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
Photo by @inspiredimages
 

Communities in DSpace

Select a community to browse its collections.

Recent Submissions

Thumbnail Image
Item
Designing a Distributed Network-Aware Key-Value Store
(Universite of Tlemcen, 2026-06-24) Benyoub ,Aymen
Les bases de données clés-valeurs distribuées traditionnelles s’appuient sur le hachage cohérent avec des nœuds virtuels, mais traitent le réseau comme une boîte noire sta tique. Cela cause des déséquilibres et ignore les variations de latence. Cette thèse propose un système clé-valeur distribué sensible au réseau qui adapte dynamique ment le placement des données. En séparant les plans de contrôle et de données, le système utilise métriques matérielles et RTTs pour calculer un score de coût déterministe. L’évaluation montre que cette approche élimine les points chauds et équilibre la charge sans dégrader les performances de stockage
Thumbnail Image
Item
alzheimer's desease classification from MRI images
(Universite of Tlemcen, 2026-06-20) Mekidiche, Khayreddine •; Benikhlef ,Imad Eddine
Ce mémoire présente un pipeline d'apprentissage profond robuste pour la classification automatisée à trois classes de la maladie d'Alzheimer (MA), du déficit cognitif léger (DCL) et des sujets cognitivement normaux (CN) à partir d'IRM structurelles. Pour pallier les contraintes de calcul des modèles 3D et le manque de contexte spatial des approches 2D, nous proposons une architecture 2.5D DenseNet121 enrichie d'un module d'attention (CBAM). Le système s'appuie sur un prétraitement en 11 étapes appliqué à la base de données ADNI, convertissant les volumes IRM 3D en empilements de coupes 2.5D à 5 canaux. Évalué sur un ensemble de test rigoureusement séparé par sujet, le modèle atteint une précision globale de 83,8 % et un score F1 macro de 0,832, surpassant largement les modèles de référence 2D et 3D. Fait remarquable, le système démontre une forte fiabilité clinique en évitant toute erreur de classification catastrophique (MA vers CN). Ces résultats confirment que la combinaison du contexte inter-coupes 2.5D, de l'apprentissage par transfert et de l'attention spatiale offre un outil précis, efficace et cliniquement interprétable pour la stadification de la maladie d'Alzheimer
Thumbnail Image
Item
Exploring Self-Supervised Learning for the Classification of Ophthalmic Diseases from Retinal Images
(Universite of Tlemcen, 2026-06-20) Taibi, Mohammed; Belarbi, Boumediene
L’apprentissage auto-supervisé est récemment apparu comme une approche prometteuse pour l’apprentissage de représentations d’images rétiniennes, en exploitant de grandes quantités de données non annotées. Parmi ces méth odes, les Masked Autoencoders (MAE) ont montré de bonnes performances en apprenant à reconstruire des régions masquées de l’image. Cependant, les MAE classiques se concentrent principalement sur la reconstruction dans le do maine spatial et n’encouragent pas explicitement la préservation des informa tions fréquentielles, qui peuvent contenir des structures rétiniennes importantes ainsi que des motifs pathologiques. Ce travail propose un Masked Autoencoder à régularisation fréquen tielle (FR-MAE) pour l’apprentissage de représentations d’images rétiniennes. L’approche étend le cadre standard du MAE en introduisant un terme de régu larisation dans le domaine fréquentiel basé sur la transformée de Fourier des im ages reconstruites. L’objectif est d’encourager la préservation des informations de haute fréquence lors du pré-entraînement auto-supervisé et d’améliorer la transférabilité des représentations apprises. La méthode proposée a été pré-entraînée sur environ 90 000 images ré- tiniennes non annotées, puis affinée pour les tâches de classification de la rétinopathie diabétique et du glaucome. L’évaluation expérimentale a été réal isée avec dix graines (seeds) de fine-tuning et comprend à la fois des datasets de test internes et des expériences de généralisation cross-dataset. Les résul tats montrent que la régularisation dans le domaine fréquentiel améliore de manière constante les performances en classification en aval par rapport au MAE de référence. En particulier, l’approche proposée atteint une meilleure généralisation cross-dataset pour les deux tâches et réduit significativement l’écart de performance avec RETFound, malgré l’utilisation d’un ensemble de pré-entraînement considérablement plus réduit. Ces résultats indiquent que la régularisation dans le domaine fréquentiel con stitue un signal d’apprentissage complémentaire efficace pour l’apprentissage auto-supervisé de représentations rétiniennes et peut améliorer la transférabil ité et la capacité de généralisation des représentations d’images rétiniennes.
