Vous êtes sur la page 1sur 13

Sujet 1 : Détection des fractures par traitement

d'image

Résumé
La technique de traitement d'image est extrêmement utile pour plusieurs applications comme le
biomédical, la sécurité, l'imagerie par satellite, l'image personnelle, la médecine, etc. La mise en œuvre
du traitement d'image tel que l'amélioration de l'image et la segmentation des caractéristiques et
l'excitation des caractéristiques sont utilisées pour la détection des fractures. Ces structures utilisent une
méthodologie de détection des bords astucieuse pour la segmentation. La méthode astucieuse produit
des informations parfaites à partir de l'image osseuse. L'objectif principal de cette recherche est de
détecter les fractures osseuses en utilisant le traitement d'image avec MATLAB. Le système proposé
comporte les étapes suivantes, à savoir, le prétraitement, la segmentation et la détection de fracture.

Contexte général
L’imagerie médicale évolue sans cesse grâce aux contributions de domaines scientifiques
comme la physique, la chimie, les mathématiques, les sciences de l’ingénieur et la médecine. Les trois
dernières décennies ont vu des avancées significatives de l’imagerie médicale. De nouvelles modalités
d’imagerie à deux dimensions (2D), trois dimensions (3D) et plus sont devenues très importantes en
radiologie diagnostique. Aujourd’hui, établir certains diagnostics ou évaluer la sévérité de certaines
pathologies ne pourrait se faire sans l’aide de l’imagerie médicale.

Si l’imagerie médicale est devenue l’un des sous-domaines les plus importants de l’imagerie
scientifique, elle le doit en partie aux progrès rapides et continus de la tomographie par reconstruction,
et aux développements concomitants des méthodes d’analyse et de diagnostic par ordinateur dont les
principes sont présentés dans ce chapitre.

Historique

Le monde médical de l’image :

Le début de l’imagerie médicale date de 1895, quand Röntgen découvre les rayons X qui sont à
la base de la radiographie, seule méthode d’imagerie au début du siècle dernier. On obtient une
radiographie en exposant un film à des rayons X qui ont traversé le corps humain. Il en résulte une image
analogique bidimensionnelle qui est la projection sur un film radiographique d’organes en trois
dimensions. Aujourd’hui encore, les radiographies du thorax ou les mammographies donnent des images
de haute qualité, qui suffisent souvent pour obtenir un diagnostic fiable et pour un dépistage à faible
coût.

1
La scintigraphie, le scanner, l’échographie et l’imagerie par résonance magnétique (IRM) ont
tour à tour fait leur apparition au cours du XXe siècle. Ces modalités d’imagerie sont aujourd’hui
utilisées pour obtenir des informations anatomiques, physiologiques, métaboliques et fonctionnelles du
corps humain1. Elles utilisent des ordinateurs pour créer et afficher des images numériques qui ne
cessent de s’améliorer. Grâce à l’ordinateur, des images numériques multidimensionnelles de structures
physiologiques peuvent être calculées et traitées pour visualiser des éléments cachés utiles au diagnostic
qu’il serait difficile, voire impossible, de distinguer en imagerie bidimensionnelle. Le traitement et
l’analyse informatisés constituent d’importantes aides au diagnostic médical pour les différentes
modalités d’imagerie. On arrive à réduire les artefacts et à améliorer la qualité des images en tenant
compte des connaissances sur les processus physiques de formation des images médicales, ainsi que sur
la physiologie humaine, facilitant ainsi l’interprétation des images par les médecins.

L’imagerie médicale

Modes de production des images médicales :

L’objectif général de l’imagerie médicale est de donner des informations sur les processus
physiologiques du corps ou sur les organes en utilisant des sources de rayonnements extérieurs ou
intérieurs, ou une combinaison des deux. En pratique, on peut distinguer quatre modalités principales
d’imagerie communément utilisées aussi bien en médecine clinique qu’en recherche : le scanner ou
tomodensitométrie, la scintigraphie et la tomographie par émission de positons (TEP) utilisées en
médecine nucléaire, l’échographie et l’IRM.

Autres modalités d’images biomédicales :

Les images biomédicales, notamment celles obtenues par microscopie optique et par
microscopie électronique à balayage ou à transmission, sont aussi très importantes en médecine, et leurs
domaines d’application sont innombrables. Citons dans cette catégorie l’imagerie par fluorescence, une
modalité de plus en plus répandue qui utilise une source d’énergie extérieure ultraviolette pour stimuler
les molécules biologiques internes. Ces dernières absorbent l’énergie ultraviolette et deviennent des
sources internes d’énergie qu’elles émettent dans la gamme de longueurs d’ondes électromagnétiques
visibles.

