétique (IRM)
Conclusion
Chapitre II Deep learning.
2.1Introduction
Les réseaux de neurones
Les neurones biologiques
Les réseaux de neurones artificiels.
Les réseaux de neurones convolutionnels.
2.2 Etat de l’art
Définition de l’apprentissage profond (deep learning).
Les différentes couches des réseaux de neurones convolutionnels
Couche de convolution (CONV)
Couche de pooling (POOL).
Couche de correction (ReLU).
Couche entièrement connectée (FC)
Couche de dé-convolution
Couche de perte (LOSS)
Couche de normalisation (BN).
Couche de régularisation (Dropout)
Avantages des CNN
Inconvénients des CNN.
Les modèles de segmentation par deep learning les plus utilisés.
Unet
SegNet
Les options d’apprentissage
Optimiseurs
Epoque
Taux d’apprentissage
Fréquence de validation (ValidationFrequency) MiniBatchSize
Ressource matérielle
Conclusion
Chapitre III Expérimentation, Résultats et Discussions
Introduction
La base de données
Matériel et Méthodes.
Matériel utilisé.
Le software
Le hardware.
Méthodes développées
Prétraitement des Données
Architecture de notre réseau
Première architecture (CNN 1).
3.3.2.2.2 Deuxième architecture (CNN2)
Troisième architecture (CNN3).
Résultats et discussion
Premier CNN:
Deuxième CNN:
Troisième CNN:
Coefficient de Dice
Comparaison.
Conclusion
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.