Détail de l'auteur
Auteur chikh, Abdelkrim |
Documents disponibles écrits par cet auteur (2)
Affiner la recherche Interroger des sources externes
Combinaison adaptative des informations texture et couleur pour la segmentation d’images médicales / BENOMAR, Mohammed Lamine
Titre : Combinaison adaptative des informations texture et couleur pour la segmentation d’images médicales Type de document : texte imprimé Auteurs : BENOMAR, Mohammed Lamine, Auteur ; chikh, Abdelkrim, Auteur Editeur : Université tlemcen Année de publication : 2018 Importance : 146 p. Présentation : ill. Format : 30 cm Langues : Français (fre) Langues originales : Français (fre) Résumé : En hématologie, le concept de cytologie numérique permet aux pathologistes d’établir des diagnostics précis notamment en
cancérologie (le myélome, les leucémies…), cette spécialité est basée sur l’aspect morphologique des cellules globules blancs
(leucocyte) et l’extraction d’un ensemble de mesures quantitatives par une lecture et une analyse visuelle des images
microscopiques médullaires et du sang périphérique afin de détecter les cellules anormales. La différentiation leucocytaire est une
tâche délicate qui demande énormément de concentration et d’expérience. Pour cela, un système automatique est indispensable,
non seulement pour assister le praticien et diminuer le risque d’erreur mais également afin de facilité la lecture et réduire le temps.
L’approche proposée pour automatiser ce processus est divisée en trois principales étapes : le prétraitement, la segmentation et la
classification. Les méthodes employées sont basées essentiellement sur la couleur, la texture et les propriétés morphologiques des
cellules. Ainsi, une nouvelle transformation couleur pour mettre en évidence les régions d’intérêts est d’abord présentée, suivi par
une segmentation de ces régions par l’algorithme de la ligne de partage des eaux contrainte par marqueurs (Marker Controlled
Watershed) et le classifieur à apprentissage supervisé des forêts aléatoires (Random Forests) pour différencier les globules blancs
des globules rouges groupés et des artéfacts. Le noyau et le cytoplasme sont ensuite séparés. Dans l’étape de classification des
cellules, un ensemble d’attributs de couleur, de texture et de forme est extrait des régions du noyau, du cytoplasme et de la cellule
entière dans le but d’identifier six types de globules blancs (neutrophile, basophile, éosinophile, monocyte, lymphocyte et
plasmocyte), et au finale les performances du classifieur des forêt aléatoires sont comparées et évaluées sur un ensemble d’image
microscopiques. Les résultats obtenus révèlent des précisions de reconnaissance élevées à la fois pour la segmentation et pour la
classification atteignant les 95%.Combinaison adaptative des informations texture et couleur pour la segmentation d’images médicales [texte imprimé] / BENOMAR, Mohammed Lamine, Auteur ; chikh, Abdelkrim, Auteur . - Université tlemcen, 2018 . - 146 p. : ill. ; 30 cm.
Langues : Français (fre) Langues originales : Français (fre)
Résumé : En hématologie, le concept de cytologie numérique permet aux pathologistes d’établir des diagnostics précis notamment en
cancérologie (le myélome, les leucémies…), cette spécialité est basée sur l’aspect morphologique des cellules globules blancs
(leucocyte) et l’extraction d’un ensemble de mesures quantitatives par une lecture et une analyse visuelle des images
microscopiques médullaires et du sang périphérique afin de détecter les cellules anormales. La différentiation leucocytaire est une
tâche délicate qui demande énormément de concentration et d’expérience. Pour cela, un système automatique est indispensable,
non seulement pour assister le praticien et diminuer le risque d’erreur mais également afin de facilité la lecture et réduire le temps.
