Détection a-contrario de taches dans une image texturée.
|
|
- Aurélie Marin
- il y a 7 ans
- Total affichages :
Transcription
1 Détection a-contrario de taches dans une image texturée. Application aux mammographies Lionel Moisan MAP5, Université René Descartes-Paris 5 travail réalisé en collaboration avec Bénédicte Grosjean (MAP5 / General Electrics Healthcare) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 1
2 Cancer du sein et mammographie le cancer du sein : est le cancer le plus fréquent chez la femme (touche une femme sur 10) nouveaux cas et décès par an en France avantages du dépistage par mammographie: diagnostic mammographique isolé exact dans 85 à 90 % des cas détection de tumeurs plus petites (<2mm) diagnostic plus précoce (gain de 2 ans) permet la détection de cancers in-situ (30 %) baisse de 30% du taux de mortalité (tranche d âge ans) impossibilité de définir radiologiquement un sein normal (très forte disparité en fonction de la patiente, de l âge, etc.) lecture comparative bilatérale nécessaire expertise humaine difficile à égaler Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 2
3 Anomalies types dans les mammographies Signes classiques du cancer du sein : micro-calcifications (punctiformes, irrégulières, amas) distorsions de l architecture glandulaire lésions stellaires masses (opacités) opacité très visible opacité peu visible Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 3
4 Détectabilité des lésions Comment améliorer les performances des appareils de mammographie numérique? compromis à réaliser entre : résolution de l image bruit quantique, bruit électronique intensité du faisceau de rayons X (risque de surdose) autres paramètres physiques pour optimiser un système d imagerie mammographique, il est nécessaire de construire un modèle de détectabilité des lésions ce n est pas un objectif de détection automatique ou d aide au diagnostic (les meilleurs systèmes experts sont les médecins eux-mêmes) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 4
5 Détectabilité de taches sur un fond texturé problème plus général: détectabilité de taches dans une texture définition d une tache: sur-contraste local additif (pas une occlusion) exemples de simulations dans une texture de bruit blanc: cylindre sphère cône remarque: pas de perception de bords pour la tache conique pur sur-contraste local, intéressant pour les simulations du point de vue de la modélisation, on ne suppose pas de profil précis Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 5
6 Détectabilité, taille et contraste (1) Pour toute texture, la détectabilité augmente toujours avec le contraste Sur une texture de type bruit blanc : à contraste fixé, la détectabilité augmente quand la taille augmente pour garder une détectabilité fixée, le contraste doit diminuer si la taille augmente taille 5, contraste 40 taille 20, contraste 20 taille 50, contraste 15 Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 6
7 Détectabilité, taille et contraste (2) Sur une texture plus complexe, la situation inverse peut se produire C est notamment le cas dans les mammographies (loi de Burgess) : à contraste fixé, la détectabilité diminue quand la taille augmente à détectabilité fixée, le contraste doit augmenter si la taille augmente Loi de Burgess (lien taille/contraste pour la détectabilité humaine d opacités dans les mammographies et dans un bruit blanc) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 7
8 Détectabilité, taille et contraste (3) Observation de loi de Burgess pour des bruits colorés en 1/f 3 : taille 5, contraste 90 taille 20, contraste 110 taille 50, contraste 140 Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 8
9 Modéliser la détectabilité 1ère solution: notion d observateur idéal (test de Neyman-Pearson) inconvénient nécessité de construire un modèle du signal à détecter (H 1 ) test global, peu adapté Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 9