Les grandes catégories : traitement et analyse d’images

Traitement d’images

Le traitement d’images (Image Processing) comprend un nombre important de méthodes qui


agissent sur une image pour produire une autre image. Les changements introduits par ces méthodes ont
généralement pour but d’améliorer la visibilité des caractéristiques et des détails des images, ou de
faciliter une analyse de ces images, ou encore d’améliorer les images à des fins d’impression.

2
Le traitement d'images comprend 4 étapes majeures :

• Prétraitement des images.


• Amélioration des images.
• Analyse des images.
• Interprétation des images

Prétraitement :

Ils préparent l'image pour son analyse ultérieure. Il s'agit souvent d'obtenir l'image théorique que
l'on aurait dû acquérir en l'absence de toute dégradation. Ainsi, ils peuvent par exemple :

• Restaurer d’images.
• Corriger les défauts géométriques de l'image dus au mode d'échantillonnage spatial.
• Réduire de bruit.
• Corriger le filtrage ou réduction de fréquences parasites.
• Corriger les dégradations de l'image dues à la présence de matière entre le capteur et le milieu
observé.

Amélioration d’Image :

Elle a pour but d'améliorer la visualisation des images. Pour cela, elle élimine/réduit le bruit de
l'image et/ou met en évidence certains éléments (frontières, etc.) de l'image. Elle est souvent appliquée
sans connaissance à priori des éléments de l'image.

Les principales techniques sont :

• L'amélioration de contraste.
• Le filtrage linéaire et transformée de Fourier pour faire apparaître/disparaître certaines
fréquences dans l'image.
• Le filtrage non linéaire (filtres médians, etc.) pour éliminer le bruit sans trop affecter les
frontières, ...

Analyse et Interprétation :

Le but de l’analyse d’images est d'extraire et de mesurer certaines caractéristiques de l'image


traitée en vue de son interprétation. Ces caractéristiques peuvent être des données statistiques sur des
comptes numériques (moyenne, histogramme, etc.), ou sur des données dérivées.

En général, le type d'information recherché dépend du niveau de connaissance requis pour


interpréter l'image ; L'interprétation de l'image numérique donne une signification à l'information, il est
établi qu'un ensemble connexe de pixels d'une image.

3
Analyse d’images

L’analyse d’image permet d’obtenir à partir des images, par une combinaison de techniques de
traitement d’image et de mesures, des données numériques. Ces données quantifiées peuvent ensuite
être analysées statistiquement et faire l’objet de prises de décisions et de représentations graphiques.

Opérateurs de traitement d'images

Par analogie avec les opérateurs mathématiques, on appelle opérateurs de traitement d'images
des traitements plus ou moins complexes prenant en entrée une image ou un ensemble d'informations
relatif à une image, et produisant une image ou un ensemble d'informations relatif aux données initiales.

On classe généralement les opérateurs en différentes familles, en fonction des informations qu'ils
acceptent en entrée et qu'ils fournissent en sortie, et en fonction des transformations qu'ils font subir aux
données. Ainsi, par exemple, on distingue (cette liste est loin d'être exhaustive) :

Opérateurs image → image :

• Opérateurs de modifications pixel à pixel (aussi appelés opérateurs point à point) : changement de
la dynamique de l'image, opérateurs binaires pixel à pixel (et, ou, xor, etc.) ;
• Opérateurs locaux (traitent les pixels en fonction de leur voisinage) : opérateurs de flou, opérateurs
morphologiques (érosion, dilatation, squelette), opérateurs de détection de contours ;
• Opérateurs dans l'espace fréquentiel : opérateurs de réduction du bruit, filtres passe-bande (souvent
utilisés en première approche pour améliorer l'image, on les appelle alors des opérateurs de
prétraitement) ;
• Opérateurs globaux : calcul des distances ;
• Opérateurs de croissance de régions : ligne de partage des eaux.

Opérateurs image → ensemble d'informations :

• Opérateurs de segmentation en frontières, en régions ;


• Opérateurs de classification de pixels ;
• Opérateurs de calcul de paramètres.

