Intégration stochastique de méthodes de segmentation d’images
| dc.contributor.author | Fernana, Chayma | |
| dc.contributor.author | Boussadia , Roumaissa | |
| dc.contributor.author | Mazouzi, Smaine | |
| dc.contributor.author | Layouni , Zoubir | |
| dc.date.accessioned | 2025-04-14T13:14:30Z | |
| dc.date.available | 2025-04-14T13:14:30Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | La segmentation en imagerie médicale est nécessaire pour l'interprétation des radiographies et pour l'établissement de diagnostics précis. Cependant, et à cause des déformations qui entachent les images, les résultats de segmentation sont souvent insatisfaisants pour le praticien en médecine, ce qui laisse la voie ouverte à la proposition de nouvelles méthodes de segmentation, de plus en plus performantes. Dans ce travail, nous avons proposé un Framework pour la combinaison de méthodes de segmentation, et nous l'avons appliqué à deux méthodes, à savoir : la segmentation par classification bayesienne, et la segmentation par clustering k-means. L'intégration des deux méthodes, permet la correction des étiquettes des voxels en fonction des probabilités calculées selon les deux méthodes impliquées. Le Framework est applicable à toutes les méthodes à conditions que ces dernières puissent définir les probabilités d'étiquetage des voxels, en fonction des régions qui peuvent existées dans les images à segmenter. | |
| dc.identifier.uri | http://dspace.univ-skikda.dz:4000/handle/123456789/4553 | |
| dc.language.iso | fr | |
| dc.publisher | Faculté des Sciences | |
| dc.title | Intégration stochastique de méthodes de segmentation d’images | |
| dc.title.alternative | Génie Logiciel Avancé et Applications | |
| dc.type | Mémoire de Master |