Veuillez utiliser cette adresse pour citer ce document : https://di.univ-blida.dz/jspui/handle/123456789/31461
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorHouria, Latifa-
dc.date.accessioned2024-10-14T13:58:05Z-
dc.date.available2024-10-14T13:58:05Z-
dc.date.issued2024-
dc.identifier.urihttps://di.univ-blida.dz/jspui/handle/123456789/31461-
dc.description130 f.ill.fr_FR
dc.description.abstractL'imagerie du tenseur de diffusion (DTI), est devenue une technique non invasive puissante, depuis son introduction en neuroimagerie. Il s'agit d'une nouvelle modalité d'imagerie, par résonance magnétique ( MRI), qui donne un aperçu de la microstructure de la connectivité de la substance blanche (WM), aidant à identifier les perturbations de la WM, causées par des maladies neurodégénératives, telles que la maladie d'Alzheimer (AD), et son stade précoce, appelé «trouble cognitif léger» (MCI). La maladie d'Alzheimer est un trouble neurologique irréversible et progressif, qui entraîne une perte de mémoire et de capacité de réflexion. De nombreuses méthodes et algorithmes sont appliqués, pour extraire des modèles, à partir de données de neuroimagerie, afin de distinguer les différents stades de l’AD. Cependant, la similitude des schémas cérébraux, chez les personnes âgées, et à différents stades, rend leur classification difficile pour les chercheurs. Dans cette thèse, nous proposons un extracteur de caractéristiques, à réseaux de neurones convolutionnels profonds (CNN) bidimensionnels, et un classifieur de machine à vecteurs de support (SVM), permettant de classer le stade de la maladie. Tout d'abord, les données sont collectées, à partir de la base de données ADNI. Elles sont prétraitées efficacement, pour éviter tout bruit. Ensuite, les caractéristiques sont extraites, des deux cartes DTI (anisotropie fractionnelle (FA), et diffusivité moyenne (MD)), à l'aide du modèle CNN, puis classées par le SVM. La méthode proposée confirme l'efficacité du système de diagnostic assisté par ordinateur, en utilisant des cartes DTI, lorsqu'il est appliqué à la classification de l’AD. De plus, nous intégrons la DTI et l'imagerie par résonance magnétique structurelle (sMRI), comme modalités d'imagerie complémentaires, pour la détection précoce de l’AD, afin de créer un outil de diagnostic assisté par ordinateur, plus efficace. Par conséquent, sMRI détecte l'atrophie corticale, et la DTI détecte les altérations de la substance blanche. Le cadre de fusion, consiste à fusionner des caractéristiques, extraites des métriques scalaires DTI (FA et MD), et de la matière grise (GM), segmentées à partir des images sMRI, à l'aide de 2D-CNN, et de les transmettre au SVM, pour classer, le stade AD vs le stade cognitif normal (CN) , AD vs MCI, et MCI vs CN. L'utilisation de l’imagerie MRI multimodale, montre une amélioration significative de la classification, de 99,79 %, 99,6 % et 97,00 %, pour AD/CN, AD/MCI et MCI/CN, respectivement.fr_FR
dc.language.isofrfr_FR
dc.publisherUniv.Blida 1fr_FR
dc.subjectImagerie de tenseur de diffusion (DTI)fr_FR
dc.subjectRéseau de neurones convolutionnels profonds (CNN)fr_FR
dc.subjectClassificationfr_FR
dc.titleImagerie de diffusion dédiée à la tractographiefr_FR
dc.typeThesisfr_FR
Collection(s) :Thèse de Doctorat

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
thèse de doctorat.pdfThèse de Doctorat4,67 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.