Opérateurs ensemble d'informations → image :

• Constructeurs d'image à partir d'une carte de régions ou d'une liste de frontières.

Les parties suivantes s'attachent à détailler les différents opérateurs et leurs applications habituelles, puis
à présenter la manière dont ils sont combinés pour construire une application de traitement d'images.

4
Opérateurs locaux

Il faut alors utiliser des opérateurs de traitement plus complexes scindés bien souvent en deux
sous-catégories :

• Les opérateurs linéaires ;


• Les opérateurs non linéaires.
La première sous-catégorie comprend tous les opérateurs pouvant exprimer leur résultat comme
une combinaison linéaire des niveaux de gris d'un voisinage de l'image. Ces filtres possèdent des
caractéristiques spectrales, on parle ainsi de filtre passe-bas (l'image devient floue) ou de filtre passe-
haut (les contours ressortent).

La deuxième sous-catégorie comprend le domaine de la morphologie mathématique, ainsi que


d'autres traitements comme les détecteurs de points caractéristiques, l'opérateur de Di-Zenzo (détecteur
de contour généralisé au cas couleur), le filtre Retinex, ainsi que les opérateurs homomorphiques (ceux
qui travaillent sur le logarithme de l'image), mais aussi tous les opérateurs permettant d'extraire par
exemple des informations sur la texture de l'image (matrice de concurrence, indice fractal, longueur de
plage…).

On a souvent l'habitude de voir un détecteur de contours s'appliquer après un filtre linéaire passe-
bas qui rend l'image floue. La plupart du temps il faut combiner astucieusement filtre non linéaire et
filtre linéaire afin de détecter ce que l'on souhaite tout en faisant abstraction du bruit.

Une fois le bruit éliminé et l'image restaurée afin de compenser les déformations introduites par
le milieu de transmission et l'optique d'acquisition, on peut passer à l'étape de segmentation qui doit
permettre de réaliser une partition de l'image en ensembles connexes homogènes.

Il existe deux grandes catégories de segmentations :

• La segmentation de région ;
• La segmentation orientée contour — on se trouve alors confronté à un problème de représentation
du résultat par des primitives simples.
La segmentation orientée contour connaît de nombreux progrès autour de l'utilisation
de contours actifs ou des ensembles de niveaux. L'introduction d'aspects probabilistes (chaînes de
Markov et champs de Markov) a permis de travailler en réduisant la connaissance a priori nécessaire
pour obtenir un traitement satisfaisant.

Dans cette étape on retrouve souvent une partie de classification des pixels en classes. On essaye
de regrouper au sein d'un même ensemble, aussi appelé classe, les pixels présentant une même

5
caractéristique : niveau de gris compris dans un certain intervalle ou dérivée seconde supérieure à un
certain seuil.

Filtres linéaires

Un filtre linéaire transforme un ensemble de données d'entrée en un ensemble de données de


sortie selon une opération mathématique appelée convolution. Lorsqu'il s'agit de données numérisées
comme dans le cas du traitement d'image, la relation entre les valeurs des pixels de sortie et celle des
pixels d'entrée est décrite par un tableau de nombres, généralement carré, appelé matrice de convolution
ou noyau. Le temps de calcul est souvent réduit lorsqu'on veut séparer un filtre en deux filtres dont la
convolution mutuelle permet de le reconstituer. Cette remarque est utilisée en particulier pour créer un
filtre à deux dimensions à partir de deux filtres à une seule dimension (vecteurs) dans le sens horizontal
et le sens vertical.

Lissage :

Techniquement, il s'agit de traductions discrètes de filtres continus qui, comme ceux-ci, ne


modifient pas le niveau global du signal. Les termes de la matrice de convolution sont donc
généralement des entiers à diviser par leur somme.

• Filtre uniforme : il est obtenu par convolution de deux filtres unidimensionnels rectangulaires.
Toutes les composantes de la matrice ont la même valeur. L'imperfection de ce filtre réside dans le
fait qu'il introduit des déphasages.
• Filtre pyramidal : la convolution d'un filtre rectangulaire avec lui-même conduit à un filtre
triangulaire grâce auquel les phases ne sont plus modifiées. Le filtre pyramidal est obtenu à partir
de filtres triangulaires dans les deux directions.
• Filtre gaussien : ce filtre très populaire utilise la loi de probabilité de Gauss (voir Loi normale
multidimensionnelle). Des approximations de plus en plus précises peuvent être obtenues, selon
le théorème central limite par itération de l'un des filtres précédents.
Le filtre gaussien est utilisé comme constituant du masque flou qui améliore la netteté apparente
des photographies numériques. Bien qu'il soit popularisé par la photographie plus ou moins artistique,
il est également utilisé dans certaines techniques, comme l'astronomie.

