DSpace 7
DSpace is the world leading open source repository platform that enables organisations to:
- easily ingest documents, audio, video, datasets and their corresponding Dublin Core metadata
- open up this content to local and global audiences, thanks to the OAI-PMH interface and Google Scholar optimizations
- issue permanent urls and trustworthy identifiers, including optional integrations with handle.net and DataCite DOI
Join an international community of leading institutions using DSpace.
The test user accounts below have their password set to the name of this software in lowercase.
- Demo Site Administrator = dspacedemo+admin@gmail.com
- Demo Community Administrator = dspacedemo+commadmin@gmail.com
- Demo Collection Administrator = dspacedemo+colladmin@gmail.com
- Demo Submitter = dspacedemo+submit@gmail.com
Communities in DSpace
Select a community to browse its collections.
- Architecture
- Histoires et Arts
Recent Submissions
Analyse et Classification des anomalies thoraciques à partir des images et rapports médicaux
(University of Tlemcen, 2026-06-09) Hadj Mahammad, Aissa; Chikh, Hamza Abdelillah
Cette étude s’intéresse au diagnostic et à la classification des anomalies thoraciques à
l’aide d’une approche multimodale combinant des images de tomodensitométrie (CT) et
des rapports radiologiques associés a chaque patient. L’objectif recherché est la prédiction
multi-étiquette de la pneumonie, du COVID-19 et de l’emphysème. Pour ce faire, nous
nous appuyons sur le jeu de données RadGenome-ChestCT, et comparons également les
stratégies unimodales et multimodales afin d’améliorer les performances diagnostiques.
Le cadre des expériences repose sur Kaggle avec un GPU NVIDIA Tesla P100. Les mo
dèles visuels sont implémentés avec le framework PyTorch, et les modèles textuels avec
TensorFlow/HuggingFace. Notre étude porte sur 741 volumes CT alignés et 3500 rap
ports radiologiques. Nous comparons ainsi trois architectures 3D CNN (R3D-18, MC3-18,
X3D-M) et quatre modèles Transformer (BERT, RoBERTa, ClinicalBERT, BioBERT).
À côté d’architectures de fusion Late Fusion et Early Fusion, nous évaluons nos modèles
sur : l’AUC, le F1-score, accuracy et la sensibilité, ainsi que l’optimisation des seuils et
l’augmentation des données en test pour les modèles d’images. Nos résultats montrent
que, parmi les modèles visuels, c’est la R3D-18 qui performe le mieux (AUC moyenne de
0, 876). Côté modèles textuels, nous avons retenu BioBERT pour effectuer une fusion de
représentation. Sur l’ensemble de test, les performances s’améliorent lorsque qu’on passe
du modèle basé sur l’image seule (AUC 0, 9484) ou du modèle basé sur le texte seul
(0, 9857) vers la Late Fusion (0, 9912). Cependant, c’est la Early Fusion qui obtient les
meilleurs résultats en valeur absolue (AUC 0, 9996 et F1 macro de 0, 9882), avec notam
ment une classification du COVID-19 parfaitement maîtrisée. En synthèse, ces travaux
quantitativement évalués permettent de conclure que les rapports radiologiques semblent
être la source d’information la plus discriminante, que les images CT apportent un gain
de performance, et que la fusion multimodale, et en particulier la fusion précoce, offre le
meilleur compromis en termes de performances diagnostiques.
Etude et réalisation d’un robot assistant médical
(University of Tlemcen, 2026) Boukhalfa,Mohamed Redha; Benabed, Ayoub
Ce mémoire porte sur la conception et la réalisation d’un robot assistant médical
destiné à assister le personnel de santé dans certaines tâches de surveillance et d’assistance.
L’objectif principal est de proposer une solution robotique intelligente, fiable et à faible coût,
capable d’améliorer la qualité des services médicaux tout en réduisant la charge de travail des
soignants.
Le premier chapitre présente une étude bibliographique sur la robotique médicale,
son évolution, ses domaines d’application et les technologies utilisées.
Le deuxième chapitre décrit l’architecture matérielle du robot ainsi que les
principaux composants électroniques et mécaniques intégrés au système.