Thumbnail Image
Item
SanuPass IntelligentDigitalMedicalPassport with Real-Time Geo-Medical Tracking Cross-Platform Mobile Ecosystem for the Secure Portability of Health Data
(Universite of Tlemcen, 2026-06-21) Zenasni, Riad
T he SanuPass project was designed to address a concrete and urgent need in the healthcare ecosystem: secure medical data portability combined with real-time geo-spatial intelligence. By centralizing the patient’s vital information in a digital passport accessible via a temporary QR Code, SanuPass bridges the critical gap between fragmented health data and the need for immediate accessibility in emergency situations. Summary of Contributions Throughout this thesis, we presented the entire development cycle of the platform: · Analysis of existing systems (Chapter I) identified a lack of localized digital medical passport solutions optimized for the Algerian clinical context, establishing the project’s foundational necessity. · System design (Chapter II) mapped operational requirements for patient and clinician cohorts, structured interaction behaviors via UML, and defined the token-based security handshake protocol. · Development and execution (Chapter III) detailed the hybrid software stack (Flutter, Firebase, and geospatial APIs) and configured the multi-layered safety mechanisms. · System implementation (Chapter IV) introduced the user interfaces featuring glass￾morphic designs, the interactive GIS mapping features, the automated AI safety alerts, and the QR scanner utility. · The Business Model Canvas (Chapter V) analyzed the socioeconomic viability of the platform, highlighting a total addressable market exceeding 13 million potential users in Algeria. The primary engineering contributions of this work encompass: · A secure data exchange protocol using time-bounded CSPRNG tokens that establish a real-time verification handshake between doctors and patients, · An atomic kill-switch utility enabling immediate and complete revocation of active profile access rights, · A geospatial parsing engine using the Haversine formula and Overpass API query strings to map and locate regional medical installations, 81 General Conclusion SanuPass Ecosystem · An automated safety module analyzing potential drug-drug conflicts and patient aller genic profiles. Future Perspectives Future development objectives target: · Conforming to the HL7 FHIR schema to allow interoperability with enterprise hospital networks, · Incorporating on-device machine learning models to deliver personalized health ana lytics, · Distributing the final builds to public marketplaces (Google Play and the App Store), · Scaling deployment workflows to neighboring Maghreb and North African markets. Ultimately, SanuPass introduces a transformative framework for digital health systems in Algeria. By establishing patient-centered custody over clinical histories while providing prac titioners with secure access, the platform offers a viable path toward updating public health infrastructure and raising the standard of care.
Thumbnail Image
Item
Stabilité Globale de l’Équilibre Intérieur d’un Modèle Structuré par Âge
(Universite of Tlemcen, 2026-06-17) Benhammou ,Assia Manel
Ce mémoire de Master examine la propagation d’une maladie infectieuse sous l’ef- fet d’une vaccination imparfaite à travers deux approches mathématiques. La première partie analyse un modèle d’équations différentielles ordinaires (EDO) en fonction du temps, validant la dynamique de seuil via le taux de reproduction de base R0 et des fonctions de Lyapunov. La deuxième partie approfondit l’étude avec des équations aux dérivées partielles (EDP) structurées en âge. En utilisant des outils d’analyse fonction- nelle, nous démontrons l’existence d’un attracteur global compact et la persistance uni- forme de la maladie. Les simulations numériques confirment les résultats théoriques, montrant l’extinction de l’infection si R0 ≤ 1 et sa persistance si R0 > 1.