Master en Génie Biomedical

Permanent URI for this collectionhttps://dspace.univ-tlemcen.dz/handle/112/5194

Browse

Now showing 1 - 20 of 540

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
Détection automatique de la pneumonie à partir des images radiologiques thoracique par le Deep Learning
(University of Tlemcen, 2026-06-23) Hadj Henni, Assia
Ce travail de recherche est consacré au développement d'un système automatisé d'aide au diagnostic médical, conçu pour identifier la pneumonie sur des radiographies thoraciques à l'aide de l'apprentissage profond, afin de pallier les limites liées à la fatigue visuelle et à la subjectivité de l'interprétation humaine. Pour y parvenir, une approche originale d'architecture hybride a été mise au point en combinant deux réseaux de neurones convolutifs complémentaires : MobileNetV2, exploité pour sa structure légère et sa rapidité de calcul, et DenseNet121, sélectionné pour sa capacité à préserver et propager les caractéristiques médicales complexes à travers ses connexions denses. Entraîné et évalué sur une base de données consolidée issue des répertoires publics Kermany et Muhammad Rehan, ce modèle fondé sur la fusion de caractéristiques a démontré des performances supérieures à celles des architectures standards utilisées de manière isolée. Les résultats confirment la robustesse, la stabilité et l'excellente capacité de généralisation de cette solution, validant ainsi son fort potentiel en tant qu'outil informatique d'aide à la décision fiable pour seconder efficacement les radiologues et optimiser la prise en charge des patients en milieu clinique.
Développement d’un stéthoscope électronique intelligent avec classification automatique des murmures cardiaques (IA embarquée)
(University of Tlemcen, 2026-06-21) Bouguern, Ikram
Le développement d’un stéthoscope électronique intelligent capable de classifier automatiquement les souffles cardiaques représente une avancée majeure pour le diagnostic précoce en cardiologie. Ce projet de fin d’études a consisté à concevoir un dispositif portable et autonome intégrant une intelligence artificielle embarquée (TinyML). Le système repose sur un microphone à électret (module KY-038) couplé à une cloche acoustique, dont le signal est numérisé par un microcontrôleur ESP32 à 200 Hz. Un prétraitement en temps réel (centrage, filtrage médian d’ordre 5, contrôle automatique de gain) est appliqué, puis trois descripteurs temporels sont extraits par fenêtres glissantes de 100 échantillons : le taux de passage par zéro (ZCR), l’aplatissement (kurtosis) et l’asymétrie (skewness). Un modèle Random Forest de 25 arbres, pré-entraîné sur la base de référence Physio Net Challenge 2016 (exactitude de 94,2 %), a été converti en code C++ natif via l’outil EloquentTinyML et intégré dans l’ESP32. Le diagnostic binaire (normal / pathologique) est affiché sur un écran OLED et transmis par liaison série à une interface Python. Les tests réalisés sur 5 sujets (3 sains, 2 pathologiques) ont donné une exactitude de 80 %, une sensibilité de 100 % et une spécificité de 66,7 %, avec une consommation de 80 mA sous 5 V (soit un appel de courant de 127 mA sur la batterie 3,7 V après conversion), et une autonomie estimée à 15 heures en conditions réelles d'utilisation. Ce prototype valide la faisabilité d’un stéthoscope numérique portable, économique et doté d’une intelligence embarquée pour l’aide au diagnostic cardiaque en milieu clinique ou en télé médecine
AI-Powered Biobank Infrastructure for Parasitic Diseases: Focus on Gastrointestinal Parasites to Enhance Sustainable Health Systems
(University of Tlemcen, 2026-06-21) Fridjat, Alaa Khadidja; Dib, Esmae
Intestinal parasites remain a significant public health issue requiring accurate diagnosis and structured medical data management. This project aims to design and implement an AI-powered biobank platform dedicated to gastrointestinal parasites. The system combines digital sample management with artificial intelligence techniques for microscopic image analysis and parasite egg classification. Deep learning, self-supervised learning, and semi-supervised learning approaches were explored to address the limitation of labeled data and support AI assisted diagnosis. The platform enables sample registration, image upload, expert validation, result storage, and digital report generation. It also falls within the framework of Ministerial Decree No. 1275 as an innovative graduation project with startup potential in digital health and medical AI. This work represents a step toward a future physical biobank supporting diagnosis, research, and sustainable healthcare systems in Algeria.
PLATEFORME BIOMEDICALE POUR LA DETECTION DES ANOMALIES CARDIAQUES FŒTALES
(University of Tlemcen, 2026-06-24) Amrouche, Intissar Taj El Molk
