Segmentation Et Interprétation D'une Séquence D'image Irm Dans Un Environnement Distribué.

Résumé: Aujourd'hui, toutes les avancées scientifiques liées au traitement des images médicales visent à développer un modèle informatique unique. Ce dernier imitera la façon dont les humains interprètent les images. Cette thèse traite de cette problématique, puisque nous proposons une approche formelle biologiquement inspirée des mécanismes du système de vision naturelle humaine. ? cette fin, nous utilisons le modèle des réseaux de neurones impulsionnels pour la détection des contours dans les images IRM cérébrales. Ce processus permet aux médecins spécialistes de traiter une analyse approfondie qui répond à leurs besoins, puisque la carte des contours générée offre la possibilité de calculer les caractéristiques géométriques de base des objets d'intérêt. Les résultats optimaux fournis par cette dernière étape augmentent les performances et facilitent le processus de segmentation et d'interprétation des images IRM cérébrales, c'est-à-dire la détection d'anomalies dans le cerveau. Pour cela, nous avons conçu et réalisé un outil appelé Edge and Anomaly Detection of Brain MRI Images in Distributed Environment (EADBMIDE). L'outil proposé offre aux médecins une aide significative pour établir un diagnostic. Il est testé sur un dataset de tumeurs cérébrales d'images IRM, ce qui montre la capacité et l'efficacité de la méthode de segmentation proposée. Chaque étape de cet outil est comparée séparément avec des approches similaires de l?état de l?art. Les résultats obtenus montrent une amélioration significative et une forte performance de l?outil proposé, ce qui prouve que ce dernier est recommandé pour la détection de contours et d?anomalies dans les images IRM cérébrales.

Publié dans la revue: