{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3908"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3908","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Segmentation automatique par apprentissage profond des artères coronaires à partir d’angiographie 2D","abstract":"La segmentation automatique précise des artères coronaires joue un rôle crucial dans l’imagerie médicale pour le diagnostic, l’analyse, la prévention et le traitement des pathologies cardiovasculaires. Dans le cadre de ce projet de maîtrise, nous proposons une approche innovatrice basée sur le réseau convolutionnel U-Net pour segmenter les artères coronaires à partir des images angiographiques 2D. Pour optimiser les performances de notre segmentation, nous avons intégré les filtres proposés par Meĳering et al. et Sato et al. particulièrement conçus pour l’extraction des caractéristiques des structures tubulaires. Notre approche expérimentale se décompose en deux étapes distinctes. Tout d’abord, nous avons utilisé le réseau U-Net avec les images de la base de données DCA1 comme données d’entrée. Pour obtenir une segmentation optimale, nous avons choisi d’incorporer les filtres de Meĳering et Sato. Cette démarche vise à rehausser la visibilité des vaisseaux et à améliorer la distinction entre les artères coronaires et les tissus environnants. L’incorporation de ces filtres a notablement amélioré les résultats par rapport à ceux obtenus par U-Net sans filtrage. Dans une deuxième phase, la correction gamma a été intégrée dans notre approche afin d’évaluer son impact sur l’amélioration des résultats. Les résultats obtenus ont été évalués de manière exhaustive à l’aide des métriques d’évaluation tels que l’exactitude, la sensibilité, la spécificité et le coefficient de Dice. Cette étude contribue à l’avancement des techniques de segmentation des artères coronaires, ouvrant la voie à des applications cliniques plus fiables et précises. Les méthodes présentées dans ce mémoire offrent des perspectives prometteuses pour l’amélioration continue des diagnostics cardiovasculaires et la personnalisation des traitements médicaux.","abstract_html":"La segmentation automatique précise des artères coronaires joue un rôle crucial dans l’imagerie médicale pour le diagnostic, l’analyse, la prévention et le traitement des pathologies cardiovasculaires. Dans le cadre de ce projet de maîtrise, nous proposons une approche innovatrice basée sur le réseau convolutionnel U-Net pour segmenter les artères coronaires à partir des images angiographiques 2D. Pour optimiser les performances de notre segmentation, nous avons intégré les filtres proposés par Meĳering et al. et Sato et al. particulièrement conçus pour l’extraction des caractéristiques des structures tubulaires. Notre approche expérimentale se décompose en deux étapes distinctes. Tout d’abord, nous avons utilisé le réseau U-Net avec les images de la base de données DCA1 comme données d’entrée. Pour obtenir une segmentation optimale, nous avons choisi d’incorporer les filtres de Meĳering et Sato. Cette démarche vise à rehausser la visibilité des vaisseaux et à améliorer la distinction entre les artères coronaires et les tissus environnants. L’incorporation de ces filtres a notablement amélioré les résultats par rapport à ceux obtenus par U-Net sans filtrage. Dans une deuxième phase, la correction gamma a été intégrée dans notre approche afin d’évaluer son impact sur l’amélioration des résultats. Les résultats obtenus ont été évalués de manière exhaustive à l’aide des métriques d’évaluation tels que l’exactitude, la sensibilité, la spécificité et le coefficient de Dice. Cette étude contribue à l’avancement des techniques de segmentation des artères coronaires, ouvrant la voie à des applications cliniques plus fiables et précises. Les méthodes présentées dans ce mémoire offrent des perspectives prometteuses pour l’amélioration continue des diagnostics cardiovasculaires et la personnalisation des traitements médicaux.","abstract_has_math":false,"creators":["Meftah, Nouha"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024-02-23","date_published":"2024-02-23","updated_at":"2026-11-18T22:11:16Z","subjects":["artères coronaires, apprentissage profond, segmentation, filtres d’amélioration des vaisseaux, angiographie 2D"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3908"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3908","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/3908/1/Meftah-Nouha.