Détection de contours :

Ces filtres transforment l'image d'entrée en une image noire sauf aux points où un contour est
détecté qui est marqué en blanc. Les valeurs absolues importent peu, il est sans intérêt de changer
d'échelle comme pour un lissage.

6
La détection est basée sur la dérivation selon les deux coordonnées. Si on considère
classiquement les signaux comme des sommes de sinusoïdes, la dérivation apparaît comme un filtre
passe-haut qui introduit donc du bruit à l'origine de faux contours. Pour l'amateur il est recommandé,
avant d'utiliser un filtre simple, d'atténuer ce bruit par passage dans un filtre flou. Des méthodes plus
élaborées ont été systématisées pour les professionnels.

• Filtre dérivées premières. Le filtre le plus simple consiste à calculer les différences entre pixels
voisins sur les horizontales puis sur les verticales. Chaque extremum correspond à un point d'un
contour.
• Filtre de Prewitt : le filtre de Prewitt introduit un flou, chacune des deux matrices étant le produit
du filtre dérivation dans la direction considérée par un filtre de flou rectangulaire selon l'autre
direction.
• Filtre de Sobel : la technique précédente est améliorée en remplaçant le filtre rectangulaire par un
filtre triangulaire.
• Filtre de Canny : c'est un filtre de Sobel précédé par un lissage gaussien et suivi par un seuillage.
Ce filtre est conçu pour être optimal, au sens de trois critères.
• Filtre de Deriche : variante du filtre de Canny tout aussi efficace.
• Filtre dérivées secondes : celles-ci se calculent simplement en différences finies et c'est maintenant
un changement de signe qui correspond à un point d'un contour. On les utilise généralement à travers
leur somme qui est le laplacien.
• Filtre de Marr-Hildreth : le calcul du laplacien est précédé par un lissage gaussien avec deux
variances ajustables pour filtrer les hautes fréquences.

Opérateurs morphologiques

La morphologie mathématique offre des opérateurs non linéaires particulièrement utiles pour
filtrer, segmenter et quantifier des images. Initialement destinée au traitement des images binaires, elle
a très vite été généralisée aux images à niveaux de gris, puis aux images en couleurs et multispectrales.

La nature des opérateurs morphologiques fait qu'ils se prêtent bien au développement de circuits
électroniques spécialisés (ou bien à l'utilisation de FPGA) dans les opérateurs morphologiques.

Introduction
La fracture osseuse est un problème commun dans tous les pays développés et le nombre de
fractures augmente également de jour en jour très rapidement. Une fracture osseuse peut survenir en

7
raison d'accidents simples ou de différents types de maladies. Donc, pour ce diagnostic rapide et précis
crucial pour le succès de tout traitement prescrit. Dépendre des seuls experts humains pour une question
aussi critique ont causé des erreurs d'intolérance. D'où la pensée de la procédure d'identification
automatique a toujours été attrayante. L'objectif principal de l'article est de détecter la fracture osseuse
à partir d'images radiographiques à l'aide du logiciel MATLAB.

L'os long inférieur est le deuxième plus gros os du corps. Il est composé de deux os, le tibia et le péroné.
L'os du péroné est plus petit et plus fin que le tibia. Cependant, la fracture du tibia se produit le plus
souvent car elle porte une partie importante du poids corporel. La démonstration osseuse normale est
donnée sur la figure ci-dessous.

Parmi les quatre modalités (rayons X, TDM, IRM, échographie), le diagnostic par rayons X est
couramment utilisé pour la détection des fractures osseuses en raison de leur faible coût, de leur vitesse
élevée et de leur large disponibilité.

Bien que les images de tomodensitométrie et d'imagerie par résonance magnétique fournissent
des images de meilleure qualité pour les organes du corps que les images aux rayons X, ces dernières
sont plus rapides et moins chères, bénéficient d'une plus grande disponibilité et sont plus faciles à
utiliser, peu de limitations. De plus, le niveau de qualité des images radiographiques est suffisant pour
la détection des fractures osseuses.