10 Modéliser la détectabilité 1ère solution: notion d observateur idéal (test de Neyman-Pearson) inconvénient nécessité de construire un modèle du signal à détecter (H 1 ) test global, peu adapté 2ème solution: détection a contrario [Desolneux, M., Morel (2000)] On se donne: un modèle de texture seul (H 0 ) une mesure locale (détecteur T (x)) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 9
11 Modéliser la détectabilité 1ère solution: notion d observateur idéal (test de Neyman-Pearson) inconvénient nécessité de construire un modèle du signal à détecter (H 1 ) test global, peu adapté 2ème solution: détection a contrario [Desolneux, M., Morel (2000)] On se donne: un modèle de texture seul (H 0 ) une mesure locale (détecteur T (x)) On réalise alors un ensemble de N tests T i = T (x i ), 1 i N, Le test T i est positif (rejet de H 0 ) si NF A(t i ) S, où NF A(t) = N P (T t). Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 9
12 Modéliser la détectabilité 1ère solution: notion d observateur idéal (test de Neyman-Pearson) inconvénient nécessité de construire un modèle du signal à détecter (H 1 ) test global, peu adapté 2ème solution: détection a contrario [Desolneux, M., Morel (2000)] On se donne: un modèle de texture seul (H 0 ) une mesure locale (détecteur T (x)) On réalise alors un ensemble de N tests T i = T (x i ), 1 i N, Le test T i est positif (rejet de H 0 ) si NF A(t i ) S, où NF A(t) = N P (T t). Propriétés: E (#{i, T i rejette H 0 } H 0 ) S. contrôle par S de l espérance du nombre de fausses alarmes (faux positifs) modélisation bien adaptée à la perception visuelle (principe de Helmholtz) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 9
13 Modèle de détection a contrario Modèle sans contexte: on se donne une fonction s normalisée ( R s = 1), paire, ŝ C 2 On mesure, pour une famille de points (x i ) 1 i N (par exemple sur une grille régulière), les < u, s i >= Z y u(x)s i (x) dx, avec s i (x) = s(x x i ), et on s étonne d observer certaines valeurs anormalement élevées. Exemple: s(x) = m R (x) := 1 πr 2 1 D(0,R) (x) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 10
14 Modèle de détection a contrario Modèle sans contexte: on se donne une fonction s normalisée ( R s = 1), paire, ŝ C 2 On mesure, pour une famille de points (x i ) 1 i N (par exemple sur une grille régulière), les < u, s i >= Z y u(x)s i (x) dx, avec s i (x) = s(x x i ), et on s étonne d observer certaines valeurs anormalement élevées. Exemple: s(x) = m R (x) := 1 πr 2 1 D(0,R) (x) Modèle avec contexte conditionnel: on se donne s et s, et on s étonne d observer une valeur anormalement élevée de certains < u, s i > conditionnellement à la valeur observée correspondante de < u, s i >. Exemple 1: s = m R, s = m αr (α > 1) : contexte incluant l objet Exemple 2: s = m R, s = 1 πr 2 (α 2 1) 1 D(0,αR)\D(0,R)(x) : contexte excluant l objet Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 10
15 Modèle de détection a contrario Modèle sans contexte: on se donne une fonction s normalisée ( R s = 1), paire, ŝ C 2 On mesure, pour une famille de points (x i ) 1 i N (par exemple sur une grille régulière), les < u, s i >= Z y u(x)s i (x) dx, avec s i (x) = s(x x i ), et on s étonne d observer certaines valeurs anormalement élevées. Exemple: s(x) = m R (x) := 1 πr 2 1 D(0,R) (x) Modèle avec contexte conditionnel: on se donne s et s, et on s étonne d observer une valeur anormalement élevée de certains < u, s i > conditionnellement à la valeur observée correspondante de < u, s i >. Exemple 1: s = m R, s = m αr (α > 1) : contexte incluant l objet Exemple 2: s = m R, s = 1 πr 2 (α 2 1) 1 D(0,αR)\D(0,R)(x) : contexte excluant l objet Modèle avec contraste au contexte: on se donne s et s, et on s étonne d observer une valeur anormalement élevée de certains contrastes < u, s i > < u, s i >. Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 10
