Applications en imagerie cérébrale (MEG/EEG)

Dimension: px
Commencer à balayer dès la page:

Download "Applications en imagerie cérébrale (MEG/EEG)"

Transcription

1 EEG : mesure du potentiel électrique Ordre de grandeur : qq µ-volts Capteurs : électrodes MEG : mesure du champ magnétique Ordre de grandeur : Tesla Capteurs SQUID couplés à des bobines VI. Applications en imagerie cérébrale (MEG/EEG) VI. Applications en imagerie cérébrale 2 Problème direct/inverse en (MEG/EEG) Électroencéphalographie (EEG) Activité électrique neuronale Résolution temporelle : 1ms Magnétoencéphalographie (MEG)

2 VI. Applications en imagerie cérébrale 3 MEG/EEG : courants macroscopiques Mesure à l échelle du cm 2 de l activité électrique des cellules pyramidales synchrone temporellement et spatialement Dipôle de courant Macro-colonne corticale 10 5 neurones pyramidaux Q = I d 10 nam Dipôles sur la surface corticale VI. Applications en imagerie cérébrale 4 Les réponses de la MEG et de l EEG Données spatio-temporelles

3 VI. Applications en imagerie cérébrale 5 Réponse simultanée MEG et EEG Réponse auditive 100 millisecondes après l arrivée du son VI. Applications en imagerie cérébrale 6 MEG/EEG : Réponses topographiques Champ <0 Champ >0 Potentiel >0 Réponse dipolaire direction dipôle Réponse dipolaire à direction dipôle

4 VI. Applications en imagerie cérébrale 7 Imagerie MEG/EEG : localisation Reconstruire dans le temps et l espace les sources neuronales j à l origine des signaux MEG et EEG mesurés en surface Nécessité de résoudre le problème direct et le problème inverse VI. Applications en imagerie cérébrale 8 Problème direct en MEG/EEG Déf. : Connaissant la distribution des sources de courant j, calculer le champ électromagnétique ( E(r), B(r)), r S scalp Loi physiques : éq. de Maxwell, régime quasi-statique car f < 100 Hz Courants dans la tête : j = Courants primaires { }} { j p + Courants de conduction { }} { j c Loi d Ohm : jc = σ E = σ V Conservation de la charge : j = 0 (σ V ) = j p Loi Biot et Savart : r point de mesure à l extérieur de la tête (vol. conducteur) r : point à l intérieur du volume B( r) = µ 0 ( j 4π p + j r c )( r r ) r r 3 dv V tete

5 VI. Applications en imagerie cérébrale 9 Problème direct en MEG/EEG Difficultés : complexité du milieu physique [Hämäläinen et coll. 1993] Prise en compte de la géométrie des tissus (peau/os/lcr/subst. blanche) Connaissance imparfaite des conductivités : mesures in vivo difficiles Milieu homogène par morceaux (cas sphérique) B( r) = B 0 ( r) µ 0 4π n (σ j σ j+1 ) j=1 avec B0 ( r) = µ 0 4π V tete S j V ( r ) n( r ) jp ( r ) r r r r 3 dv r r r r 3 ds j Composante radiale calculée par B( r) n et n r le 2ème terme s annule B indépendant des conductivités Sources radiales silencieuses : j p n B 0 ( r) n = 0 [Sarvas 1987] VI. Applications en imagerie cérébrale 10 Problème direct en MEG/EEG : mileux homogènes Potentiel en un point appartenant à une surface [Hämäläinen et coll. 1993] σ j + σ j+1 V ( r) = σ n V 0 ( r) 2 avec r S j et V 0 ( r) = 1 4πσ n n j=1 V tete σ j σ j+1 4π jp ( r ) S j V ( r ) n( r ) r r r r 3 dv r r r r 3 ds j Solution analytique dans cas sphérique uniquement Modèle de source dipolaire : dipôle de courant équivalent q Activation en r p et observation en r j p ( r ) = qδ( r r p )avec q = j p ( r ) dv Conséquences cas sphérique : B0 ( r) n = µ 0 r r p 4π r r p 3 q

6 VI. Applications en imagerie cérébrale 11 Problème direct en MEG/EEG : Modèle de tête réaliste Calcul des champs sur un espace discret [Ermer et coll. 2001] m(r) = p g(r, r q p ) t q p, q p = [ q x p, q y p, q z p g(r, r qp ) : champ de sensibilité du capteur placé en r vis-à-vis du dipôle q p en r qp m = [m(r 1 ),..., m(r N )] t : potentiels/champs aux électrodes/capteurs, resp. g(r 1, r q1 ) t g(r 1, r qp ) t q 1 m = = G q g(r N, r q1 ) t g(r N, r qp ) t q P ] t Intégrales de frontières σ homogène isotrope Éléments/Différences fini(e)s σ variable VI. Applications en imagerie cérébrale 12 Modèles spatio-temporels k = 1,..., K, m tk = G q tk + b tk M = GQ avec M = [m t1 m tk ] q 1 (t) q avec Q = [ q t1... q tk ] t p x (t 1 ) q x p (t K ). =. et q p (t) = qp(t y 1 ) qp(t y K ) q P (t) qp(t z 1 ) qp(t z K ) Contrainte sur les dipôles : orientation u p fixe p = 1,..., P u x p q p (t) = u y p [s p (t 1 ),..., s p (t K )] = u p s t p, u = 1 u z p g(r 1, r q1 ) t u 1 g(r 1, r qp ) t u P s t 1 M = = A({r p, u p })S t g(r N, r q1 ) t u 1 g(r N, r qp ) t u P s t P Paramètres des sources : position/orientation {r p, u p } fixes au cours du temps