Le troisième chapitre est consacré à la conception, à la programmation, à
l’assemblage et à la validation expérimentale du robot, dont les résultats confirment le bon
fonctionnement des différentes fonctionnalités développées.
Enfin, le quatrième chapitre évalue la faisabilité économique du projet à travers le
modèle Business Model Canvas.
Les résultats obtenus démontrent qu’il est possible de développer un robot assistant
médical performant et économiquement viable, offrant des perspectives intéressantes pour
son intégration dans les environnements de soins
MORA: An Intelligent Healthcare Platform Integrating Artificial Intelligence for Cardio-Renal Risk Prediction and Remote Patient Monitoring
(University of Tlemcen, 2026-06-21) Necaibia, Mountassar Billah
Background: The global rise of chronic non-communicable diseases (NCDs), particularly Chronic Heart
Failure (CHF) and Chronic Kidney Disease (CKD), represents one of the most pressing challenges facing
contemporary healthcare systems. These conditions frequently coexist as a complex cardio-renal syndrome,
demanding continuous, integrated clinical management rather than isolated, episodic interventions.
Traditional healthcare infrastructures, designed primarily for acute care, are increasingly strained by the
longitudinal demands of chronic disease monitoring.
Objective: This research develops MORA, an AI-powered platform for real-time remote monitoring and
early risk stratification of patients affected by CHF and CKD, with a focus on the cardio-renal axis.
Methodology: The platform integrates remote patient monitoring (RPM) with electronic health records
(EHR) to create a continuous, longitudinal data pipeline. Machine learning algorithms including gradient
boosting and deep learning architectures are employed to model disease progression and generate
predictive risk scores. Explainable AI (XAI) techniques, specifically SHAP and LIME, are incorporated to
ensure that model outputs are clinically interpretable and trustworthy for healthcare professionals.
Results: Evaluations demonstrate that MORA effectively aggregates heterogeneous health data and
delivers accurate, timely predictive insights. The integration of XAI significantly enhances clinician trust
and supports informed clinical decision-making. The platform successfully bridges the gap between raw
patient data and actionable preventive interventions.
Conclusion: MORA enables a paradigm shift from reactive to preventive chronic disease management,
with meaningful potential to improve patient outcomes through timely clinical intervention. The platform
provides a scalable, interoperable foundation for the future of AI-assisted digital healthcare.
L’analyse des sons pulmonaire par intelligence artificielle
(University of Tlemcen, 2026-06-23) Toubane, Wail
L'auscultation pulmonaire traditionnelle à l'aide d'un stéthoscope mécanique reste un outil de
diagnostic clinique de première ligne essentiel, mais elle est limitée par la perception subjective de
l'oreille humaine et la variabilité inter-observateur, en particulier pour distinguer des anomalies
acoustiques subtiles comme les crépitants, les sibilances et les ronchus. Ce travail présente le
développement d'un système intelligent hybride d'aide à la décision clinique pour la classification
automatique des maladies respiratoires à partir des sons pulmonaires. Pour pallier les limites des
modèles de classification classiques, nous proposons une architecture hybride originale fusionnant
deux approches complémentaires : d'une part, un réseau de neurones convolutif (CNN)
personnalisé conçu pour extraire des caractéristiques spectrales à haute résolution à partir des
spectrogrammes de Mel (représentations 2D temps-fréquence) ; d'autre part, un modèle pré
entraîné YAMNet de Google exploitant le principe de l'apprentissage par transfert (Transfer
Learning) pour capturer des descripteurs sémantiques globaux à haute dimension. Le système a été
entraîné et validé sur une base de données consolidée de 917 enregistrements audio, obtenue par la
fusion de la base de données internationale ICBHI 2017 et d'une base de données complémentaire
(Fraiwan et al.), répartis sur 6 classes pathologiques : BPCO (COPD), sujets sains (Healthy),
infections des voies respiratoires supérieures (URTI), dilatation des bronches (Bronchiectasis),
pneumonie (Pneumonia) et bronchiolite (Bronchiolitis). Pour surmonter le déséquilibre sévère des
classes, des stratégies de régularisation et d'augmentation robustes (telles que le Mixup, le Label
Smoothing, la pondération des classes et un fort Dropout) ont été intégrées. Les résultats
expérimentaux démontrent l'efficacité de l'approche hybride qui atteint une exactitude globale
(Accuracy) de 87.8 %, un F1-score macro de 69.1 % et un F1-score pondéré de 88.7 %,
représentant une amélioration de +26.7 % du F1-score macro par rapport à une architecture CNN
classique non optimisée. Le modèle a été déployé sous la forme d'un serveur d'inférence en temps
réel avec une interface web asynchrone (FastAPI/HTML5) permettant aux cliniciens de téléverser
des sons, de visualiser les prédictions probabilitaires, d'inspecter les spectrogrammes et de générer
des rapports cliniques PDF structurés.
