les Thèses Soutenues à l'USTO MB
vous cherchez une thèse?
A partir de cette page vous pouvez :
Retourner au premier écran avec les dernières notices... | Votre compte |
Catégories
Faire une suggestion Affiner la recherche
Titre : Analyse et Interprétation des images de mammographie Type de document : document électronique Auteurs : BOUTAOUCHE Fouzia, Auteur ; BENAMRANE Nacéra, Directeur de thèse Année de publication : 31 janvier 2018 Accompagnement : CD Langues : Français (fre) Catégories : Informatique:Imagerie Médicale Mots-clés : cancer du sein, segmentation des masses, modèle Local Chan-Vese, arbres de décision flou, partitionnement flou, systèmes d’aide au diagnostic. Résumé : Le cancer du sein est l’une des causes les plus courantes de décès chez la femme. Une femme sur huit risque d’en être atteinte durant sa vie. Son dépistage à un stade précoce avant que la maladie n’ait chance de s’étendre, revêt une importance capitale. Du fait de son diagnostic tardif, il en résulte souvent un traitement lourd et couteux. Grâce à la mammographie numérique et aux systèmes d’aide au diagnostic (CADs), les chances de survies ont été considérablement augmentées. Le défi est de détecter des cancers qui risquent d’être manqués par le radiologue. Cela en fait un axe majeur de recherche dont nous nous proposons d’étudier. Dans ce travail de recherche, nous développons un nouveau système de détection et de classification des anomalies suspectes sur des clichés mammographiques. Le système qu’on propose se voit divisé en plusieurs étapes: une phase de pré traitement qui vise à améliorer la qualité de l’image. Ensuite, la segmentation dans laquelle nous introduisons le modèle LCV (Local Chan-Vese) pour isoler les structures suspectes. Les tests expérimentaux ont montré l’efficacité de cet algorithme à atteindre les bords de zones avec effet de dégradation ou de flou, avec présence d’intensités inhomogènes Enfin, l’étape de classification, dans laquelle nous proposons d’utiliser un système basé sur la théorie des ensembles flous. Dans un premier temps, nous utilisons la technique HFP (Hierarchical Fuzzy Partitioning) pour la construction automatique des fonctions d’appartenance. Dans un second temps, nous utilisons les arbres de décision flous, pour résoudre le problème d’extraction des connaissances et de classification. Les arbres de décision flous, sont employés en deux étapes principales : d’abord, une première classification est réalisée afin d’identifier le type de la région suspecte (circonscrite, mal-définie, spiculée, ou distorsion architecturale). Ensuite, et selon le type de l’anomalie, une autre classification est effectuée, permettant d’identifier le type de l’anomalie observée (maline ou bénigne).
Notre approche a été testée sur des images procurées de la mini base de données MIAS (Mammographic Image Analysis Society). Le système CAD proposé indique de bonnes performances, avec un taux de précision globale de l'ordre de 87. 30%, une sensibilité de 82,14%, et une bonne spécificité qui atteint une valeur de 91,43%.
Analyse et Interprétation des images de mammographie [document électronique] / BOUTAOUCHE Fouzia, Auteur ; BENAMRANE Nacéra, Directeur de thèse . - 31 janvier 2018 . - + CD.