7 VI. Applications en imagerie cérébrale 13 Problème inverse MEG/EEG : approche Déf. : Reconstruire dans le temps et l espace les dipôles de courant neuronaux à partir des signaux MEG et EEG bruités mesurés en surface Difficultés : problème mal posé Non unicité de la solution (loi fondamentales de la physique, (Helmholtz 1853)) A chaque instant, nombre données faible (< 300) Instabilité due au bruit restreindre espace des solutions par régularisation par contrôle de dimension : modèles dipolaires ou paramétriques par pénalisation : modèles distribués VI. Applications en imagerie cérébrale 14 Problème inverse MEG/EEG : modèles dipolaires Identifier {r p, u p } et S t à partir de M = A({r p, u p })S t + N Hypothèse très forte : nombre de sources P connu a priori (P 10)! Méthode des moindres carrés arg min { J ({r p, u p }, S) = M A({r p, u p })S t 2 F }, Norme Frobenius 1 Linéaire en fonction des amplitudes S : calcul solution inverse généralisé {r p, u p }, fixé, ŜIG = A M avec A A = I et A = A({r p, u p }) 2 Problème non/quasi linéaire vis-à-vis de la position {r p }/orientation {u p } [ arg min J ({rp, u p }) = (I AA )M) 2 ] F = arg min P A M 2 r p,u p r p,u p Minimisation : algorithme du simplexe, de Levenberg-Marquart Quand P non convexité de J ({r p, u p }) Approche la plus utilisée en MEG/EEG sur données expérimentales et cliniques

8 VI. Applications en imagerie cérébrale 15 Résolution du problème inverse : modèle distribué Estimation des ampltiudes de dipôles de courant distribués au préalable sur la surface corticale (source distribuées) Imagerie de la densité corticale de courant Extraction de la surface corticale par segmentation de l IRM anatomique [Mangin et coll. 1995] Positions {r p } et orientations {u p } fixées :r p S cortex et u p S cortex Estimation des amplitudes S : pb linéaire mais indéterminé + mal conditionné! Approche bayésienne : estimateur du Maximum A Posteriori Ŝ = arg max p(s M) = arg max ln p(m S) + ln p(s) VI. Applications en imagerie cérébrale 16 Résolution du problème inverse : modèle distribué Méthodes linéaires : a priori spatial Gaussien S t N (0, C 1 { Ŝ t = arg min M AS t 2 + λtr [ SC 1 C 1 S S t] } ) N Ŝ t = F λ M avec F = C 1 N S ) A t (AC 1 N A t + λc 1 N ) Méthode de norme minimale/pondérée : C S = I ou C S = diagw, w p = A p 2 [Okada 1983, Jeffs et coll. 1987] Dérivée spatiale 1er ordre C 1 S = D t (1) D (1) [Wang 1993] Laplacien (Loreta) : C 1 S = D t (2) D (2) [Pascual-Marqui et coll. 1994] Limite des approches linéaires Manque de réalité neurophysiologique (solutions basse résolution) Interface entre régions fonctionnelles différentes mal gérée car norme L 2 Indépendance temporelle a priori

9 VI. Applications en imagerie cérébrale 17 Problème inverse : comparaison modèles distribués (Logiciel Curry) Dans le volume entier Surface corticale L 2 Norme minimale Loreta L 1 VI. Applications en imagerie cérébrale 18 Résolution du problème inverse : modèle distribué A priori spatiaux non gaussiens Solution sparses et focales : norme L p, p < 2 [Matsuura et Okabe 1995] A priori markoviens [Geman et Geman 1984, Idier 2001] ln p(s) = Ω(S) = J φ c ( (j) S c ) c C j=1 Exemple : champ de Markov d ordre 1, i.e., aux plus proches voisins Ω(S) = φ(s r s q ) {r,q} C C = {{r, q}, r q = 1} = {, } N s =

10 VI. Applications en imagerie cérébrale 19 Résolution du problème inverse : modèle distribué φ 22 (s) = s 2 φ 21 (s) = τ 2 + s 2 τ φ 20 (s) = min{s 2, τ 2 } Application en MEG/EEG j = 1, C = C : φ c ( S c ) = [Baillet et Garnero 1997, Geman et McClure 1987] K φ c ( x s c (t k )) + φ c ( y s 2 s c (t k )), avec φ c (s) = 1 + s 2 /τc 2 k=1 A priori spatio-temporel markovien [Baillet et coll. 1999] K Ω S,T (S) = Ω S (S) + β P t k 1 S tk 2 ou S tk : k ème col. de S, k=1 P t k 1 = I S tk 1 S t t k 1 / S tk 1 2 : projecteur sur hyperplan orthogonal à S tk 1 VI. Applications en imagerie cérébrale 20 Validation ST-MAP sur fantôme [Baillet et coll. 2001] Acquisition Crâne + gélatine + 6 sources Casque à 61 éléctrodes Traitement Cortex virtuel Norme minimale ST-MAP