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A3908","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Meftah, Nouha"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024-02-23"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["artères coronaires, apprentissage profond, segmentation, filtres d’amélioration des vaisseaux, angiographie 2D"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3908","https://espace.etsmtl.ca/id/eprint/3908/1/Meftah-Nouha.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["La segmentation automatique précise des artères coronaires joue un rôle crucial dans l’imagerie médicale pour le diagnostic, l’analyse, la prévention et le traitement des pathologies cardiovasculaires. Dans le cadre de ce projet de maîtrise, nous proposons une approche innovatrice basée sur le réseau convolutionnel U-Net pour segmenter les artères coronaires à partir des images angiographiques 2D. Pour optimiser les performances de notre segmentation, nous avons intégré les filtres proposés par Meĳering et al. et Sato et al. particulièrement conçus pour l’extraction des caractéristiques des structures tubulaires. Notre approche expérimentale se décompose en deux étapes distinctes. Tout d’abord, nous avons utilisé le réseau U-Net avec les images de la base de données DCA1 comme données d’entrée. Pour obtenir une segmentation optimale, nous avons choisi d’incorporer les filtres de Meĳering et Sato. Cette démarche vise à rehausser la visibilité des vaisseaux et à améliorer la distinction entre les artères coronaires et les tissus environnants. L’incorporation de ces filtres a notablement amélioré les résultats par rapport à ceux obtenus par U-Net sans filtrage. Dans une deuxième phase, la correction gamma a été intégrée dans notre approche afin d’évaluer son impact sur l’amélioration des résultats. Les résultats obtenus ont été évalués de manière exhaustive à l’aide des métriques d’évaluation tels que l’exactitude, la sensibilité, la spécificité et le coefficient de Dice. Cette étude contribue à l’avancement des techniques de segmentation des artères coronaires, ouvrant la voie à des applications cliniques plus fiables et précises. Les méthodes présentées dans ce mémoire offrent des perspectives prometteuses pour l’amélioration continue des diagnostics cardiovasculaires et la personnalisation des traitements médicaux."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Segmentation automatique par apprentissage profond des artères coronaires à partir d’angiographie 2D"]}]}],"canonical_facts":{"dc:creator":["Meftah, Nouha"],"dc:date":["2024-02-23"],"dc:description":["La segmentation automatique précise des artères coronaires joue un rôle crucial dans l’imagerie médicale pour le diagnostic, l’analyse, la prévention et le traitement des pathologies cardiovasculaires. Dans le cadre de ce projet de maîtrise, nous proposons une approche innovatrice basée sur le réseau convolutionnel U-Net pour segmenter les artères coronaires à partir des images angiographiques 2D. Pour optimiser les performances de notre segmentation, nous avons intégré les filtres proposés par Meĳering et al. et Sato et al. particulièrement conçus pour l’extraction des caractéristiques des structures tubulaires. Notre approche expérimentale se décompose en deux étapes distinctes. Tout d’abord, nous avons utilisé le réseau U-Net avec les images de la base de données DCA1 comme données d’entrée. Pour obtenir une segmentation optimale, nous avons choisi d’incorporer les filtres de Meĳering et Sato. Cette démarche vise à rehausser la visibilité des vaisseaux et à améliorer la distinction entre les artères coronaires et les tissus environnants. L’incorporation de ces filtres a notablement amélioré les résultats par rapport à ceux obtenus par U-Net sans filtrage. Dans une deuxième phase, la correction gamma a été intégrée dans notre approche afin d’évaluer son impact sur l’amélioration des résultats. Les résultats obtenus ont été évalués de manière exhaustive à l’aide des métriques d’évaluation tels que l’exactitude, la sensibilité, la spécificité et le coefficient de Dice. Cette étude contribue à l’avancement des techniques de segmentation des artères coronaires, ouvrant la voie à des applications cliniques plus fiables et précises. Les méthodes présentées dans ce mémoire offrent des perspectives prometteuses pour l’amélioration continue des diagnostics cardiovasculaires et la personnalisation des traitements médicaux."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3908","https://espace.etsmtl.ca/id/eprint/3908/1/Meftah-Nouha.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["artères coronaires, apprentissage profond, segmentation, filtres d’amélioration des vaisseaux, angiographie 2D"],"dc:title":["Segmentation automatique par apprentissage profond des artères coronaires à partir d’angiographie 2D"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:11:16Z"}