Langues : Français (fre)
Catégories : Informatique:Imagerie Médicale Mots-clés : cancer du sein, segmentation des masses, modèle Local Chan-Vese, arbres de décision flou, partitionnement flou, systèmes d’aide au diagnostic. Résumé : Le cancer du sein est l’une des causes les plus courantes de décès chez la femme. Une femme sur huit risque d’en être atteinte durant sa vie. Son dépistage à un stade précoce avant que la maladie n’ait chance de s’étendre, revêt une importance capitale. Du fait de son diagnostic tardif, il en résulte souvent un traitement lourd et couteux. Grâce à la mammographie numérique et aux systèmes d’aide au diagnostic (CADs), les chances de survies ont été considérablement augmentées. Le défi est de détecter des cancers qui risquent d’être manqués par le radiologue. Cela en fait un axe majeur de recherche dont nous nous proposons d’étudier. Dans ce travail de recherche, nous développons un nouveau système de détection et de classification des anomalies suspectes sur des clichés mammographiques. Le système qu’on propose se voit divisé en plusieurs étapes: une phase de pré traitement qui vise à améliorer la qualité de l’image. Ensuite, la segmentation dans laquelle nous introduisons le modèle LCV (Local Chan-Vese) pour isoler les structures suspectes. Les tests expérimentaux ont montré l’efficacité de cet algorithme à atteindre les bords de zones avec effet de dégradation ou de flou, avec présence d’intensités inhomogènes Enfin, l’étape de classification, dans laquelle nous proposons d’utiliser un système basé sur la théorie des ensembles flous. Dans un premier temps, nous utilisons la technique HFP (Hierarchical Fuzzy Partitioning) pour la construction automatique des fonctions d’appartenance. Dans un second temps, nous utilisons les arbres de décision flous, pour résoudre le problème d’extraction des connaissances et de classification. Les arbres de décision flous, sont employés en deux étapes principales : d’abord, une première classification est réalisée afin d’identifier le type de la région suspecte (circonscrite, mal-définie, spiculée, ou distorsion architecturale). Ensuite, et selon le type de l’anomalie, une autre classification est effectuée, permettant d’identifier le type de l’anomalie observée (maline ou bénigne).
Notre approche a été testée sur des images procurées de la mini base de données MIAS (Mammographic Image Analysis Society). Le système CAD proposé indique de bonnes performances, avec un taux de précision globale de l'ordre de 87. 30%, une sensibilité de 82,14%, et une bonne spécificité qui atteint une valeur de 91,43%.
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 1494 02-08-459 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
02-08-459.pdfAdobe Acrobat PDF
Titre : Compression des images médicales fixes en vue d’une interprétation : Application au télédiagnostic Type de document : document électronique Auteurs : Sid Ahmed EL HANNACHI, Auteur Année de publication : 2017 Importance : 125 p. Accompagnement : CD Langues : Français (fre) Catégories : Informatique:Imagerie Médicale Mots-clés : Compression, images médicales, ROI, DCT, DWT, EZW, SPIHT Résumé : De nos jours, la compression d'image joue un rôle clé dans les hôpitaux, afin de surmonter le problème d'exigence de stockage et transmission rapide sur un réseau, de la grande quantité d'images médicales.
Les systèmes de compression actuels fournissent un taux de compression élevé avec une perte de qualité de l’image. Cependant, lors de la compression d'une image médicale; les médecins ne peuvent pas tolérer une carence en la région de l'image qui entoure la lésion ou la tumeur, appelée Région d'Intérêt (ROI).
Dans ce contexte, nous proposons dans cette thèse des techniques de compression, dans le but de fournir un meilleur compromis entre la qualité d'image et le taux de compression et assurer l'intégrité des données dans la région ROI. Par conséquent nous proposons des méthodes hybrides et méthodes basées ROI.
Les méthodes hybrides s’appuient sur les avantages des transformées et des techniques robustes : Ondelettes par schéma lifting, Quantification algébrique, SPIHT, SPECK, offrant ainsi de bonnes qualités d’images à des débits binaires bas.
Les méthodes basée ROI ont pour objectif de conserver la partie importante au diagnostic. Des transformées réversibles de type DCT, DWT ainsi que des codeurs imbriqués en modes: avec et sans perte, étaient à la base de nos contributions.
Directeur de thèse : BENAMRANE , Nacéra Compression des images médicales fixes en vue d’une interprétation : Application au télédiagnostic [document électronique] / Sid Ahmed EL HANNACHI, Auteur . - 2017 . - 125 p. + CD.
Langues : Français (fre)
Catégories : Informatique:Imagerie Médicale Mots-clés : Compression, images médicales, ROI, DCT, DWT, EZW, SPIHT Résumé : De nos jours, la compression d'image joue un rôle clé dans les hôpitaux, afin de surmonter le problème d'exigence de stockage et transmission rapide sur un réseau, de la grande quantité d'images médicales.
