Résumé:
Aujourd'hui, l'imagerie médicale est une composante essentielle de l'ensemble de la communauté de soins de santé et du bien-être, au processus du diagnostic, sélection de traitement et suivi.et les processus des indicateurs qui divisent les images en certaines spécifications et pour extraire un index d'intérêt. l’idée principale de ces techniques est de déterminer une transformation spatiale entre deux images permettant de mettre en correspondance des caractéristiques équivalentes. Le recalage peut être soit locale soit globale.
Le recalage d'image est une tâche primordiale dans le domaine des traitements des images médicales qui consiste à classer chaque pixel d'une image dans une instance, où chaque instance correspond à une classe. Cette tâche fait partie du concept de la compréhension de la scène ou de mieux expliqué le contexte global d'une image. De ce fait, l’assurance d’une bonne qualité de recalage rassure tout le reste du processus de traitement de ces images et influe considérablement sur des éventuelles décisions qui seront prises par les médecins sur l’état du patient en cous de traitement, et cela peut avoir des conséquences même sue la vie de ce dernier.
Dans ce travail, nous allons explorer l’utilisation des réseaux de neurones profonds pour accomplir la tache recalage des images médicales ultra Sound. Nous allons comparer trois modèles des réseaux de neurones de convolution : ResNet18, VGG-16, ALxNet, on utilisant l’apprentissage de transfert. Les résultats montrent l’efficacité des modèles utilisés, et confirment que la profondeur du réseau a une grande influence sur les résultats.