11 VI. Applications en imagerie cérébrale 21 Données réelles MEG : somesthésie Somatotopie des doigts Contrôle VI. Applications en imagerie cérébrale 22 Modèles distribués : somesthésie ST-MAP et focalisation [Gavit et coll. 2001] Doigt 1 Doigt 3 Doigt 2 Doigt 5

12 Bibliographie 23 Bibliographie 24 [Baillet et Garnero 1997] S. Baillet et L. Garnero (1997), < A Bayesian approach to introducing Anatomo-functional priors in the EEG/MEG inverse problem >, IEEE Transactions on Biomedical Engineering, 44, 5, pages [Baillet et coll. 1999] S. Baillet, L. Garnero, G. Marin et J.-P. Hugonin (1999), < Combining MEG and EEG source imaging by minimization of mutual information >, IEEE Transactions on Biomedical Engineering, 46, 5, pages [Baillet et coll. 2001] S. Baillet, J.-J. Riera, G. Marin, J.-F. Mangin, J. Aubert et L. Garnero (2001), < Evaluation of Inverse Methods and Head Models for EEG Source Localization Using a Human Skull Phantom >, Physics in Medicine and Biology, 46. [Ermer et coll. 2001] J. J. Ermer, J. C. Mosher, S. Baillet et R. M. Leahy (2001), < Rapidly Re-computable EEG Forward Models for Realistic Head Shapes >, Physics in Medicine and Biology, 46, 4, pages [Gavit et coll. 2001] L. Gavit, S. Baillet, J.-F. Mangin, J. Pescatore et L. Garnero (2001), < A Multiresolution framework to the MEG/EEG source imaging >, IEEE Transactions on Biomedical Engineering, 48, 10, pages [Geman et Geman 1984] S. Geman et D. Geman (1984), < Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images >, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-6, 6, pages

Bases physiologiques et physiques de la MEG et de l EEG

Bases physiologiques et physiques de la MEG et de l EEG Formation MEG/EEG/IRMf - 2003 Bases physiologiques et physiques de la MEG et de l EEG Line Garnero Laboratoire de Neurosciences Cognitives & Imagerie Cérébrale CNRS UPR640 Centre de Magnétoencéphalographie

Plus en détail

Fonctionnelle : Techniques et applications

Fonctionnelle : Techniques et applications Imagerie CŽrŽbrale Fonctionnelle : Techniques et applications Line Garnero Laboratoire de Neurosciences Cognitives & Imagerie CŽrŽbrale CNRS UPR640 Centre de MagnŽtoencŽphalographie Sommaire Imagerie CŽrŽbrale

Plus en détail

Michel Dojat INSERM U836, Grenoble Institut des Neurosciences, Fr

Michel Dojat INSERM U836, Grenoble Institut des Neurosciences, Fr La Neuroimagerie : une fenêtre ouverte sur le fonctionnement du cerveau Michel Dojat INSERM U836, Grenoble Institut des Neurosciences, Fr [S. Polyak The Vertebrate Visual System 1957] Etude du fonctionnement

Plus en détail

Prospection Géophysique : Méthode Electromagnétique

Prospection Géophysique : Méthode Electromagnétique Prospection Géophysique : Méthode Electromagnétique Romain Brossier romain.brossier@ujf-grenoble.fr ISTerre, Université Joseph Fourier Grenoble L3P PPRS 2013-2014 R. Brossier (ISTerre, UJF) Méthode EM

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Localisation de sources en MEG/EEGÊ

Localisation de sources en MEG/EEGÊ Localisation de sources en MEG/EEGÊ Line GARNERO Laboratoire de Neurosciences Cognitives et Imagerie CŽrŽbrale CNRS-UPR640-LENA INTRODUCTION Seule la possibilitž de localiser les sources des signaux MEG

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

OBS-CERV: Observation multimodale non-invasive du cerveau

OBS-CERV: Observation multimodale non-invasive du cerveau OBS-CERV: Observation multimodale non-invasive du cerveau ACI Masse de Données (2003-2006) Panorama des Recherches Incitatives en STIC LABRI, Bordeaux 22 novembre 2005 Analyse cérébrale fonctionnelle:

Plus en détail

Damien GABRIEL 09/10/2014 https://gabrieldamien.free.fr/cours

Damien GABRIEL 09/10/2014 https://gabrieldamien.free.fr/cours Principe de l électroencéphalographie haute résolution (et de la magnétoencéphalographie) Introduction L imagerie cérébrale fonctionnelle permet l étude du cerveau en action, elle répond à la question

Plus en détail

Neuro-MS/D Stimulateur magnétique transcranien

Neuro-MS/D Stimulateur magnétique transcranien Neuro-MS/D Stimulateur magnétique transcranien Stimulation 20 Hz à intensité de 100% Pic champ magnétique - jusqu à 4 T Refroidissement performant : jusqu à 10000 impulsions pendant 1 session Programme

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Modèle réduit pour la DSC : Application aux solutions binaires