Les systèmes de compression actuels fournissent un taux de compression élevé avec une perte de qualité de l’image. Cependant, lors de la compression d'une image médicale; les médecins ne peuvent pas tolérer une carence en la région de l'image qui entoure la lésion ou la tumeur, appelée Région d'Intérêt (ROI).
Dans ce contexte, nous proposons dans cette thèse des techniques de compression, dans le but de fournir un meilleur compromis entre la qualité d'image et le taux de compression et assurer l'intégrité des données dans la région ROI. Par conséquent nous proposons des méthodes hybrides et méthodes basées ROI.
Les méthodes hybrides s’appuient sur les avantages des transformées et des techniques robustes : Ondelettes par schéma lifting, Quantification algébrique, SPIHT, SPECK, offrant ainsi de bonnes qualités d’images à des débits binaires bas.
Les méthodes basée ROI ont pour objectif de conserver la partie importante au diagnostic. Des transformées réversibles de type DCT, DWT ainsi que des codeurs imbriqués en modes: avec et sans perte, étaient à la base de nos contributions.
Directeur de thèse : BENAMRANE , Nacéra Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4602 02-08-442 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
02-08-442.pdfAdobe Acrobat PDF
Titre : Contribution à l’Analyse et à la Segmentation d’Images Médicales 3D Type de document : document électronique Auteurs : BAGHDADI Mohamed, Auteur Accompagnement : CD Langues : Français (fre) Catégories : Informatique:Imagerie Médicale Mots-clés : segmentation, IRM, imagerie cérébrale, ensembles de niveau, GFMM, FCM, connaissances a priori, relations spatiales, atlas.
segmentation, MRI, brain imaging, level sets, GFMM, FCM, a priori knowledge, space relations, atlas.Résumé : La segmentation d’IRM cérébrale anatomique est une tâche importante et indispensable à de nombreuses applications. Elle permet la visualisation de la surface 3D du cerveau et servir de support pour des études fonctionnelles, elle est largement utilisée dans les études statistiques de la morphologie des structures cérébrales, dans la détection des pathologies, ou encore dans la planification et la simulation des opérations chirurgicales. La segmentation du cerveau est une tâche difficile en raison de la complexité des structures anatomiques du cerveau ainsi que de la non-uniformité des 'intensités, des effets de volume partiels et du bruit. Généralement, les structures d'intérêts sont de taille compliquée et présentent des variations de forme importantes, et leurs contours peuvent être flous ou manquants. Les méthodes de segmentation basées sur des modèles flous ont été développées pour surmonter l'incertitude causée par ces effets. Malgré leurs avantages, l’utilisation du modèle flou seul a des limites.
Dans cette thèse, nous proposons une nouvelle méthode de segmentation des structures cérébrales (FGFMM : Fuzzy Generalized Fast Marching Mehtod) basée sur une combinaison de modèle flou et de modèle déformable et avec les connaissances anatomique a priori. Notre méthode se décompose en deux grandes parties. Initialement, une étape préliminaire permet de construire les différentes cartes d'informations, en particulier une carte floue, utilisée comme source d'information principale ; cette carte est construite en utilisant la méthode Fuzzy C-means (FCM). Ensuite, un modèle déformable mis en œuvre avec la méthode de la Marche Rapide Généralisée (GFMM : Gerenalized Fast Marching Method) évolue vers la structure à segmenter sous l'action d'une force normale définie à partir de ces cartes d'information. En ce sens, nous avons utilisé une puissante fonction d'évolution basée sur un modèle flou adaptée aux structures cérébrales.Trois autres extensions de FGFMM sont aussi présentées. La première extension concerne l'ajout d'une carte de contour au modèle flou et l'utilisation de certaines règles adaptées au processus de segmentation. La seconde extension consiste en l'utilisation de plusieurs modèles évoluant simultanément pour segmenter plusieurs structures. La troisième extension consiste à utiliser des modèles déformables compétitifs guidés par des connaissances a priori.
