A partir de cette page vous pouvez :
| Retourner au premier écran avec les étagères virtuelles... |
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'Tomodensitométrie (TDM)' 
trié(s) par (Pertinence décroissant(e), Titre croissant(e)) Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche Interroger des sources externes Faire une suggestionAnalyse de la progression des maladies pulmonaires à partir de la tomodensitométrie TDM / Sabrina Rabahallah (2024)
Titre : Analyse de la progression des maladies pulmonaires à partir de la tomodensitométrie TDM Type de document : theses et memoires Auteurs : Sabrina Rabahallah, Auteur ; Ouardia Meddour, Auteur ; Abdellatif Bouzid Daho, Directeur de thèse Editeur : Tizi-Ouzou : UMMTO F.G.E.I Année de publication : 2024 Importance : 91 p. : ill. ; 30 cm. (CD-Rom) Présentation : ill. Format : Note générale : Bibliogr. Langues : Français Mots-clés : Analyse Maladies pulmonaires Tomodensitométrie (TDM) Segmentation Intelligence Artificielle (IA) Tomodensitométrie Résumé : Ce projet de fin d’étude porte sur l’analyse de la progression des maladies pulmonaires à partir d’images médicales issues de la tomodensitométrie (TDM). L’objectif principal est de développer une méthode automatique capable de détecter, segmenter et suivre l’évolution de lésions pulmonaires (nodules, infections, fibroses, etc.) à travers une série d’images TDM.
Après une phase de prétraitement des données, une méthode de segmentation basée sur la croissance de région a été mise en œuvre, suivie d’une étape de caractérisation pour analyser la progression des anomalies dans le temps. Les résultats obtenus montrent une segmentation fiable et une visualisation claire des évolutions pathologiques, ce qui peut constituer une aide précieuse au diagnostic médical et au suivi thérapeutique. Des perspectives d’amélioration sont également discutées, notamment l’intégration de l’intelligence artificielle pour une meilleure précision et automatisation.Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=38029 Analyse de la progression des maladies pulmonaires à partir de la tomodensitométrie TDM [theses et memoires] / Sabrina Rabahallah, Auteur ; Ouardia Meddour, Auteur ; Abdellatif Bouzid Daho, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 91 p. : ill. ; 30 cm. (CD-Rom) : ill. ; PDF.
Bibliogr.
Langues : Français
Mots-clés : Analyse Maladies pulmonaires Tomodensitométrie (TDM) Segmentation Intelligence Artificielle (IA) Tomodensitométrie Résumé : Ce projet de fin d’étude porte sur l’analyse de la progression des maladies pulmonaires à partir d’images médicales issues de la tomodensitométrie (TDM). L’objectif principal est de développer une méthode automatique capable de détecter, segmenter et suivre l’évolution de lésions pulmonaires (nodules, infections, fibroses, etc.) à travers une série d’images TDM.
Après une phase de prétraitement des données, une méthode de segmentation basée sur la croissance de région a été mise en œuvre, suivie d’une étape de caractérisation pour analyser la progression des anomalies dans le temps. Les résultats obtenus montrent une segmentation fiable et une visualisation claire des évolutions pathologiques, ce qui peut constituer une aide précieuse au diagnostic médical et au suivi thérapeutique. Des perspectives d’amélioration sont également discutées, notamment l’intégration de l’intelligence artificielle pour une meilleure précision et automatisation.Diplôme : Master Permalink : ./index.php?lvl=notice_display&id=38029 Réservation
Réserver ce document
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité MAST.GBM.13-24/1 MAST.GBM.13-24 CD Magasin de Thèses et Mémoires / FGE Master en Electronique Disponible Aucun avis, veuillez vous identifier pour ajouter le vôtre !
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 : 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 Réservation
Réserver ce document
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité MAST.ELN.45-24/1 MAST.ELN.45-24 CD Magasin de Thèses et Mémoires / FGE Master en Electronique Disponible Aucun avis, veuillez vous identifier pour ajouter le vôtre !
