Difference between revisions of "Publications/buatois.19.seminar/fr"
From LRDE
(Created page with "{{CSIReportFR | authors = Thibault Buatois | titre = Segmentation de tumeur cérébrale par réseau de neurones convolutionel | year = 2019 | number = 1905 | resume = Les glio...") |
|||
| Line 4: | Line 4: | ||
| year = 2019 |
| year = 2019 |
||
| number = 1905 |
| number = 1905 |
||
| − | | resume = Les gliomes sont une |
+ | | resume = Les gliomes sont une catégorie de tumeur cérébrale ayant différents degrés de malignité, formes et textures. La segmentation manuelle par des professionnels est complexe à cause de l'hétérogénéité de ces tumeurs. Plusieurs méthodes de segmentation automatique de gliomes ont été étudiées au challenge MICCAI 2018 BraTS. Nous voulons améliorer les résultats de la segmentation soumise l'année dernière par l'équipe du LRDE, qui utilise l'architecture de VGG. Ce réseau de neurones à couches de convolution, utilisé habituellement pour de la classification d'images naturelles, a été adapté pour la segmentation d'images médicales grace à l'apprentissage par transfert et la “pseudo-3D”. Les améliorations actuelles se concentrent principalement sur le pré-traitement, l'utilisation d'opérateurs morphologiqueset seront soumises au challenge de cette année. |
| type = techreport |
| type = techreport |
||
| id = buatois.19.seminar |
| id = buatois.19.seminar |
||
Revision as of 19:53, 27 June 2019
- Auteurs
- Thibault Buatois
- Type
- techreport
- Année
- 2019
- Numéro
- 1905
Résumé
Les gliomes sont une catégorie de tumeur cérébrale ayant différents degrés de malignité, formes et textures. La segmentation manuelle par des professionnels est complexe à cause de l'hétérogénéité de ces tumeurs. Plusieurs méthodes de segmentation automatique de gliomes ont été étudiées au challenge MICCAI 2018 BraTS. Nous voulons améliorer les résultats de la segmentation soumise l'année dernière par l'équipe du LRDE, qui utilise l'architecture de VGG. Ce réseau de neurones à couches de convolution, utilisé habituellement pour de la classification d'images naturelles, a été adapté pour la segmentation d'images médicales grace à l'apprentissage par transfert et la “pseudo-3D”. Les améliorations actuelles se concentrent principalement sur le pré-traitement, l'utilisation d'opérateurs morphologiqueset seront soumises au challenge de cette année.