| Titre : | Caractérisation des tissus humains en images IRM |
| Auteurs : | Yacine Ayad, Auteur ; Mohamed lamine Gharbi, Auteur ; Kaouther El kourd, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Année de publication : | 2006 |
| Format : | 80.P / Ill / 30/21 cm |
| Accompagnement : | CD |
| Langues: | Français |
| Langues originales: | Français |
| Résumé : |
La Reconnaissance des Formes est une science caractérisée par la mise en évidence par la machine, des certaines régularités significatives, dans le but de l'apprentissage ou la découverte de structures appelées classes dans un ensemble de données éventuellement perturbées. Un certain nombre de disciplines ont contribué à son développement à savoir : la recherche opérationnelle, la biologie, la linguistique et les sciences de l’ordinateur.[1][2]
La vision par ordinateur est sans doute l'un des principaux champs d'application de la Reconnaissance des Formes. De nos jours, la reconnaissance des formes visuelle a trouvé une place prépondérante dans un domaine tel que l'imagerie médicale. Du diagnostic à la chirurgie assistée par ordinateur en passant par la simulation, les techniques d'imagerie constituent une aide constante au praticien. Parmi les différentes modalités de l’imagerie médicale ; l’imagerie par résonance magnétique (IRM) est certainement celle qui a reçu la plus grande attention. Cette modalité d’imagerie radiologique qui ne cesse d’évoluer depuis déjà une vingtaine d’années, s’est progressivement répandue dans tous les secteurs de la radiologie, a ajouté à son information morphologique des données fonctionnelles et gagne actuellement du terrain comme technique d’imagerie interventionnelle.[1] En 1967, une nouvelle application de la RMN s’est profilée lorsque Jackson obtint les premiers signaux de résonance magnétique issus d’un animal vivant. En 1971, Damadian mit ensuite en évidence une différence entre les temps de relaxation des tissus sains et tumoraux. Un an plus tard, Lauterbur propose une méthode pour le codage spatial du phénomène RMN; 1972 fut ainsi l’année de naissance de l’imagerie par résonance magnétique (IRM). En 1978, les premières images cliniques furent obtenues, et en 1983 on vit apparaître sur le marché les premières installations d’IRM (imageurs IRM).[1][3][4][5] Dans ce travail, nous nous intéressons à l’application de quelques algorithmes de reconnaissance de forme pour classifier les tissus humains figurés dans les images de l’IRM, il est divisé sur quatre chapitres : Le premier chapitre s’intitule : Les principes de base de l’IRM. Nous intéressons au problème physique : quelle est la nature du signal RMN ? Quels sont les différents paramètres qui influencent la mesure, et quelles relations quantitatives peut-on prévoir ? Pour cela nous commençons tout d'abord par présenter les bases physiques de la Résonance Magnétique Nucléaire (section 1.1). Le principe est simple : il s'agit d'exciter le moment magnétique et de mesurer son retour à l'équilibre qui est caractérisé par une fréquence de résonance et deux constantes de temps T1 et T2. Dans la section (1.2) nous présentons rapidement les principes de la formation de l'image. On laisse de côté toute la diversité des séquences d'acquisition et tous les problèmes d'artefact qui en découlent pour nous placer dans le cadre d'une imagerie idéale. Celle-ci nous fournit une mesure des propriétés magnétiques des protons contenus dans un petit élément de volume (le voxel). Dans le deuxième chapitre : Concepts de base statistique et du traitement de l’image. Nous commençons par donner des éléments de la théorie de probabilité et du variable aléatoire, et nous passons par la suite à l’introduction des définitions du domaine de traitement de l’image tel que le pixel et l’histogramme. Le troisième chapitre : Concerne la classification des images médicales par la méthode supervisée. Nous présentons les différentes phases de classification des images médicales, suivies d’une étude détaillée des modes de classifications supervisées à savoir : •La classification par seuillage, qui se base sur l’intensité des pixels. •La classification Bayésienne par le maximum de vraissemblance qui se divise en deux modes dites paramétrique et non paramétrique. •Classification par le minimum de distance Et dans le dernier chapitre nous terminons par donner les résultats expérimentaux obtenus à partir de l’implantation des algorithmes de classifications supervisée des images par le logiciel MATLAB. |
Disponibilité (2)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| M/0716 | Memoire ingenieur | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses | |
| M/0716 | Memoire ingenieur | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses |
Erreur sur le template