16 Bruit blanc bidimensionnel Bruit blanc gaussien discret: processus (W (x)) x Z 2 où les W (x) sont des variables aléatoires i.i.d N(0, 1) Propriété: Pour une image discrète f : Z 2 R, f l 2 (Z 2 ), X f(x)w (x) N 0, X! f(x) 2. x x Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 11
17 Bruit blanc bidimensionnel Bruit blanc gaussien discret: processus (W (x)) x Z 2 où les W (x) sont des variables aléatoires i.i.d N(0, 1) Propriété: Pour une image discrète f : Z 2 R, f l 2 (Z 2 ), X f(x)w (x) N 0, X! f(x) 2. x x Le bruit blanc continu est décrit par l intégrale stochastique Z f L 2 (R 2 ), f(x)w (x)dx = < f, W > N Z 0, «f 2. Plus généralement, on a f, g L 2 (R 2 ), cov(< f, W >, < g, W >) = Z fg. Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 11
18 Détectabilité dans une texture de bruit blanc Modèle naïf (H 0 ): U = µ + σw, W bruit blanc Modèle sans contexte Mesure: m =< u, s > Détection si NF A(µ, σ, m) S, avec NF A(µ, σ, m) = N P (M m) = N erfc avec erfc(t) = P(X t X N(0, 1)) = 1 2π Z + cas particulier: s = m R NF A = N erfc R π m µ σ courbes d iso-détectabilité: log(a µ) = R + cte. t «m µ, σ s. e s2 /2 ds. à détectabilité fixée, le contraste a µ requis décroît quand R augmente Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 12
19 Détectabilité dans une texture de bruit blanc Modèle avec contraste au contexte Mesure: m m avec m =< u, s > et m =< u, s > Détection si NF A(µ, σ, m, m ) S, avec NF A = N P `M M m m «m m = N erfc. σ s s permet de s affranchir de la connaissance a priori de µ cas particulier: si s = m R, s = m αr, α > 1, alors 0 NF A = N πr q 1 1 α 2 1 m m A. σ Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 13
20 Détectabilité dans une texture de bruit blanc Modèle avec contexte incluant l objet Mesures: m =< u, s > et m =< u, s > Détection si NF A(µ, σ, m, m ) S, avec 0 NF A(µ, σ, m, m ) = N 1 σ s <s,s > s s 2 si s = 1 D D et s = 1 D D, avec D D, alors «m m NF A = N erfc. σ s s (a µ) (b µ) < s, «1 s > A. s 2 dans ce cas, coïncidence avec le modèle de contraste au contexte (m m ) Pas de modèle intéressant avec contexte excluant l objet (m et m indépendants) Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 14
21 Modèle de microtexture (bruit coloré) On appelle microtexture de noyau k K le processus Gaussien U = µ + σk W. K: espace des distributions tempérées k S telles que ˆk L. propriétés: f L 2, cas particuliers: < f, k W > = < k f, W > N 0, 1 4π 2 f, g L 2, cov(< f, k W >, < g, k W >) = 1 4π 2 Z Z «ˆk 2 ˆf 2. ˆk 2 ˆf ĝ. ˆk(ξ) = 1 (i.e. k = δ 0 ) : bruit blanc ˆk(ξ) 1 (spectre de puissance en 1/ ξ β ) : bruit coloré (fractal) ξ β/2 Le cas β = 3 modélise bien le fond des textures mammographiques Mathématiquement, on considère ˆk ε (ξ) = 1 [ε,+ [( ξ ) et l on fait ε 0. ξ β/2 Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 15
22 Exemples de textures en loi de puissance β = 0 (bruit blanc) β = 1 β = 2 β = 3 β = 4 β = 5 Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 16
23 Loi de Burgess Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 17
24 Détectabilité dans une texture quelconque Modèle naïf (H 0 ): U = µ + σk W (k S ) Modèle sans contexte Mesure: m =< u, s >, détection si NF A ε (µ, σ, m) S, avec «a NF A = N erfc. σ k s modèle peu adapté aux textures basse fréquence ( k s grand) en particulier pour les textures en loi de puissance Modèle avec contexte conditionnel Mesures: m =< u, s >, m =< u, s > Détection si NF A ε (µ, σ, m, m ) S, avec 0 NF A = N 1 σ k s <k s,k s > k s k s 2 (a µ) (b µ) < k s, k «1 s > A. k s 2 Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 18
25 Détectabilité dans une texture fractale Modèle naïf (H 0 ): U = µ + σk ε W, avec ˆk ε (ξ) = 1 [ε,+ [( ξ ) ξ β/2 Modèle avec contexte conditionnel Mesures: m =< u, s R > et m =< u, s R >, s R (x) = s ` x, R s R (x) = s ` x. R Détection si NF A ε (µ, σ, R, β, m, m ) S Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 19
