| Titre : | Développement d'une architecture CNN pour la prédiction du taux de survie des malades Glioblastome GBM |
| Auteurs : | AYMEN AHRIZ, Auteur ; Rachida Saouli, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (54 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | Glioblastome, taux de survie , imagerie médicale, Imagerie par Résonance Magnétique (IRM), deep learning, réseaux de neurones convolutionnel. |
| Résumé : | Le Glioblastome Multiformes GBM est l’une des tumeurs cérébrales les plus courantes et mortelles chez les adultes avec un taux de survie très bas en dépit des différents traitements (chimiothérapie,radiothérapie et chirurgie). C’est pourquoi, un pronostic précis, basé sur les images IRMs, est très souhaité car il s’agit d’un secteur critique où les médecins attendent le plus haut niveau de précision. Néanmoins, l’interprétation de l’image IRM despatients atteints de GBM, est toujours un enjeu majeur pour les radiologues et les oncologues+ cause des erreurs de prédiction du taux de survie relatif aux caractéristiques complexes ethétérogènes des tissus de la tumeur GBM. Pour cela, nous proposons dans notre projet unenouvelle architecture basée sur les réseaux de neurones convolutionnels multi-classes pour prédire le taux de survie selon 3 classes : des courts survivants ( 500 jours) et des longs survivants ( >500 jours ).Le modèle que nous proposons + l’avantage de prédire des taux de survie en utilisant desclasses équilibrés pour réaliser une prédiction de bout en bout du taux de survie.C’est pourquoi, les résultats obtenus sont très encouragent par rapport + ceux obtenus par rapportaux performances réalisés par les travaux de la littérature. |
| Sommaire : |
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Diagnostique des tumeurs cérébrales du Glioblastome Multiforme GBM 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Présentation des tumeurs GBM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Les tumeurs Glioblastome . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Présentation des images IRMs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 Fonctionnement de l’IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.2 Avantages et inconvénients . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.3 Qualité des images IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2 Classification automatique des tumeurs GBM 12 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2 Définition de la segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3 Approches de la segmentation des images IRM . . . . . . . . . . . . . . . . . . . . . 13 2.3.1 Approches classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2 Présentation des réseaux de neurones . . . . . . . . . . . . . . . . . . . . . 16 2.3.3 Approches modernes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.4 Synthèse des traveaux relatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Conception du réseau de neurones convolutionel TS-Net 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Architecture général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3 La dévision de la DataSet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.4 L’extraction des slices informatives. . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.5 Conception détaillée du réseau TS-Net . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4 Implémentation du modèle de prédiction TS-Net 35 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2 Environnements et outils de développement . . . . . . . . . . . . . . . . . . . . . . 35 4.2.1 Bibliothèques et outils de développement : . . . . . . . . . . . . . . . . . . . 36 4.2.2 Environnement de développement . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4 Les fonctions utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.5 L’implementation du modèle TS-Net . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.6 Les résultats du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.6.1 L’Évaluation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.7 Présentation de l’interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.8 Comparaison des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/621 | Mémoire master | bibliothèque sciences exactes | Consultable |