L’approche proposée pour automatiser ce processus est divisée en trois principales étapes : le prétraitement, la segmentation et la
classification. Les méthodes employées sont basées essentiellement sur la couleur, la texture et les propriétés morphologiques des
cellules. Ainsi, une nouvelle transformation couleur pour mettre en évidence les régions d’intérêts est d’abord présentée, suivi par
une segmentation de ces régions par l’algorithme de la ligne de partage des eaux contrainte par marqueurs (Marker Controlled
Watershed) et le classifieur à apprentissage supervisé des forêts aléatoires (Random Forests) pour différencier les globules blancs
des globules rouges groupés et des artéfacts. Le noyau et le cytoplasme sont ensuite séparés. Dans l’étape de classification des
cellules, un ensemble d’attributs de couleur, de texture et de forme est extrait des régions du noyau, du cytoplasme et de la cellule
entière dans le but d’identifier six types de globules blancs (neutrophile, basophile, éosinophile, monocyte, lymphocyte et
plasmocyte), et au finale les performances du classifieur des forêt aléatoires sont comparées et évaluées sur un ensemble d’image
microscopiques. Les résultats obtenus révèlent des précisions de reconnaissance élevées à la fois pour la segmentation et pour la
classification atteignant les 95%.Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité T08199 EDOC004-25/ 01 Thèse قاعة العلوم والتكنولوجيا والطب والعلوم الطبيعة والحياة 004 معالجة البيانات علم الحاسوب Exclu du prêt Reconnaissance automatique des plasmocytes pour l’aide au diagnostic du Myélome / Baghli, Ismahan
Titre : Reconnaissance automatique des plasmocytes pour l’aide au diagnostic du Myélome Type de document : texte imprimé Auteurs : Baghli, Ismahan, Auteur ; chikh, Abdelkrim, Auteur Editeur : Université tlemcen Année de publication : 2018 Importance : 83 p. Présentation : ill. Format : 30 cm Accompagnement : cd Langues : Français (fre) Langues originales : Français (fre) Résumé : La maladie du Myélome multiple appelée aussi maladie de Kahler, est parmis
les maladies du cancer du sang. Ce type de cancer est caractérisé par la
prolifération des globules blancs de type plasmocyte. Le diagnostic précoce
de cette maladie, améliore le taux de survie du patient atteint. Le diagnostic
manuel repose sur l’examination visuelle, par le pathologiste, des images microscopiques
de la moelle osseuse pour chercher des signes de prolifération de
cellules. Cette analyse nécessite des efforts considérables pour une détection
fiable et précise, ce qui la rend à la fois lente et fastidieuse.
Les systèmes automatiques basés sur l’identification et le comptage des
globules blancs, peuvent donner des résultats plus précis que les méthodes manuelles.
Ces systèmes sont basés principalement sur deux étapes essentielles : la
segmentation des cellules, et la caractérisation et la classification des globules
blancs. Dans le modèle automatique que nous proposons, les images microscopiques
de la moelle osseuse sont tout d’abord segmenetées par la transformation
watershed et ensuite les régions sont fusionnées par l’intégration de
l’incertitude sur la couleur via la théorie de l’évidence. Ces globules blancs segmentés
sont caractérisés par les attributs de formes du noyau et de la cellule,
et les attributs de textures couleurs du noyau et du cytoplasme, et au finale
ces attributs sont introduits à trois classifieurs à apprentissage supervisé SVM
(Support Vector Machine), Kppv (K plus proche voisins) et arbre de décision.
Les résultats expérimentaux montrent que la reconnaissance du plasmocyte
par le Kppv est prometteuse, atteingnant un taux de reconnaissance de 97%
avec une spécificité de 100%, ce qui la rend insensible aux faux positifs.Reconnaissance automatique des plasmocytes pour l’aide au diagnostic du Myélome [texte imprimé] / Baghli, Ismahan, Auteur ; chikh, Abdelkrim, Auteur . - Université tlemcen, 2018 . - 83 p. : ill. ; 30 cm + cd.
Langues : Français (fre) Langues originales : Français (fre)
Résumé : La maladie du Myélome multiple appelée aussi maladie de Kahler, est parmis
les maladies du cancer du sang. Ce type de cancer est caractérisé par la
prolifération des globules blancs de type plasmocyte. Le diagnostic précoce
de cette maladie, améliore le taux de survie du patient atteint. Le diagnostic
manuel repose sur l’examination visuelle, par le pathologiste, des images microscopiques
de la moelle osseuse pour chercher des signes de prolifération de
cellules. Cette analyse nécessite des efforts considérables pour une détection
fiable et précise, ce qui la rend à la fois lente et fastidieuse.
Les systèmes automatiques basés sur l’identification et le comptage des
globules blancs, peuvent donner des résultats plus précis que les méthodes manuelles.
Ces systèmes sont basés principalement sur deux étapes essentielles : la
segmentation des cellules, et la caractérisation et la classification des globules
blancs. Dans le modèle automatique que nous proposons, les images microscopiques
de la moelle osseuse sont tout d’abord segmenetées par la transformation
watershed et ensuite les régions sont fusionnées par l’intégration de
l’incertitude sur la couleur via la théorie de l’évidence. Ces globules blancs segmentés
sont caractérisés par les attributs de formes du noyau et de la cellule,
et les attributs de textures couleurs du noyau et du cytoplasme, et au finale
ces attributs sont introduits à trois classifieurs à apprentissage supervisé SVM
(Support Vector Machine), Kppv (K plus proche voisins) et arbre de décision.
Les résultats expérimentaux montrent que la reconnaissance du plasmocyte
par le Kppv est prometteuse, atteingnant un taux de reconnaissance de 97%
avec une spécificité de 100%, ce qui la rend insensible aux faux positifs.Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité T08125 EDOC004-24/ 01 Thèse قاعة العلوم والتكنولوجيا والطب والعلوم الطبيعة والحياة 004 معالجة البيانات علم الحاسوب Exclu du prêt