26 Détectabilité dans une texture fractale Modèle naïf (H 0 ): U = µ + σk ε W, avec ˆk ε (ξ) = 1 [ε,+ [( ξ ) ξ β/2 Modèle avec contexte conditionnel Mesures: m =< u, s R > et m =< u, s R >, s R (x) = s ` x, R s R (x) = s ` x. R Détection si NF A ε (µ, σ, R, β, m, m ) S Théorème. Si 2 < β < 4, alors 0 NF A ε ε 0 N 1 R β 2 2 m m σ 1 π q A R. + ŝ(f) ŝ 0 (f) 2 f 1 β df Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 19
27 Détectabilité dans une texture fractale Modèle naïf (H 0 ): U = µ + σk ε W, avec ˆk ε (ξ) = 1 [ε,+ [( ξ ) ξ β/2 Modèle avec contexte conditionnel Mesures: m =< u, s R > et m =< u, s R >, s R (x) = s ` x, R s R (x) = s ` x. R Détection si NF A ε (µ, σ, R, β, m, m ) S Théorème. Si 2 < β < 4, alors 0 NF A ε ε 0 N 1 R β 2 2 m m σ 1 π q A R. + ŝ(f) ŝ 0 (f) 2 f 1 β df courbes d iso-détectabilité: log(m m ) = β 2 2 log R + cte. Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 19
28 Détectabilité dans une texture fractale Modèle naïf (H 0 ): U = µ + σk ε W, avec ˆk ε (ξ) = 1 [ε,+ [( ξ ) ξ β/2 Modèle avec contexte conditionnel Mesures: m =< u, s R > et m =< u, s R >, s R (x) = s ` x, R s R (x) = s ` x. R Détection si NF A ε (µ, σ, R, β, m, m ) S Théorème. Si 2 < β < 4, alors 0 NF A ε ε 0 N 1 R β 2 2 m m σ 1 π q A R. + ŝ(f) ŝ 0 (f) 2 f 1 β df courbes d iso-détectabilité: log(m m ) = β 2 2 log R + cte. à détectabilité fixée, le contraste m m requis croît quand R augmente Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 19
29 Détectabilité dans une texture fractale Modèle naïf (H 0 ): U = µ + σk ε W, avec ˆk ε (ξ) = 1 [ε,+ [( ξ ) ξ β/2 Modèle avec contexte conditionnel Mesures: m =< u, s R > et m =< u, s R >, s R (x) = s ` x, R s R (x) = s ` x. R Détection si NF A ε (µ, σ, R, β, m, m ) S Théorème. Si 2 < β < 4, alors 0 NF A ε ε 0 N 1 R β 2 2 m m σ 1 π q A R. + ŝ(f) ŝ 0 (f) 2 f 1 β df courbes d iso-détectabilité: log(m m ) = β 2 2 log R + cte. à détectabilité fixée, le contraste m m requis croît quand R augmente on retrouve la pente observée par Burgess ( β 2 2 ), indépendante de s et s Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 19
30 Détectabilité dans une texture fractale Modèle naïf (H 0 ): U = µ + σk ε W, avec ˆk ε (ξ) = 1 [ε,+ [( ξ ) ξ β/2 Modèle avec contexte conditionnel Mesures: m =< u, s R > et m =< u, s R >, s R (x) = s ` x, R s R (x) = s ` x. R Détection si NF A ε (µ, σ, R, β, m, m ) S Théorème. Si 2 < β < 4, alors 0 NF A ε ε 0 N 1 R β 2 2 m m σ 1 π q A R. + ŝ(f) ŝ 0 (f) 2 f 1 β df courbes d iso-détectabilité: log(m m ) = β 2 2 log R + cte. à détectabilité fixée, le contraste m m requis croît quand R augmente on retrouve la pente observée par Burgess ( β 2 ), indépendante de s et s 2 coïncidence avec le modèle de contraste au contexte pour tous s et s Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 19
31 Conclusion construction d un modèle d observateur mathématique pour la détection de taches prérequis: modèle de texture (H 0 ), détecteur pas de modèle de tache à expliciter (pas de H 1 ) si un tel modèle est néanmoins disponible, on peut alors optimiser le détecteur (taille relative du contexte par exemple) notion de contexte essentielle pour une texture basse fréquence cadre mathématique asymptotique pour les textures en loi de puissance on retrouve la loi de Burgess inversion de la relation taille/contraste identification de la pente exacte à détectabilité donnée application aux mammographies: possibilité de préciser l influence de paramètres du système sur la détectabilité de lésions de taille et de contraste donnée modèle de détectabilité et non de détection Lionel Moisan - Détection a contrario de taches dans une image texturée. Application aux mammographies. p. 20
OM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailM1107 : Initiation à la mesure du signal. T_MesSig
1/81 M1107 : Initiation à la mesure du signal T_MesSig Frédéric PAYAN IUT Nice Côte d Azur - Département R&T Université de Nice Sophia Antipolis frederic.payan@unice.fr 15 octobre 2014 2/81 Curriculum