Modèle réduit pour la DSC : Application aux solutions binaires Modèle réduit pour la DSC : Application aux solutions binaires Stéphane GIBOUT 1, Erwin FRANQUET 1, William MARÉCHAL 1, Jean-Pierre BÉDÉCARRATS 1, Jean-Pierre DUMAS 1 1 Univ. Pau & Pays Adour, LaTEP-EA

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Observation multimodale noninvasive du cerveau

Observation multimodale noninvasive du cerveau Observation multimodale noninvasive du cerveau Olivier Faugeras pour le projet OBS-CERV, ACI Masse de Données 2003-2006 participants: CEA-SHFJ, centre IRMf et Laboratoire de Neurophysiologie et Neuropsychologie,

Plus en détail

Imagerie médicale et neuronavigation

Imagerie médicale et neuronavigation Imagerie médicale et neuronavigation Pierre Hellier INRIA Plan Introduction Imagerie médicale, modalités, traitement et analyse Neuronavigation pour la neurochirurgie et la stimulation magnétique transcrânienne

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

Rapport de stage Master Recherche en Mathématiques Appliquées. Problèmes inverses en électroencéphalographie

Rapport de stage Master Recherche en Mathématiques Appliquées. Problèmes inverses en électroencéphalographie Rapport de stage Master Recherche en Mathématiques Appliquées Problèmes inverses en électroencéphalographie Sylvain Vallaghé Responsable du stage : Maureen Clerc, Laboratoire Odyssée, ENPC - ENS Ulm -

Plus en détail

Modèles numériques anthropomorphiques pour les simulations en TEMP et TEP

Modèles numériques anthropomorphiques pour les simulations en TEMP et TEP Modèles numériques anthropomorphiques pour les simulations en TEMP et TEP Irène Buvat et Simon Stute Imagerie et Modélisation en Neurobiologie et Cancérologie UMR 8165 CNRS - Paris 7 - Paris 11 buvat@imnc.in2p3.fr

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Troisième Cours. Mesure du décours temporel des opérations cognitives

Troisième Cours. Mesure du décours temporel des opérations cognitives L'imagerie cérébrale en psychologie cognitive Stanislas Dehaene Chaire de Psychologie Cognitive Expérimentale Troisième Cours Mesure du décours temporel des opérations cognitives Pourquoi la psychologie

Plus en détail

Interfaces cerveau-machine

Interfaces cerveau-machine Interfaces cerveau-machine Introduction - plan I. Pourquoi des interfaces cerveau machine (BCI)? II. La chaîne mise en jeu Pourquoi des BCI? Moyen de communication Pourquoi des BCI? Moyen de communication

Plus en détail

Les Conditions aux limites

Les Conditions aux limites Chapitre 5 Les Conditions aux limites Lorsque nous désirons appliquer les équations de base de l EM à des problèmes d exploration géophysique, il est essentiel, pour pouvoir résoudre les équations différentielles,

Plus en détail

Electro-encéphalogramme : bases électrophysiologiques

Electro-encéphalogramme : bases électrophysiologiques Electro-encéphalogramme : bases électrophysiologiques diapositives Dr Gilles Huberfeld Dr Bernard Pidoux Diplôme Inter-Universitaire Le sommeil et sa pathologie Université Paris VI 2007-8 Introduction

Plus en détail

Informatique visuelle - Vision par ordinateur. Pré-traitement d images

Informatique visuelle - Vision par ordinateur. Pré-traitement d images Informatique visuelle - Vision par ordinateur Pré-traitement d images Elise Arnaud elise.arnaud@imag.fr cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer, M Black, V. Gouet-Brunet

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de calibration Master 2: Calibration de modèles: présentation et simulation d Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Séparation de sources en ingénierie biomédicale

Séparation de sources en ingénierie biomédicale http://perso.univ-rennes1.fr/laurent.albera/ Séparation de sources en ingénierie biomédicale Laurent Albera SAS en SRM Conclusion 1 I. Applications, signaux et méthodes 1. Modalités d acquisitions 2. Problèmes

Plus en détail

Champ électromagnétique?

Champ électromagnétique? Qu est-ce qu un Champ électromagnétique? Alain Azoulay Consultant, www.radiocem.com 3 décembre 2013. 1 Définition trouvée à l article 2 de la Directive «champs électromagnétiques» : des champs électriques

Plus en détail

Le prétraitement principe général

Le prétraitement principe général Le prétraitement principe général Neuroimagerie fonctionnelle Source(s) BRUIT Sujet, environnement Système d'acquisition BRUIT Capteurs, échantillonnage Amplitude Temps Données = signal cérébral d'intérêt

Plus en détail

cpgedupuydelome.fr -PC Lorient

cpgedupuydelome.fr -PC Lorient Première partie Modèle scalaire des ondes lumineuses On se place dans le cadre de l optique géométrique 1 Modèle de propagation 1.1 Aspect ondulatoire Notion d onde électromagnétique On considère une onde

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Formes et Optimisation en Vision par Ordinateur. Renaud Keriven Ecole des Ponts / ENS