La méthode proposée a été utilisée pour plusieurs applications: la segmentation des tissus cérébraux (matière blanche, matière grise et le liquide céphalo-rachidien), le cortex cérébral et les ventricules latéraux, les hémisphères cérébraux et le cervelet, même pour une application plus difficile qui est la segmentation des noyaux gris profonds. Nous avons validé la méthode proposée qualitativement et quantitativement sur des bases d'IRM cérébrales synthétiques et réelles (BrainWeb et IBSR) et nous l’avons également comparée avec plusieurs méthodes de l’état de l’art. Les résultats obtenus sont satisfaisants et prometteurs avec un faible temps de calcul.
Anatomical cerebral MRI segmentation is an important and indispensable task for many applications. It allows visualization of the 3D surface of the brain and serves as a support for functional studies; it is widely used in statistical studies of the morphology of brain structures, in the detection of pathologies, or in the planning and simulation of surgical operations. Segmentation of the brain is a difficult task because of the complexity of the anatomical structures of the brain as well as the non-uniformity of the intensities, the partial volume effects and the noise. Generally, the structures of interest are of complicated size and have significant shape variations, and their borders may be fuzzy or missing. Fuzzy models based segmentation methods have been developed to overcome the uncertainty caused by these effects. Despite their advantages, the use of the fuzzy model alone has some limitations.
In this thesis, we propose a new method of brain structures segmentation (FGFMM: Fuzzy Generalized Fast Marching Method) based on a combination of fuzzy model and deformable model and anatomical a priori knowledge. Our method is divided into two main parts. Initially, a preliminary stage makes it possible to construct the various information maps, in particular a fuzzy map used as a principal information source; this map is constructed using the Fuzzy C-means method (FCM). Then, a deformable model implemented with the Gerenalized Fast Marching Method (GFMM) evolves towards the structure to be segmented under the action of a normal force defined from these information maps. In this sense, we used a powerful evolution function based on a fuzzy model, adapted to brain structures. Three other extensions of FGFMM are also presented. The first extension concerns the addition of an edge map to the fuzzy model and the use of some rules adapted to the segmentation process. The second extension consists in the use of several models evolving simultaneously to segment several structures. The third extension consists in using competitive deformable models guided by a priori knowledge.
The proposed method is used for several applications: segmentation of brain tissue (white matter, gray matter and cerebrospinal fluid), cerebral cortex and lateral ventricles, cerebral hemispheres and cerebellum, even for a more difficult application that is the segmentation of deep gray nuclei.
We validated the proposed method qualitatively and quantitatively on synthetic and real brain MRI data (BrainWeb and IBSR) and we also compared it with several state-of-the-art methods. The proposed method has achieved satisfactory and promising results with low computation time.
Directeur de thèse : BENAMRANE Nacéra Contribution à l’Analyse et à la Segmentation d’Images Médicales 3D [document électronique] / BAGHDADI Mohamed, Auteur . - [s.d.] . - + CD.
Langues : Français (fre)
Catégories : Informatique:Imagerie Médicale Mots-clés : segmentation, IRM, imagerie cérébrale, ensembles de niveau, GFMM, FCM, connaissances a priori, relations spatiales, atlas.
segmentation, MRI, brain imaging, level sets, GFMM, FCM, a priori knowledge, space relations, atlas.Résumé : La segmentation d’IRM cérébrale anatomique est une tâche importante et indispensable à de nombreuses applications. Elle permet la visualisation de la surface 3D du cerveau et servir de support pour des études fonctionnelles, elle est largement utilisée dans les études statistiques de la morphologie des structures cérébrales, dans la détection des pathologies, ou encore dans la planification et la simulation des opérations chirurgicales. La segmentation du cerveau est une tâche difficile en raison de la complexité des structures anatomiques du cerveau ainsi que de la non-uniformité des 'intensités, des effets de volume partiels et du bruit. Généralement, les structures d'intérêts sont de taille compliquée et présentent des variations de forme importantes, et leurs contours peuvent être flous ou manquants. Les méthodes de segmentation basées sur des modèles flous ont été développées pour surmonter l'incertitude causée par ces effets. Malgré leurs avantages, l’utilisation du modèle flou seul a des limites.