Les motivations de ce système sont :

1. Gain de temps pour les patients afin de réduire la charge de travail des médecins en éliminant le cas
facile.

2. Pour réduire les erreurs humaines causées par les médecins dans les hôpitaux, examiner manuellement
une variété démesurée d'images radiographiques à la recherche d'une fracture

8
L'inspection manuelle est fastidieuse et prend du temps. Il a été constaté qu'un radiologue fatigué
manque une image fracturée parmi des radiologues en bonne santé. Il a été constaté qu'un radiologue
fatigué manque une image fracturée parmi des radiologues en bonne santé.

Les méthodes utilisées dans la détection des fractures :


Les images radiographiques / tomodensitométriques sont obtenues de l'hôpital qui contient des
images d'os normaux et fracturés. Dans la première étape, appliquez des techniques de prétraitement
telles que la conversion RVB en niveaux de gris et améliorez-les en utilisant un algorithme de filtrage
pour supprimer le bruit de l'image. Ensuite, il détecte les bords des images à l'aide de méthodes de
détection des bords et segmente l'image. Après segmentation, il convertit chaque image en un ensemble
de fonctionnalités en utilisant une technique d'extraction de fonctionnalités. Ensuite, nous construisons
l'algorithme de classification basé sur les caractéristiques extraites. Enfin, les performances et la
précision du système proposé sont évaluées. L'organigramme du système proposé pour détecter la
fracture osseuse dans les images aux rayons X / CT est illustré ci-dessous sur la figure 1.

9
Prétraitement d'image

Dans le diagnostic assisté par ordinateur des images médicales, les outils de traitement d'image
pour la suppression du bruit, la segmentation d'image et l'extraction de caractéristiques jouent un rôle
important dans le succès de ces systèmes. Les images radiographiques / tomodensitométriques sont
obtenues de l'hôpital qui contient des images d'os normaux et fracturés. Dans la première étape,
appliquer des techniques de prétraitement telles que la conversion RVB en niveaux de gris et supprimer
le bruit de l'image à l'aide du filtre médian.

Suppression du bruit

Le bruit peut être défini comme des pixels indésirables présents dans l'image qui dégradent la
qualité de l'image. Il peut s’écrire :

f (x, y) = g (x, y) + η (x, y)

Où f (x, y) est l'image bruyante, g (x, y) est l'image d'origine et η (x, y) est le bruit présent dans l'image.

Il existe différents types de bruit présents dans l’image : le bruit gaussien, le bruit sel et poivre,
etc. Le sel et le poivre sont l'un des types courants de bruit présents dans les images radiographiques.
Cela est généralement dû à un échec de la capture ou de la transmission qui apparaît sur l'image sous
forme de points clairs et noirs. Il peut être supprimé en appliquant une transformation mathématique sur
les images. Il préserve les bords tout en supprimant le bruit. Le filtre médian est une technique de filtrage
numérique non linéaire, utilisée pour éliminer le bruit tel que le bruit du sel et du poivre.

Détection Edge

La détection des contours est une opération importante dans le traitement d'image, qui réduit le
nombre de pixels et enregistre la structure de l'image en déterminant les limites des objets dans l'image.

10
La détection des contours est la méthode d'identification des points d'une image numérique auxquels la
luminosité de l'image change brusquement ou, plus formellement, présente des discontinuités. Les points
auxquels la luminosité de l'image change brusquement sont généralement organisés en un ensemble de
segments de lignes courbes appelés bords. Il existe deux approches générales de la détection des
contours qui sont couramment utilisées : le gradient et le laplacien. La méthode du dégradé utilise la
première dérivée de l'image et la méthode laplacienne utilise la deuxième dérivée de l'image pour trouver
les bords. Dans notre méthode, utilisez un détecteur de bord sobel et c'est une famille de gradient.

Segmentation

La segmentation est le processus de division de l'image donnée en régions homogènes en ce qui


concerne certaines caractéristiques comme la couleur, l'intensité, etc. C'est une étape essentielle dans
l'analyse d'image et localise l'objet et les limites (lignes, courbes, etc.). La technique de clustering K-
means est utilisée dans ce travail. Le but de cet algorithme est de minimiser une fonction objective, qui
est une fonction de différence absolue. Dans cet algorithme, la distance est au carré ou la différence
absolue entre un pixel et le centre du cluster est calculée. La différence est généralement basée sur
l'intensité, la couleur, la texture et l'emplacement des pixels. La qualité de la solution dépend de
l'ensemble initial de clusters et de la valeur de k. Après la segmentation, recadrez l'image et la zone de
fracture avec une certaine limitation.