Formes et Optimisation en Vision par Ordinateur. Renaud Keriven Ecole des Ponts / ENS Formes et Optimisation en Vision par Ordinateur Renaud Keriven Ecole des Ponts / ENS Journées Images et Modélisations Mathématiques Rennes, décembre 2006-1- Contexte (i) Snakes [Kass et al. 88] Contours

Plus en détail

Electrocinétique et magnétostatique

Electrocinétique et magnétostatique Chapitre 3 Electrocinétique et magnétostatique 3.1 Electrocinétique - Vecteur densité de courant Un courant électrique correspond à des charges électriques mobiles. On appelle vecteur densité de courant

Plus en détail

BESOINS MEDICAUX EN NEUROPHYSIOLOGIE CLINIQUE

BESOINS MEDICAUX EN NEUROPHYSIOLOGIE CLINIQUE BESOINS MEDICAUX EN NEUROPHYSIOLOGIE DR F. CHELIOUT-HERAUT (M.D. Ph.D) Université Versailles St Quentin (UVSQ) DATE 20/11/2012 Cluster and project funding partners BESOINS EN NEUROPHYSIOLOGIE ELECTROENCEPHALOGRAPHIE

Plus en détail

Imagerie par résonance magnétique

Imagerie par résonance magnétique Imagerie par résonance magnétique Principes, techniques et contrôle de qualité Ir. Laurent Hermoye Unité de radiodiagnostic Nécessité Eviter une utilisation «presse bouton» de l IRM Optimisation des séquences

Plus en détail

Document 1 : modélisation d un appareil photographique

Document 1 : modélisation d un appareil photographique PCSI1-Lycée Michelet 2014-2015 APPROCHE DOCUMENTAIRE : appareil photo numérique Extrait du programme : en comparant des images produites par un appareil photographique numérique, discuter l influence de

Plus en détail

Reconnaissance d'objets routiers - Application

Reconnaissance d'objets routiers - Application Reconnaissance d'objets routiers - Application Perception pour la conduite automatisée A07 : Interaction Véhicule Environnement Aurélien Cord Aurelien.Cord@lcpc.fr Reconnaissance de piétons 2 1 Etat de

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

ACI OBS-CERV Exploration multimodale non-invasive du cerveau. Maureen Clerc ÉQUIPE ODYSSÉE

ACI OBS-CERV Exploration multimodale non-invasive du cerveau. Maureen Clerc ÉQUIPE ODYSSÉE ACI OBS-CERV Exploration multimodale non-invasive du cerveau Maureen Clerc ÉQUIPE ODYSSÉE 17 septembre 2004 Journées des ACI Masse de Données 16-17 septembre 2004 Partenaires: équipe Odyssée équipe Apics

Plus en détail

Quelques points de traitement du signal

Quelques points de traitement du signal Quelques points de traitement du signal Introduction: de la mesure au traitement Source(s) BRUIT BRUIT Système d acquisition Amplitude (Pa) Temps (s) Amplitude (Pa) Mesure Opérations mathématiques appliquées

Plus en détail

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010 27 octobre 2010 Outline 1 Définitions Le modèle de diffusion de Black-Scholes Portefeuille auto-finançant Objectif de BS 2 Portefeuille auto-finançant et formule de Black-Scholes Formulation mathématique

Plus en détail

ECHOGRAPHE ET CAPTEUR. D.I.U. d Echocardiographie module 1

ECHOGRAPHE ET CAPTEUR. D.I.U. d Echocardiographie module 1 ECHOGRAPHE ET CAPTEUR D.I.U. d Echocardiographie module 1 Plan Généralités Capteur Echographe Traitement du signal Stockage Transport Généralités Historique the blue goose 1970 180 cm Généralités Historique

Plus en détail

GYROSCANFIELD. Courbe radar de l objet sous test. Comparaison mesure et simulation d une antenne WiFi

GYROSCANFIELD. Courbe radar de l objet sous test. Comparaison mesure et simulation d une antenne WiFi Produits 2015-2016 GYROSCANFIELD Le Gyroscanfield permet de mesurer et de visualiser en 3D et en temps réel le rayonnement électromagnétique d un objet sous test de manière simple et rapide. Il est fabriqué

Plus en détail

Approche inverse pour la restauration de l information cristallographique

Approche inverse pour la restauration de l information cristallographique Approche inverse pour la restauration de l information cristallographique Ferréol Soulez INSA CNDRI, Centre de Quantimétrie Lyon 1 1 / 19 Principe 2 / 19 Diffraction des rayon X Diffraction des rayons

Plus en détail

ANALYSE DE L HYDRATATION DE LA PEAU AVEC LE SPECTROPHOTOMETRE PROCHE INFRAROUGE PORTABLE LABSPEC PRO

ANALYSE DE L HYDRATATION DE LA PEAU AVEC LE SPECTROPHOTOMETRE PROCHE INFRAROUGE PORTABLE LABSPEC PRO ANALYSE DE L HYDRATATION DE LA PEAU AVEC LE SPECTROPHOTOMETRE PROCHE INFRAROUGE PORTABLE LABSPEC PRO Présentation Introduction I. Matériel et Méthode II. Résultats III. Discussion Comparaison avec d autres

