|
| Titre : | Segmentation d’images IRM c´er´ebrales par diff´erents r´eseaux de neurones convolutifs (CNN). | | Type de document : | theses et memoires | | Auteurs : | Nadjet Aouine, Auteur ; Chahira Djebouri, Auteur ; Ouiza Nait Belaid, Directeur de thèse | | Editeur : | Tizi-Ouzou : UMMTO F.G.E.I | | Année de publication : | 2024 | | Importance : | 75 p. | | Présentation : | ill. | | Format : | PDF | | Note générale : | Bibliogr. | | Langues : | Français | | Mots-clés : | Tumeur cérébrale Segmentation CNN IRM ResNet50 U-Net Dense U-Net | | Résumé : | L’objectif de ce projet est d’étudier l’utilisation de l’apprentissage profond, et plus particulièrement des réseaux de neurones convolutionnels (CNN), pour effectuer une segmentation précise de trois types de tumeurs dans des images d’IRM cérébrale (gliome,méningiome et tumeur pitutaire). Pour cela, nous avons d’une part utilisé trois architectures connues dans le domaine de la segmentation médicale : l’architecture U-Net classique, le U-Net avec un encodeur pré-entraîné ResNet50, et le Dense UNet intégrant des connexions denses. D’autre part, nous avons également proposé et développé trois nouvelles architectures, conçues dans le cadre de ce travail, dans le but d’améliorer la qualité de la segmentation. L’ensemble des expériences a été réalisé sur la plateforme Google Colab, qui offre un environnement cloud avec un accès gratuit à des ressources de calcul performantes, notamment des GPU, permettant un entraînement efficace des modèles.Ce projet vise à évaluer à la fois des architectures existantes et des solutions originales pour la segmentation automatique des tumeurs cérébrales dans des IRM.
| | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=37880 |
Segmentation d’images IRM c´er´ebrales par diff´erents r´eseaux de neurones convolutifs (CNN). [theses et memoires] / Nadjet Aouine, Auteur ; Chahira Djebouri, Auteur ; Ouiza Nait Belaid, Directeur de thèse . - Tizi-Ouzou (Tizi-Ouzou) : UMMTO F.G.E.I, 2024 . - 75 p. : ill. ; PDF. Bibliogr. Langues : Français | Mots-clés : | Tumeur cérébrale Segmentation CNN IRM ResNet50 U-Net Dense U-Net | | Résumé : | L’objectif de ce projet est d’étudier l’utilisation de l’apprentissage profond, et plus particulièrement des réseaux de neurones convolutionnels (CNN), pour effectuer une segmentation précise de trois types de tumeurs dans des images d’IRM cérébrale (gliome,méningiome et tumeur pitutaire). Pour cela, nous avons d’une part utilisé trois architectures connues dans le domaine de la segmentation médicale : l’architecture U-Net classique, le U-Net avec un encodeur pré-entraîné ResNet50, et le Dense UNet intégrant des connexions denses. D’autre part, nous avons également proposé et développé trois nouvelles architectures, conçues dans le cadre de ce travail, dans le but d’améliorer la qualité de la segmentation. L’ensemble des expériences a été réalisé sur la plateforme Google Colab, qui offre un environnement cloud avec un accès gratuit à des ressources de calcul performantes, notamment des GPU, permettant un entraînement efficace des modèles.Ce projet vise à évaluer à la fois des architectures existantes et des solutions originales pour la segmentation automatique des tumeurs cérébrales dans des IRM.
| | Diplôme : | Master | | Permalink : | ./index.php?lvl=notice_display&id=37880 |
|
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesSegmentation d’images IRM c´er´ebrales par diff´erents r´eseaux de neurones convolutifs (CNN). / Nadjet Aouine (2024)