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailModule d Electricité. 2 ème partie : Electrostatique. Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere
Module d Electricité 2 ème partie : Electrostatique Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere 1 Introduction Principaux constituants de la matière : - protons : charge
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailGE Healthcare. Senographe Crystal Un choix aussi clair qu un cristal
GE Healthcare Senographe Crystal Un choix aussi clair qu un cristal Senographe Crystal Un choix aussi clair qu un cristal. Le mammographe Senographe* Crystal facilite la transition vers la mammographie
Plus en détailSensibilisation à la Sécurité LASER. Aspet, le 26/06/2013
Sensibilisation à la Sécurité LASER Aspet, le 26/06/2013 Modes d émission LASER P c P 0 P moy 0 Emission pulsée Salve ou train de N impulsions Emission continue Q i t i t Longueur d onde λ Emission continue
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailGuide utilisateur. Parrot MKi9100. Français. Parrot MKi9100 Guide utilisateur 1
Guide utilisateur Parrot MKi9100 Français Parrot MKi9100 Guide utilisateur 1 Sommaire Sommaire... 2 Introduction... 4 Installer le Parrot MKi9100... 5 Autoradio avec connecteur ISO...5 Autoradio avec entrées
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailTransmission des signaux numériques
Transmission des signaux numériques par Hikmet SARI Chef de Département d Études à la Société Anonyme de Télécommunications (SAT) Professeur Associé à Télécom Paris. Transmission en bande de base... E
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailL accessibilité aux bâtiments publics pour les personnes à mobilité réduite
L accessibilité aux bâtiments publics pour les personnes à mobilité réduite Appuis ischiatiques assisdebout à disposer tout les 200 m + Les équipements => En cas de longs trajets en pente, des appuis ischiatiques
Plus en détailCoûts, avantages et inconvénients des différents moyens de paiement
Coûts, avantages et inconvénients des différents moyens de paiement Présentation de l'étude de la Banque nationale de Belgique à la conférence de l'esta (Valence, le 15 mai 2006) Historique de l'étude
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailFonctions 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 détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailSOMMAIRE. 1. Architecture proposée. 2. Constituants de la solution. 3. Supervision DATA CENTER OPTION SERVICE
SOMMAIRE DATA CENTER OPTION SERVICE 1. Architecture proposée 2. Constituants de la solution 3. Supervision 1 1 ARCHITECTURE GENERALE 2 Implantation Plan du site et localisation de la salle informatique
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailDM n o 8 TS1 2012 Physique 10 (satellites) + Chimie 12 (catalyse) Exercice 1 Lancement d un satellite météorologique
DM n o 8 TS1 2012 Physique 10 (satellites) + Chimie 12 (catalyse) Exercice 1 Lancement d un satellite météorologique Le centre spatial de Kourou a lancé le 21 décembre 200, avec une fusée Ariane, un satellite
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailLes 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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailTransmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailMathématiques I Section Architecture, EPFL
Examen, semestre d hiver 2011 2012 Mathématiques I Section Architecture, EPFL Chargé de cours: Gavin Seal Instructions: Mettez votre nom et votre numéro Sciper sur chaque page de l examen. Faites de même
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailQuel apport de l imagerie dans les traitements anti-angiogéniques?
Quel apport de l imagerie dans les traitements anti-angiogéniques? L Fournier, D Balvay, CA Cuénod Service de radiologie, Hôpital Européen Georges Pompidou Laboratoire de Recherche en Imagerie, Equipe
Plus en détail