Plus en détail

INTRODUCTION A LA NEUROIMAGERIE. Yohana Lévêque

INTRODUCTION A LA NEUROIMAGERIE. Yohana Lévêque INTRODUCTION A LA NEUROIMAGERIE Yohana Lévêque L imagerie cérébrale fonctionnelle Le cerveau en fonctionnement in vivo : Où? Quand? Faire correspondre des activités physiologiques à des activités mentales

Plus en détail

Dispositifsd'imageriemédicale. Master Images, Sciences et Technologies de l'information

Dispositifsd'imageriemédicale. Master Images, Sciences et Technologies de l'information Dispositifsd'imageriemédicale Master Images, Sciences et Technologies de l'information Intervenants : A. Daurat, V. Noblet, F. Rousseau Accès depuis la page web des intervenants LSIIT, équipe MIV http://lsiit-miv.u-strasbg.fr/miv

Plus en détail

L imagerie vue par un mathématicien

L imagerie vue par un mathématicien L imagerie vue par un mathématicien Li-Thiao-Té Sébastien LAGA UMR 7539, Université Paris 13 Plan Généralités Images Modèles Qu est-ce qu une image? des coordonnées spatiales des mesures pour chaque position

Plus en détail

QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS

QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS Journées Jeunes Chercheurs d Aussois d - Décembre D 2003 U494 QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE OXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS Juliette FEUARDENT Thèse

Plus en détail

Traitements d Images pour la Neuroimagerie

Traitements d Images pour la Neuroimagerie Traitements d Images pour la Neuroimagerie I- Introduction P. Ramette, Cerveau réfléchissant, 2002 Michel DOJAT U836 Introduction Les Neurosciences Neurosciences : ensemble de sciences qui visent à la

Plus en détail

Concours Centrale-Supélec 2005 7/12

Concours Centrale-Supélec 2005 7/12 Problème - type centrale Partie - Couplage des phénomènes de conduction thermique et électrique en régime linéaire. Étude d un réfrigérateur à effet Peltier Le but de cette partie est de montrer que, dans

Plus en détail

Support Vector Machines

Support Vector Machines Support Vector Machines Séparateurs à vaste marge Arnaud Revel revel.arnaud@gmail.com Plan 1 Introduction 2 Formalisation 3 Utilisation des noyaux 4 Cas multi-classes 5 Applications des SVM 6 Bibliographie

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Chap.3 Lentilles minces sphériques

Chap.3 Lentilles minces sphériques Chap.3 Lentilles minces sphériques 1. Les différents types de lentilles minces sphériques 1.1. Les différentes formes de lentilles sphériques 1.2. Lentilles minces Centre optique 1.3. Lentille convergente

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

SP4 Formation des images & Approximation de Gauss

SP4 Formation des images & Approximation de Gauss SP4 Formation des images & Approximation de Gauss Objectifs de cette leçon : Définitions d un objet, d une image et d un système optique. Notions d objets et d images étendues Notions d objets et d images

Plus en détail

Chapitre 7. Circuits Magnétiques et Inductance. 7.1 Introduction. 7.1.1 Production d un champ magnétique

Chapitre 7. Circuits Magnétiques et Inductance. 7.1 Introduction. 7.1.1 Production d un champ magnétique Chapitre 7 Circuits Magnétiques et Inductance 7.1 Introduction 7.1.1 Production d un champ magnétique Si on considère un conducteur cylindrique droit dans lequel circule un courant I (figure 7.1). Ce courant

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Champ de Markov couple pour la segmentation d images texturées

Champ de Markov couple pour la segmentation d images texturées Champ de Markov couple pour la segmentation d images texturées Juliette Blanchet INRIA Rhône-Alpes Equipes Mistis et Lear 1 Segmention d images par champ de Markov caché 2 Segmentation de textures 3 Résultats

Plus en détail

-ii- APPLICATION DES PROPRIETES DE RESONANCE

-ii- APPLICATION DES PROPRIETES DE RESONANCE -ii- APPLICATION DES PROPRIETES DE RESONANCE Michel ZANCA, CHU Montpellier Signification de la résonance et relation de Larmor ω eff = 2 π ν eff = γ B eff La RMN détecte très précisément la fréquence ν

Plus en détail

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements Détection de contours Nicolas Thome 19 octobre 2009 1 / 61 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d'information Information de toute l'image résumée dans le contours

Plus en détail

Décodage de l activité neuronale

Décodage de l activité neuronale Décodage de l activité neuronale Neurophysiologie et neuro-prosthétique Musallan et al, 2004 Utiliser les signaux physiologiques pour activer des prothèses distantes, plus ou moins intelligentes Neurophysiologie

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Le Cerveau en Bourgeonnement

Le Cerveau en Bourgeonnement Le Cerveau en Bourgeonnement Plasticite synaptique et connectivite fonctionnelle dans la fleur de l age de la schizophrenie Julie Poulin, MD PhD Western Psychiatric Institute and Clinic University of Pittsburgh

Plus en détail

Identification de conditions limites en flux par thermographie infrarouge appliquée à la caractérisation de moyens d essai thermique à haut flux

Identification de conditions limites en flux par thermographie infrarouge appliquée à la caractérisation de moyens d essai thermique à haut flux Identification de conditions limites en flux par thermographie infrarouge appliquée à la caractérisation de moyens d essai thermique à haut flux J.C. BATSALE*, JP LASSERRE**, A. DESCUNS*,**, G. LAMOTHE*,**

