Analyse d'images IRM pour l'étude de la sclérose en plaques
| dc.contributor.author | Mesloub, Karima | |
| dc.date.accessioned | 2017-04-12T13:52:29Z | |
| dc.date.available | 2017-04-12T13:52:29Z | |
| dc.date.issued | 2012 | |
| dc.description | 58 f. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | Le travail conçu est une segmentation automatique des lésions de la sclérose en plaque (SEP) qui affectent les tissus du cerveau humain dans les images IRM basé sur les méthodes de segmentation par classification non supervisé pour chercher la région d’intérêt, là où se trouvent les lésions de la SEP, qui est appliquée à l'algorithme level set. Notre méthode consiste en l'algorithme C-moyenne floues ( FCM) basée sur une intensité de l'image, cette algorithme classifie l'image, cet algorithme classifie l'image par le regroupement les points. (pixels) de données similaires dans l'espace de caractéristiques dans les classes. Ce regroupement est réalisé par itérativement en minimisant une fonction de coût qui dépens de la distance des pixels vers les centres des classes dans le domaine caractéristique. Toutefois, l'algorithme FCM ne tient pas compte l'informations spatiale dans l'image.Pour améliorer nos résultats, pour détecter les lésions sans artefacts, nous avons appliqué l'algorithme FCM spatiale, nous introduisant une influence du voisinage dans le degré d'appartenance de chaque pixel de l'algorithme FCM conventionnel. Dans le but d'apporter des informations visuelles et d'isoler les lésions de la SEP présentes sur les images IRM pour l'aide au diagnostic nous avons appliqué un algorithme performant level set. Cet algorithme capable d'évoluer directement à partir de la segmentation initiale par la classification floue spatiale et les paramètres de contrôle de l'évolution de level set sont estimés à partir des résultats de FCM spatiale. La méthode proposé emploie l'information spatiale de l'image et améliore l'exactitude de la segmentation des lésions de la SEP. Les résultats obtenus permettent d'automatiser un processus long et fastidieux pour l'expert. Nos tests ont été effectués sur les différentes séquences d'images IRM | |
| dc.identifier.citation | Option : Traitement d’Images et Reconnaissance de Formes | en |
| dc.identifier.other | MAG.AUTO.51-12 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/732 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | level set | en |
| dc.subject | Information spatiale | en |
| dc.subject | C moyennes floues FCM | en |
| dc.subject | Cerveau segmentation d'images IRM | en |
| dc.subject | Imageries par résonance magnétique (IRM) | en |
| dc.subject | Sclérose en plaque | en |
| dc.title | Analyse d'images IRM pour l'étude de la sclérose en plaques | en |
| dc.type | Thesis | en |