Extraction de fonctionnalités

L'extraction de caractéristiques est la principale étape dans diverses applications de traitement


d'image. La matrice de cooccurrence de niveau de gris est utilisée pour l'extraction et la sélection
d'entités. Le GLCM a été défini par Haralick et al. En 1973.GLCM est le principal outil utilisé dans
l'analyse de texture d'image. Les textures d'une image sont des motifs visuels complexes qui sont
composés d'entités ou de régions avec des sous-motifs présentant les caractéristiques de luminosité, de
couleur, de forme, de taille, etc. GLCM est un moyen statistique d'indiquer la structure de texture de
l'image en échantillonnant statistiquement le motif du les niveaux de gris se produisent en relation avec
d'autres niveaux de gris. Nous utilisons la méthode GLCM (Gray Level Co-occurrence Matrix) pour
extraire des caractéristiques texturales telles que l'entropie, le contraste, la corrélation, l'homogénéité.

Classification

La classification est une étape d'analyse des données pour étudier un ensemble de données et les
classer en plusieurs catégories. Chaque catégorie a ses propres caractéristiques et les données qui
appartiennent à cette catégorie ont les mêmes propriétés de cette catégorie. Dans la méthode proposée,
différents types de classificateurs sont utilisés tels que l'arbre de décision (DT) et le réseau neuronal

11
(NN) et le méta classificateur. Sur la base des caractéristiques texturales du GLCM, les classificateurs
classifient l'image donnée en image fracturée et non fracturée. Pas en lambeaux.

Les résultats des solutions proposés :


Les résultats du prétraitement, la détection des bords sont montrés sur la figure 2. La figure 2 (a)
montre une image radiographique d'entrée de l'os du fémur fracturé. La figure 2 (b) montre l'image
détectée de bord et 2 (c) montre l'image de sortie traitée. Les fonctionnalités GLCM calculent pour
l'image segmentée et, sur la base de ces fonctionnalités, déterminent si la fracture existe ou non. La
méthode proposée a été testée sur un ensemble d'images aux rayons X / CT constitué d'images fracturées
et normales. L'ensemble de données comprend au total 40 images, 20 images fracturées et 20 images
non fracturées. Après l'extraction des caractéristiques, les images sont classées en images normales et
fracturées en fonction des caractéristiques GLCM. Les performances du système proposé sont évaluées
en termes d'exactitude, de sensibilité et de spécificité. L'analyse concerne l'observateur. Dans ce travail,
il n'y a que quatre résultats possibles de l'application du classificateur sur une instance.

Fig.2 Résultats des étapes de traitement d'image (a) image d'entrée (b) image de bord détecté (c) image
de sortie

Ces résultats sont

• Vrai positif (TP) qui fait référence aux images fracturées correctement étiquetées comme fracturées.

• Vrai négatif (TN) qui fait référence aux images normales (non fracturées) correctement étiquetées
comme normales (non fracturées).

• Faux positif (FP) qui fait référence aux images normales (non fracturées) qui sont incorrectement
étiquetées comme fracturées.

12
• Faux négatif (FN) qui fait référence aux images fracturées qui sont incorrectement étiquetées comme
normales (non fracturées).

Les performances du système proposé sont évaluées en termes d'exactitude, de précision, de sensibilité
et de spécificité.

Précision = (TP + TN) / (TP + TN + FN + FP).

Précision = TP / (TP + FP)

Sensibilité = TP / (TP + FN)

Spécificité = TN / (TN + FP)

La précision de l'arbre de décision du classificateur (DT) et du réseau neuronal (NN) est de 53,25%,
75% et 50% respectivement.

Par conséquent, combiné le classificateur ci-dessus en un méta classificateur appelé et obtenir la


précision est de 85%, la précision est de 76,9%, la sensibilité est de 100% et la spécificité est de 70%.

Réalisé par :

AIT ELKADI Adil


BAMOUH Rachid
BELGHALI Younes
DRIOUCH Issam
FAGOUL Hajar
GUEDDAH Adnane
IZRI M'selam
JEDDI Inas
LAMTALAK Hamza
LAMOUNI Ayoub
MAKHIR Abdelmalek
M’HAMEDI ALAOUI Abdelillah

3FI GBM

13