Andere Kunden interessierten sich auch für
![MACHINE LEARNING]( "MACHINE LEARNING")
MACHINE LEARNING26,99 €![Domaines d'apprentissage et outils pour évaluer la compétence clinique]( "Domaines d'apprentissage et outils pour évaluer la compétence clinique")
Domaines d'apprentissage et outils pour évaluer la compétence clinique26,99 €![Efficacité des séances d'apprentissage du raisonnement clinique]( "Efficacité des séances d'apprentissage du raisonnement clinique")
Efficacité des séances d'apprentissage du raisonnement clinique29,99 €![Glande thyroïde : localisation primitive rare du lymphome]( "Glande thyroïde : localisation primitive rare du lymphome")
Glande thyroïde : localisation primitive rare du lymphome23,99 €![Lymphome gastrique du MALT]( "Lymphome gastrique du MALT")
Lymphome gastrique du MALT29,99 €![Prise en charge des lymphomes en onco-hématologie pédiatrique]( "Prise en charge des lymphomes en onco-hématologie pédiatrique")
Prise en charge des lymphomes en onco-hématologie pédiatrique29,99 €![Rôle des techniques ANN dans la détection du cancer du sein]( "Rôle des techniques ANN dans la détection du cancer du sein")
Rôle des techniques ANN dans la détection du cancer du sein32,99 €
L'objectif de notre travail était de concevoir un système d'aide au diagnostic permettant d'étudier et d'analyser les lésions lymphomateuses détectées en IRM de diffusion corps entier et de préciser leur quantification en termes d'ADC. Nous avons utilisé une base de données tunisienne, acquise à l'Hôpital d'Enfants de Tunis, que nous avons exploitée pour traiter 1005 images provenant de 50 patients. Nous avons segmentées et extraire les lésions lymphomateuses en se basant sur plusieurs algorithmes de segmentation. Ces régions d'intérêts sont utilisées pour extraire 72 attributs (fonctionnels, anatomiques et morphologiques à partir des cartographies ADC, séquence T2 fusionnée avec image de diffusion (b600), et les images binaires respectivement). Seulement trois attributs pertinents sont sélectionnés à partir du 72 paramètres, et présentés par la suite aux classifieurs: ANN, SVM, K-NN, et Random Forest, pour la reconnaissance automatique des lésions lymphomateuses soit comme lésions évolutives ou masses résiduelles.