Plus en détail

l Intelligence Artificielle

l Intelligence Artificielle 1 Introduction à l Intelligence Artificielle Antoine Cornuéjols antoine@lri.fr http://www.iie.cnam.fr/~cornuejols/ I.I.E. & L.R.I., Université d Orsay Intelligence Artificielle : plan 2 1-2- 3-4- 5-6-

Plus en détail

Prospections géophysiques adaptées au socle

Prospections géophysiques adaptées au socle Prospections géophysiques adaptées au socle Viviane BORNE Sommaire 1 - La prospection électromagnétique VLF 2 - La tomographie électrique 3 - Les nouvelles prospections à mettre en oeuvre 2 Prospection

Plus en détail

Contrôle des spécifications dimensionnelles et géométriques sur Machines à Mesurer Tridimensionnelles

Contrôle des spécifications dimensionnelles et géométriques sur Machines à Mesurer Tridimensionnelles Contrôle des spécifications dimensionnelles et géométriques sur Machines à Mesurer Tridimensionnelles 1 Inspection d une spécification portée sur un dessin Les étapes : Définir selon la norme (ISO) la

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Que mesure la neuro-imagerie fonctionnelle :

Que mesure la neuro-imagerie fonctionnelle : Que mesure la neuro-imagerie fonctionnelle : IRMf, TEP & MEG? O. Go s s e r i e s (1), A. De m e rt z i (1), Q. No i r ho m m e (1), J. Ts h i ba n d a (6), M. Bo ly (1), M. Op d e Be e c k (2), R. Hu

Plus en détail

Le sens électrique chez les poissons

Le sens électrique chez les poissons Le sens électrique chez les poissons Thomas Boulier École Normale Supérieure, Paris. Maths en mouvement, Université Paris-Descartes, 5 juin 23. Les poissons électriques : fortement vs faiblement Anguille

Plus en détail

Cours d électricité. Dipôles simples en régime alternatif. Mathieu Bardoux. 1 re année: 2011-2012

Cours d électricité. Dipôles simples en régime alternatif. Mathieu Bardoux. 1 re année: 2011-2012 Cours d électricité Dipôles simples en régime alternatif Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année: 2011-2012 Plan du

Plus en détail

L Imagerie par Résonance Magnétique

L Imagerie par Résonance Magnétique L Imagerie par Résonance Magnétique Historique I. Résonance Magnétique Nucléaire II. Relaxation et signal RMN III. Formation de l image IV. Contraste et interprétation des images V. Applications de recherche

Plus en détail

Quantification en tomographie d émission. Corrections d atténuation, de diffusion et de volume partiel

Quantification en tomographie d émission. Corrections d atténuation, de diffusion et de volume partiel Médecine Nucléaire 3 Quantification en tomographie d émission Corrections d atténuation, de diffusion et de volume partiel Irène Buvat U494 INSERM Paris http://www.guillemet.org/irene buvat@imed.jussieu.fr

Plus en détail

- cas d une charge isolée en mouvement et par extension d un ensemble de

- cas d une charge isolée en mouvement et par extension d un ensemble de Notion de courant de particule ; conservation du courant = expression du courant de particules chargées ; charges; j = q k k - cas d une charge isolée en mouvement et par extension d un ensemble de v k

Plus en détail

" Classification des technologies de numérisation 3D" Pierre Bourdet Professeur Émérite à l ENS de Cachan

 Classification des technologies de numérisation 3D Pierre Bourdet Professeur Émérite à l ENS de Cachan " Classification des technologies de numérisation 3D" Pierre Bourdet Professeur Émérite à l ENS de Cachan 1 Systèmes de Numérisation 3D Très grande diversité de systèmes de mesure par coordonnées Les critères

Plus en détail

Commande auto-adaptative par auto-séquencement, avec application à un avion instable

Commande auto-adaptative par auto-séquencement, avec application à un avion instable Commande auto-adaptative par auto-séquencement, avec application à un avion instable Patrice ANTOINETTE 1 2 Gilles FERRERES 1 1 ONERA-DCSD, Toulouse 2 ISAE, Toulouse GT MOSAR, 4 juin 2009 Plan Introduction

Plus en détail

Caractérisation risation thermique photothermiques périodiques

Caractérisation risation thermique photothermiques périodiques Journée «Contrôle non destructif par voie optique infrarouge : De nouvelles techniques et de nouvelles applications». Salon Mesurexpo, Paris-Expo, Porte de Versailles, Jeudi Caractérisation risation thermique

Plus en détail

Jean-René Duhamel. Institut des Sciences Cognitives CNRS - Université Claude-Bernard Lyon

Jean-René Duhamel. Institut des Sciences Cognitives CNRS - Université Claude-Bernard Lyon Jean-René Duhamel Institut des Sciences Cognitives CNRS - Université Claude-Bernard Lyon Neurophysiologie des fonctions visuelles supérieures 1. Introduction 2. Le système visuel cortical 3. Perception

Plus en détail

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS David Ryckelynck Centre des Matériaux, Mines ParisTech David.Ryckelynck@mines-paristech.fr Bibliographie : Stabilité et mécanique non linéaire,