Dans cette thèse, nous proposons une nouvelle méthode de segmentation des structures cérébrales (FGFMM : Fuzzy Generalized Fast Marching Mehtod) basée sur une combinaison de modèle flou et de modèle déformable et avec les connaissances anatomique a priori. Notre méthode se décompose en deux grandes parties. Initialement, une étape préliminaire permet de construire les différentes cartes d'informations, en particulier une carte floue, utilisée comme source d'information principale ; cette carte est construite en utilisant la méthode Fuzzy C-means (FCM). Ensuite, un modèle déformable mis en œuvre avec la méthode de la Marche Rapide Généralisée (GFMM : Gerenalized Fast Marching Method) évolue vers la structure à segmenter sous l'action d'une force normale définie à partir de ces cartes d'information. En ce sens, nous avons utilisé une puissante fonction d'évolution basée sur un modèle flou adaptée aux structures cérébrales.Trois autres extensions de FGFMM sont aussi présentées. La première extension concerne l'ajout d'une carte de contour au modèle flou et l'utilisation de certaines règles adaptées au processus de segmentation. La seconde extension consiste en l'utilisation de plusieurs modèles évoluant simultanément pour segmenter plusieurs structures. La troisième extension consiste à utiliser des modèles déformables compétitifs guidés par des connaissances a priori.
La méthode proposée a été utilisée pour plusieurs applications: la segmentation des tissus cérébraux (matière blanche, matière grise et le liquide céphalo-rachidien), le cortex cérébral et les ventricules latéraux, les hémisphères cérébraux et le cervelet, même pour une application plus difficile qui est la segmentation des noyaux gris profonds. Nous avons validé la méthode proposée qualitativement et quantitativement sur des bases d'IRM cérébrales synthétiques et réelles (BrainWeb et IBSR) et nous l’avons également comparée avec plusieurs méthodes de l’état de l’art. Les résultats obtenus sont satisfaisants et prometteurs avec un faible temps de calcul.
Anatomical cerebral MRI segmentation is an important and indispensable task for many applications. It allows visualization of the 3D surface of the brain and serves as a support for functional studies; it is widely used in statistical studies of the morphology of brain structures, in the detection of pathologies, or in the planning and simulation of surgical operations. Segmentation of the brain is a difficult task because of the complexity of the anatomical structures of the brain as well as the non-uniformity of the intensities, the partial volume effects and the noise. Generally, the structures of interest are of complicated size and have significant shape variations, and their borders may be fuzzy or missing. Fuzzy models based segmentation methods have been developed to overcome the uncertainty caused by these effects. Despite their advantages, the use of the fuzzy model alone has some limitations.
In this thesis, we propose a new method of brain structures segmentation (FGFMM: Fuzzy Generalized Fast Marching Method) based on a combination of fuzzy model and deformable model and anatomical a priori knowledge. Our method is divided into two main parts. Initially, a preliminary stage makes it possible to construct the various information maps, in particular a fuzzy map used as a principal information source; this map is constructed using the Fuzzy C-means method (FCM). Then, a deformable model implemented with the Gerenalized Fast Marching Method (GFMM) evolves towards the structure to be segmented under the action of a normal force defined from these information maps. In this sense, we used a powerful evolution function based on a fuzzy model, adapted to brain structures. Three other extensions of FGFMM are also presented. The first extension concerns the addition of an edge map to the fuzzy model and the use of some rules adapted to the segmentation process. The second extension consists in the use of several models evolving simultaneously to segment several structures. The third extension consists in using competitive deformable models guided by a priori knowledge.
The proposed method is used for several applications: segmentation of brain tissue (white matter, gray matter and cerebrospinal fluid), cerebral cortex and lateral ventricles, cerebral hemispheres and cerebellum, even for a more difficult application that is the segmentation of deep gray nuclei.
