Étude comparative des méthodes de segmentation d’images cérébrales
Des informations générales:
Le niveau |
Master |
Titre |
Étude comparative des méthodes de segmentation d’images cérébrales |
SPECIALITE |
Modèles Intelligents et Décision (M.I.D) |
Page de garde:
Sommaire:
Introduction générale
Chapitre I. Anatomie du cerveau, IRM et tumeur cérébrale.
Introduction
Section I
I. L’anatomie du cerveau.
I.1. Système nerveux central
I.1.1. Les Hémisphères Cérébraux
I.1.2. Le cervelet
I.1.3. Le tronc cérébral.
I.1.4. La moelle épinière
1.2. Techniques d’imagerie cérébrale
I.2.1. Imagerie fonctionnelle
I.2.2. Imagerie structurelle
Section II
II. L’imagerie cérébrale pour le diagnostic des tumeurs.
II.1. Les Tumeurs cérébrales.
II.1.1 Définition.
II.1.2 Tumeur et cancer
II.1.3 Classification des tumeurs cérébrales
II.1.3.1 Tumeurs primitives
II.1.3.2 Tumeurs secondaires
II.1.4 Imageries cérébrales et le diagnostic des tumeurs. II.1.4.1 Scanner
II.1.4.2 l’imagerie par résonance magnétique (IRM)
II.2. IRM
II.2.1 Définition
II.2.2 Pondérations et Séquence IRM.
II.2.3 IRM et Tumeur cérébrale
Conclusion
Chapitre II. Méthodes de segmentation d’images
Introduction
Section I
I. La segmentation d’images.
1. Définition de segmentation
2. Segmentation d’images cérébrales
Section 2
II. Etat de l’art: Techniques de segmentation
1. Différentes approches de segmentation
Approches région
1.1 1.1.1. Seuillages
1.1.2. Croissance de régions
1.1.3. Division/fusion (split & merge).
1.1.4. Méthodes de classification
1.1.4.1. K-means
1.1.4.2. Fuzzy c-means
1.1.5. Réseaux de neurones
1.2 Approches contours.
1.2.1. Méthodes dérivatives
1.2.2. Modèles déformables 1.3 Approches Structurelles
1.3.1. Ligne de Partage des Eaux.
1.3.2. Morphologie mathématique 1.4 Forme
1.4.1. Modèle actif de forme (ASM)
1.4.2. Modèle actif d’apparence (AAM)
1.4.3. Contours Actifs
2. Critères d’évaluation de la segmentation
2.1. Indice de similarité de Dice
2.2. Indice de similarité de Jaccard.
2.3. Sensibilité et spécificité
2.4. Occuracy
2.5. Coefficient de corrélation de Matthews (MCC)
2.6. F-measure
Conclusion
Chapitre 3
Implémentation et résultats
1. Introduction
2. Méthodologie
2.1. Présentation de la base de données
2.2. Choix des méthodes
2.3. Implémentation
2.3.1. Prétraitements
2.3.2. Interface graphique.
2.3.4. Évaluation des résultats de la segmentation.
2.3.4.1. L’évaluation de l’algorithme k-means
2.3.4.2. L’évaluation de l’algorithme des contours actifs.
2.3.4.3. L’évaluation de l’algorithme FCM
3. Conclusion
Conclusion générale
Références
Chapitre I. Anatomie du cerveau, IRM et tumeur cérébrale.
Introduction
Section I
I. L’anatomie du cerveau.
I.1. Système nerveux central
I.1.1. Les Hémisphères Cérébraux
I.1.2. Le cervelet
I.1.3. Le tronc cérébral.
I.1.4. La moelle épinière
1.2. Techniques d’imagerie cérébrale
I.2.1. Imagerie fonctionnelle
I.2.2. Imagerie structurelle
Section II
II. L’imagerie cérébrale pour le diagnostic des tumeurs.
II.1. Les Tumeurs cérébrales.
II.1.1 Définition.
II.1.2 Tumeur et cancer
II.1.3 Classification des tumeurs cérébrales
II.1.3.1 Tumeurs primitives
II.1.3.2 Tumeurs secondaires
II.1.4 Imageries cérébrales et le diagnostic des tumeurs. II.1.4.1 Scanner
II.1.4.2 l’imagerie par résonance magnétique (IRM)
II.2. IRM
II.2.1 Définition
II.2.2 Pondérations et Séquence IRM.
II.2.3 IRM et Tumeur cérébrale
Conclusion
Chapitre II. Méthodes de segmentation d’images
Introduction
Section I
I. La segmentation d’images.
1. Définition de segmentation
2. Segmentation d’images cérébrales
Section 2
II. Etat de l’art: Techniques de segmentation
1. Différentes approches de segmentation
Approches région
1.1 1.1.1. Seuillages
1.1.2. Croissance de régions
1.1.3. Division/fusion (split & merge).
1.1.4. Méthodes de classification
1.1.4.1. K-means
1.1.4.2. Fuzzy c-means
1.1.5. Réseaux de neurones
1.2 Approches contours.
1.2.1. Méthodes dérivatives
1.2.2. Modèles déformables 1.3 Approches Structurelles
1.3.1. Ligne de Partage des Eaux.
1.3.2. Morphologie mathématique 1.4 Forme
1.4.1. Modèle actif de forme (ASM)
1.4.2. Modèle actif d’apparence (AAM)
1.4.3. Contours Actifs
2. Critères d’évaluation de la segmentation
2.1. Indice de similarité de Dice
2.2. Indice de similarité de Jaccard.
2.3. Sensibilité et spécificité
2.4. Occuracy
2.5. Coefficient de corrélation de Matthews (MCC)
2.6. F-measure
Conclusion
Chapitre 3
Implémentation et résultats
1. Introduction
2. Méthodologie
2.1. Présentation de la base de données
2.2. Choix des méthodes
2.3. Implémentation
2.3.1. Prétraitements
2.3.2. Interface graphique.
2.3.4. Évaluation des résultats de la segmentation.
2.3.4.1. L’évaluation de l’algorithme k-means
2.3.4.2. L’évaluation de l’algorithme des contours actifs.
2.3.4.3. L’évaluation de l’algorithme FCM
3. Conclusion
Conclusion générale
Références
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.