Modèles fondationnels pour le diagnostic de la rétinopathie diabétique et de l’œdème maculaire par imagerie rétinienne multimodale
(University of Tlemcen, 2026-06-23) Ghalmi, Ahmed Nour Eddine
Ce mémoire propose un cadre fondé sur les modèles fondationnels pré-entraînés par
auto-supervision pour le diagnostic automatique de la rétinopathie diabétique (RD) et de
l’œdème maculaire diabétique (OMD) à partir de l’imagerie rétinienne multimodale. Les
données proviennent de la cohorte EVIRED, projet de recherche clinique multicentrique
impliquant plusieurs centres hospitaliers universitaires (CHU) français, regroupant plus
de 2200 patients diabétiques suivis de façon longitudinale entre 2018 et 2023. Trois mo
dalités d’imagerie rétinienne sont exploitées : photographie couleur du fond d’œil (CFP),
imagerie ultra-grand champ (UWF) et angiographie par cohérence optique (OCT-A), dé
clinées en six entrées appareil/champ : Clarus CFP 133°, Optos UWF ∼200◦, OCT-A
PlexElite (6×6 et 15×15mm) et OCT-A Cirrus (6×6 et 3×3mm).
Six modèles fondationnels indépendants sont pré-entraînés par le cadre DI
NOv3+iBOT(combinaison de la distillation auto-supervisée DINO et de la modélisation
masquée de patches iBOT, renforcée par une régularisation KoLeo) sur un backbone ViT
B/16 (86M paramètres). Les modèles OCT-A sont initialisés avec les poids de la branche
FFA deVisionFM,modalitépartageantlamêmetopologievasculairecapillaire rétinienne.
Un mécanisme original de paires positives inter-plexus exploite les deux couches de seg
mentation vasculaire (plexus superficiel et profond) de chaque acquisition OCT-A comme
vues positives gratuites, forçant l’encodeur à apprendre des représentations invariantes à
la profondeur.
Les représentations extraites alimentent un pipeline de fine-tuning supervisé en trois
phases progressives avec dégel par couches et gestion explicite du déséquilibre de classes
(échantillonneur pondéré, perte Focal+QWK). Deux tâches cliniques sont évaluées : la
gradation DR6 en six classes (C0–C5, échelle ETDRS) et la détection OMD (classifi
cation binaire), sur la cohorte EVIRED en validation croisée 5 plis stratifiée au niveau
patient.
La variante Clarus CFP atteint le meilleur kappa quadratique pondéré pour la gra
dation DR6 (QWK=0,7851), reflétant le fort contraste chromatique des lésions hémorra
giques et exsudatives. L’Optos UWF suit de près (QWK=0,7281), son champ périphé
rique étendu capturant les néovaisseaux des stades avancés. Pour la détection de l’OMD,
la hiérarchie s’inverse : OCT-A PlexElite 6×6mm (AUC=0,8598) et OCT-A Cirrus
6×6mm(AUC=0,8049)dominent,laphotographiecouleurrestantstructurellement limi
tée (AUC=0,7340). Ces résultats démontrent qu’aucune modalité n’est universellement
supérieure : le choix optimal dépend entièrement de la tâche clinique cible