| Titre : | Segmentation Automatique D’Images Médicales Basée sur la Classification Floue et la Méthode Level Set |
| Auteurs : | Kada Chelabi, Auteur ; Ali Kahal, Auteur ; Ahmed Boudaib, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université mustapha stambouli de Mascara:Faculté des sciences exactes, 2021 |
| ISBN/ISSN/EAN : | SE01245T |
| Format : | 83P. / couv. ill. en coul / 29 cm. |
| Accompagnement : | disque optique numérique (CD-ROM) |
| Langues: | Français |
| Résumé : |
La segmentation d’images basée sur la modélisation est généralement un problème mal posé. Pour cela, on rajoute des contraintes de régularisation aux modèles proposé afin d’avoir des solutions fiables. L’utilisation des modèles contours actifs pour la segmentation permet d’intégrer facilement des différentes des informations à priori, sous formes de contraintes, dans le modèle établi. La recherche de l’image segmentée est, réalisée par une méthode d’optimisation en donnant une solution initiale. En fait, la qualité des résultats est influencée par les contraintes rajoutées, l’initialisation ainsi que le choix de la méthode d’optimisation. Dans ce travail, nous avons présenté un système de segmentation automatique des images médicales en utilisant l’hybridation de deux méthodes FCM spatial et level set. Pour pousser davantage de l’objet d’intérêt et de palier au problème de bruit nous avons utilisé l’algorithme c-moyenne flou spatial (FCMS) comme une initialisation de contour. En outre, pour s’approcher des frontières d’objet et ne pas s’éloigner de la solution fournie par le FCM, nous avons utilisé cette condition via un terme supplémentaire de contrainte dynamique dans la fonctionnelle d’énergie. Dans un premier temps, nous introduisons le terme complémentaire pour connecter l’algorithme FCM et la méthode des ensembles de niveaux, puis nous donnons la nouvelle formulation énergétique et son processus de minimisation à l'aide de la méthode Split Bregman. Les résultats expérimentaux montrent que le modèle proposé peut segmenter les images avec succès et montrent également de bonnes performances sur plusieurs régions d’images. De plus, notre modèle présente une grande robustesse à l'initialisation. Les résultats de la comparaison quantitative illustrer que notre méthode a une amélioration non seulement sur les actifs traditionnels modèle de contour. Le terme ajouté dans la fonctionnelle énergétique joue un rôle important dans la segmentation, ce qui élimine beaucoup d'opération manuelle. En outre, le terme de contrainte dynamique stabilise l'évolution de la fonction level set et aussi améliore les résultats directement dérivés des résultats de segmentation FCM. La méthode proposée peut être améliorée pour s’adapter à un ensemble de données plus large d'images médicales et de l’associer avec d’autre contrainte pour plus d’automatisation. |
Exemplaires (2)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| SE01245T | INF413 | Livre audio | Bibliothèque des Sciences Exactes | 7-Mémoires Master | Libre accès Disponible |
| SE02115T | INF413 | Livre audio | Bibliothèque des Sciences Exactes | 7-Mémoires Master | Libre accès Disponible |
Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Accueil