Plus en détail

AUTRES ASPECTS DU GPS. Partie I : tolérance de Battement Partie II : tolérancement par frontières

AUTRES ASPECTS DU GPS. Partie I : tolérance de Battement Partie II : tolérancement par frontières AUTRES ASPECTS DU GPS Partie I : tolérance de Battement Partie II : tolérancement par frontières 1 Partie I Tolérance de battement Défaut de Battement Défautconjuguéde forme, orientation et position, constatélorsde

Plus en détail

Champ tournant, création de couple électromagnétique

Champ tournant, création de couple électromagnétique Champ tournant, création de couple électromagnétique SIMON SELLEM simon.sellem@ens-cachan.fr Motivation Toute machine tournante classique comporte un stator et un rotor. Il est nécessaire d étudier la

Plus en détail

P11B1 - PHYSIQUE - Semestre 1

P11B1 - PHYSIQUE - Semestre 1 P11B1 - PHYSIQUE - Semestre 1 Outils de la Physique 1 Jacques LEQUIN Nombre heures Cours 4,5 Nombre heures TD 6 Grandeurs scalaires et vectorielles. Calcul différentiel, systèmes de coordonnées. Définir

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Equipe ACCES Neurosciences

Equipe ACCES Neurosciences Equipe ACCES Neurosciences Programme de 1 ère S : Référentiel : Le cortex sensoriel et la plasticité du système nerveux central (illustration grâce { des images d activation du cortex somesthésique ou

Plus en détail

COMPOSITION DE PHYSIQUE. Quelques aspects de la fusion contrôlée par confinement magnétique

COMPOSITION DE PHYSIQUE. Quelques aspects de la fusion contrôlée par confinement magnétique ÉCOLE POLYTECHNIQUE FILIÈRE MP CONCOURS D ADMISSION 2007 COMPOSITION DE PHYSIQUE (Durée : 4 heures) L utilisation des calculatrices est autorisée pour cette épreuve. Quelques aspects de la fusion contrôlée

Plus en détail

Identification des transferts de chaleur d'un impact de jet chaud supersonique par méthode inverse. P. Reulet, E. Divouron, P.

Identification des transferts de chaleur d'un impact de jet chaud supersonique par méthode inverse. P. Reulet, E. Divouron, P. Identification des transferts de chaleur d'un impact de jet chaud supersonique par méthode inverse P. Reulet, E. Divouron, P. Millan Contexte industriel Simulation de la rupture d'une conduite d'air chaud

Plus en détail

ACTION DES CHAMPS ELECTRIQUE ET MAGNETIQUE SUR LE MOUVEMENT DES ELECTRONS. MESURE DU RAPPORT e/m

ACTION DES CHAMPS ELECTRIQUE ET MAGNETIQUE SUR LE MOUVEMENT DES ELECTRONS. MESURE DU RAPPORT e/m EEl 1 ACTION DES CHAMPS ELECTRIQUE ET MAGNETIQUE SUR LE MOUVEMENT DES ELECTRONS MESURE DU RAPPORT e/m 1. THEORIE 1.1. Effet d un champ électrique sur une charge électrique Dans un champ électrique E une

Plus en détail

Optimisation de la géométrie du voisinage pour la segmentation d images texturées

Optimisation de la géométrie du voisinage pour la segmentation d images texturées Optimisation de la géométrie du voisinage pour la segmentation d images texturées Pierre Beauseroy & André Smolarz Institut des Sciences et Technologies de l Information de Troyes (FRE 73) Université de

Plus en détail

T.P. 7 : Définir et contrôler un système d allumage statique

T.P. 7 : Définir et contrôler un système d allumage statique T.P. 7 : Définir et contrôler un système d allumage statique Nom : Prénom : Classe : Date : Durée : 6 heures Zone de travail : Classe de cours et atelier Objectif du T.P. : - Être capable d identifier

Plus en détail

Rapport. Mesures de champ de très basses fréquences à proximité d antennes de stations de base GSM et UMTS

Rapport. Mesures de champ de très basses fréquences à proximité d antennes de stations de base GSM et UMTS Rapport Mesures de champ de très basses fréquences à proximité d antennes de stations de base GSM et UMTS A.AZOULAY T.LETERTRE R. DE LACERDA Convention AFSSET / Supélec 2009-1 - 1. Introduction Dans le

Plus en détail

Tutorat 2 de Mathématiques (1ère année)

Tutorat 2 de Mathématiques (1ère année) Tutorat 2 de Mathématiques (ère année) 9//200 Transformée de Radon et Tomographie par Rayons X Compte-rendu à déposer svp le casier de mon bureau. N hésitez pas à me contacter en cas de difficultés majeures

Plus en détail

GVF (Gradient Vector Flow) et ses applications. Introduction au. Antonio Moreno Ingelmo. par

GVF (Gradient Vector Flow) et ses applications. Introduction au. Antonio Moreno Ingelmo. par Introduction au GVF (Gradient Vector Flow) et ses applications par Antonio Moreno Ingelmo Plan Introduction Les contours actifs Définition de GVF Force externe traditionnelle vs. GVF Limites du GVF Un

Plus en détail