Approches collectives basées datamining et machine-learning pour l’interprétation d’images et reconnaissance d’objets
| dc.contributor.author | Nadjet, BOUCHAOUR | |
| dc.contributor.author | Smaine, MAZOUZI | |
| dc.date.accessioned | 2024-03-20T11:11:43Z | |
| dc.date.available | 2024-03-20T11:11:43Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | En imagerie médicale, comme pour la quasi-totalité de domaines traitant de l’image numérique, la segmentation occupe une place critique, et dont dépend fortement la qualité des résultats d’interprétation. Cependant, la segmentation d’image a été et demeure encore un problème mal-posé, du fait de l’incertitude et de l’imprécision des données lors de l’acquisition des images, mais aussi de la difficulté de modéliser ses données afin que les traitements puissent produire les résultats escomptés par les utilisateurs. Les images à résonance magnétique, (IRM) et en plus du lot de problèmes communs en traitement d’images tels que le bruit et les déformations, elles sont entachées d’artéfacts spécifiques qui compliquent leur segmentation, il s’agit du problème de la non uniformité des intensités (INU : Intensity Non Uniformity) et le problème de l’effet du volume partiel. Afin de contribuer à la résolution du problème de segmentation d’IRM, structurelles et pathologique, nous nous sommes penchés le long de cette thèse à proposer des modèles de données et des modèles de classification, permettant de bien étiqueter les voxels d’une IRM en fonction des tissus auxquels ils appartiennent. Pour ce faire, nous avons démarré d’une hypothèse, postulant que des patterns qui peuvent exister au sein des données IRM permettent de bien classifier ces dernières. Aussi, des attributs qui représentent à la fois les intensités des voxels, mais aussi les interactions qui existent entre eux, devraient renforcer le pourvoir discriminatoire des classifieurs utilisés. Et enfin, et à cause des tailles importantes des volumes IRM, nous avons supposé que les méta-classifieurs ensemblistes tels que l’Adaboost sont bien appropriés aux données traitées. Ces hypothèse et ces réflexions nous ont conduit à mener deux travaux dans le cadre de cette thèse. Le premier travail consiste à concevoir un modèle de représentation des données IRM, basé sur la notion d’entropie spatiale au sein des voxels dans un voisinage local. Les attributs basés entropie obtenus, et l’intensité du voxel lui même sont utilisé en entrée de l’algorithme Adaboost, en testant deux classifieurs faibles, à savoir le Naif bayesien, et le vSVM. Au second travail, et en utilisant l’Adaboost avec un classifieur CNN léger, nous avons considéré un ensemble d’attributs pour classifier un voxel donné. Cet ensemble consiste en une sous image 2D de coupe IRM autour du voxel à étiqueter. Pour les deux modèles, des expérimentations ont été menées et les résultats obtenus ont été comparés avec ceux de travaux récents de la littérature. Les résultats expérimentaux obtenus ont montré le fort potentiel des modèles proposées, soit de représentation, soit de classification pour une segmentation efficace des IRM, et ce dans les deux cas : IRM structurelle et IRM tumorale. Ces résultats nous ont conféré de confirmer notre hypothèse, à savoir que l’utilisation d’attributs représentant des patterns, tels que l’entropie spatiale ou les sous-images, ainsi que le recours à des méta-classifieurs d’ensemble, tel que Adaboost pourra être considéré comme un Framework général pour une segmentation efficace d’IRM. | |
| dc.identifier.uri | http://dspace.univ-skikda.dz:4000/handle/123456789/474 | |
| dc.language.iso | other | |
| dc.publisher | Université 20Aout 1955-Skikda | |
| dc.title | Approches collectives basées datamining et machine-learning pour l’interprétation d’images et reconnaissance d’objets | |
| dc.type | Thesis |