We validated the proposed method qualitatively and quantitatively on synthetic and real brain MRI data (BrainWeb and IBSR) and we also compared it with several state-of-the-art methods. The proposed method has achieved satisfactory and promising results with low computation time.
Directeur de thèse : BENAMRANE Nacéra Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 1711 02-08-496 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
02-08-496.pdfAdobe Acrobat PDF Segmentation des tissus cérébraux en IRM par approche pyramide,contour actif et système multi-agents. / BELGRANA Fatima Zohra
Titre : Segmentation des tissus cérébraux en IRM par approche pyramide,contour actif et système multi-agents. Type de document : document électronique Auteurs : BELGRANA Fatima Zohra, Auteur ; BENAMRANE Nacéra, Directeur de thèse Année de publication : 2017 Importance : 141p Accompagnement : CD Langues : Français (fre) Catégories : Informatique:Imagerie Médicale Mots-clés : Segmentation, IRM du cerveau, ensembles de niveaux, pyramide Gaussienne, système multi-agents. Résumé : La segmentation d’images est depuis longtemps un sujet de recherche actif, elle joue un rôle important dans de nombreuses applications. Différentes approches de segmentation ont été proposées. Nous nous sommes situées tout au long de cette thèse dans une approche de contour actif où nous avons opté pour la méthode des ensembles de niveaux, une méthode de segmentation robuste qui permet la gestion automatique des changements topologiques ainsi que la détection de plusieurs objets à la fois. Après un certain nombre d’itérations, la fonction de distance devient instable et doit être réinitialisée périodiquement. Le résultat obtenu est très satisfaisant mais couteux en notion de temps. Afin de réduire le temps de calcul nous avons introduit la pyramide Gaussienne. Ensuite nous avons proposé une architecture logicielle de contrôle basée sur les SMAs, permettant une meilleure gestion du système hybride proposé.
Une évaluation qualitative ainsi que plusieurs comparaisons avec des travaux de la littérature prouvent l’efficacité de l’approche proposée.
Segmentation des tissus cérébraux en IRM par approche pyramide,contour actif et système multi-agents. [document électronique] / BELGRANA Fatima Zohra, Auteur ; BENAMRANE Nacéra, Directeur de thèse . - 2017 . - 141p + CD.
Langues : Français (fre)
Catégories : Informatique:Imagerie Médicale Mots-clés : Segmentation, IRM du cerveau, ensembles de niveaux, pyramide Gaussienne, système multi-agents. Résumé : La segmentation d’images est depuis longtemps un sujet de recherche actif, elle joue un rôle important dans de nombreuses applications. Différentes approches de segmentation ont été proposées. Nous nous sommes situées tout au long de cette thèse dans une approche de contour actif où nous avons opté pour la méthode des ensembles de niveaux, une méthode de segmentation robuste qui permet la gestion automatique des changements topologiques ainsi que la détection de plusieurs objets à la fois. Après un certain nombre d’itérations, la fonction de distance devient instable et doit être réinitialisée périodiquement. Le résultat obtenu est très satisfaisant mais couteux en notion de temps. Afin de réduire le temps de calcul nous avons introduit la pyramide Gaussienne. Ensuite nous avons proposé une architecture logicielle de contrôle basée sur les SMAs, permettant une meilleure gestion du système hybride proposé.
Une évaluation qualitative ainsi que plusieurs comparaisons avec des travaux de la littérature prouvent l’efficacité de l’approche proposée.
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4596 02-08-436 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
02-08-436.pdfAdobe Acrobat PDF
BUC USTOMB'Thèses
Service Thèse de la BUC met à votre votre disposition L'ensemble des thèses de doctorat et mémoires de magister soutenues à l'USTO MB
Adresse
BUC USTOMB'ThèsesBibliothèque centrale USTOMB
BP 1505 EL M'Naouer USTO ORAN
Algérie
(213)041627180
contact