Titre :	Débruitage des images par Deep Learning application aux images TDM
Type de document :	theses et memoires
Auteurs :	Lynda Semati, Auteur ; Anais Arkam, Auteur ; Leila Lahdir, Directeur de thèse
Editeur :	Tizi-Ouzou : UMMTO F.G.E.I
Année de publication :	2024
Importance :	97 p
Présentation :	ill.
Format :	PDF
Note générale :	Bibliogr.
Langues :	Français
Mots-clés :	Traitement d’images médicales  Tomodensitométrie (TDM)  Bruit gaussien additif  Débruitage  Apprentissage profond  Deep Learning  DnCNN  Réseaux convolutifs  Bruit résiduel  TensorFlow  Keras  Adam  PSNR  SSIM  Systèmes d’aide au diagnostic.
Résumé :	Cette étude est dédiée au traitement d’images médicales, et plus précisément à l’amélioration de la qualité des images de tomodensitométrie (TDM), souvent altérées par un bruit gaussien additif. Pour répondre à cette problématique, nous avons mis en œuvre une solution basée sur le Deep Learning, en utilisant le modèle DnCNN (Denoising Convolutional Neural Network), un réseau de neurones convolutifs profonds spécialisé dans le dé bruitage. Entraîné avec les bibliothèques TensorFlow et Keras, et optimisé à l’aide de l’algorithme Adam, notre modèle apprend à prédire et supprimer le bruit résiduel présent dans les images. L’évaluation des performances, à l’aide des indicateurs PSNR (Peak Signal-to-Noise Ratio) et SSIM (Structural Similarity Index Measure), a montré une nette amélioration de la clarté et de la structure des images médicales. Les résultats obtenus soulignent le potentiel des approches d’apprentissage profond dans le domaine du dé bruitage d’images TDM, et leur intégration dans des systèmes d’aide au diagnostic automatisé.
Diplôme :	Master
Permalink :	./index.php?lvl=notice_display&id=37966

Débruitage des images par Deep Learning application aux images TDM [theses et memoires] / Lynda Semati, Auteur ; Anais Arkam, Auteur ; Leila Lahdir, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 97 p : ill. ; PDF.
Bibliogr.
Langues : Français

Mots-clés :	Traitement d’images médicales  Tomodensitométrie (TDM)  Bruit gaussien additif  Débruitage  Apprentissage profond  Deep Learning  DnCNN  Réseaux convolutifs  Bruit résiduel  TensorFlow  Keras  Adam  PSNR  SSIM  Systèmes d’aide au diagnostic.
Résumé :	Cette étude est dédiée au traitement d’images médicales, et plus précisément à l’amélioration de la qualité des images de tomodensitométrie (TDM), souvent altérées par un bruit gaussien additif. Pour répondre à cette problématique, nous avons mis en œuvre une solution basée sur le Deep Learning, en utilisant le modèle DnCNN (Denoising Convolutional Neural Network), un réseau de neurones convolutifs profonds spécialisé dans le dé bruitage. Entraîné avec les bibliothèques TensorFlow et Keras, et optimisé à l’aide de l’algorithme Adam, notre modèle apprend à prédire et supprimer le bruit résiduel présent dans les images. L’évaluation des performances, à l’aide des indicateurs PSNR (Peak Signal-to-Noise Ratio) et SSIM (Structural Similarity Index Measure), a montré une nette amélioration de la clarté et de la structure des images médicales. Les résultats obtenus soulignent le potentiel des approches d’apprentissage profond dans le domaine du dé bruitage d’images TDM, et leur intégration dans des systèmes d’aide au diagnostic automatisé.
Diplôme :	Master
Permalink :	./index.php?lvl=notice_display&id=37966