Ce projet présente le développement d’une plateforme biomédicale connectée conçue pour l'analyse et le monitorage en temps réel du rythme cardiaque fœtal. L'objectif principal est de proposer une solution logicielle performante pour améliorer l'accessibilité du suivi prénatal. Le système traite le signal audio brut issu d'un capteur Doppler ultrasonique via une connexion filaire analogique robuste (Jack 3.5 mm). Grâce à des algorithmes de filtrage numérique, à la transformée de Hilbert et à la méthode de Double Autocorrélation (dACF), l'application extrait avec précision le rythme cardiaque fœtal de base, même en milieu bruité. Elle calcule ensuite les indices temporels de la variabilité du rythme cardiaque (SDNN et RMSSD) ainsi que le Fetal Stress Index (FSI). La convergence de ces paramètres permet de générer un Score de Bien-être Fœtal global, constituant un outil d'aide à la décision clinique pour le dépistage précoce des anomalies et des détresses fœtales
Système de surveillance pour malades semi-alités
(University of Tlemcen, 2026-06-27) Korchi, Fatima; Ouadi, Imane
Ce travail s’inscrit dans le domaine du génie biomédical et porte sur le développement d’un système intelligent de surveillance des patients semi‑alités, basé sur la vision par ordinateur et l’intelligence artificielle. L’objectif principal est d’assurer une surveillance automatique, continue et non intrusive, tout en détectant rapidement les situations à risque telles que les chutes ou les sorties de lit. Le système proposé repose sur une approche hybride combinant plusieurs techniques. La détection de la présence du patient est réalisée à l’aide du modèle YOLOv8, tandis que l’extraction des points clés du corps humain est assurée via MediaPipe. Les caractéristiques extraites sont ensuite traitées par un modèle d’apprentissage automatique basé sur l’algorithme Random Forest pour classifier les différentes postures. Une base de données personnalisée a été construite afin de pallier l’absence de datasets adaptés à notre problématique, nécessitant un processus de collecte, d’annotation et de structuration des données. Le système est intégré dans un pipeline temps réel avec une interface de monitoring et un système d’alertes. Les résultats obtenus montrent une performance satisfaisante, malgré certains défis tels que le problème d’occlusion lié aux couvertures, les contraintes des systèmes embarqués et l’optimisation de la base de données. Ce travail ouvre des perspectives intéressantes pour le développement de systèmes de surveillance médicaux intelligents.
Segmentation de lésions cérébrales en IRM par architectures Deep Learning hybrides CNN–Transformers
(University of Tlemcen, 2026-06-24) Haddam,Ferdaousse; Benamara,Fatima Zahra
La segmentation automatique des tumeurs cérébrales à partir d’IRM multimodales constitue un enjeu majeur en pratique clinique, mais reste limitée par la variabilité et le coût de la délimita tion manuelle. Ce travail propose une évaluation comparative de deux architectures hybrides d’ap prentissage profond, HybridUNet3D et TransUNet3D, développées sur la base de données BraTS. Le premier modèle combine un U-Net 3D résiduel avec des mécanismes d’attention et un module ASPPpour l’extraction multi-échelle, tandis que le second intègre un module Transformer au goulot d’étranglement afin de capturer les dépendances contextuelles globales. Les modèles sont entraînés avec une fonction de perte hybride (Dice, entropie croisée). Les résultats expérimentaux démontrent des performances élevées en termes de coefficient de Dice, avec un avantage du TransUNet3D en termes de robustesse et de stabilité inter-patients. Comparée aux approches de l’état de l’art, cette architecture hybride CNN–Transformer offre une segmentation précise et fiable, tout en restant efficace avec des volumes de données limités.
Mise en place d’une Plateforme Intelligente d’Analyse d’Images IRM pour l’aide à la décision médicale : Cas du CHU de Tlemcen
(University of Tlemcen, 2026-06-18) Hamidi, Wafaa Sara; Kahlallou, Chaimaa
Ce travail propose un système de classification automatique des pathologies du rachis lombaire à partir d’images d’IRM en utilisant des techniques de Deep Learning. L’objectif principal est d’assister le diagnostic médical en améliorant la rapidité, la précision et la fiabilité de l’interprétation des images. Une base de données d’IRM a été constituée et organisée en quatre classes : rachis normal, hernie discale, sténose lombaire et autres pathologies. Les images ont subi plusieurs étapes de prétraitement, notamment le redimensionnement, la normalisation et l’augmentation des données, afin d’améliorer la qualité de l’apprentissage et la robustesse des modèles. Trois architectures de réseaux de neurones convolutifs pré entraînées, à savoir ResNet50, DenseNet121 et EfficientNet-B3, ont été comparées dans un cadre de transfert d’apprentissage. Les performances des modèles ont été évaluées à l’aide de métriques standard de classification. Les résultats obtenus montrent que les modèles de Deep Learning permettent une classification efficace des pathologies lombaires, confirmant ainsi leur potentiel et leur intérêt dans le développement d’outils d’aide au diagnostic médical.
MediGuide Mobile Medication Reminder Application for Elderly Users
(University of Tlemcen, 2026-06-24) Megrous, Hafsa
The aging of Algerian population is experiencing a growing prevalence of chronic diseases that require continuous medication management. Medication non-adherence remains a significant challenge among elderly patients, often resulting from forgetfulness, dose confusion, reduced visual acuity, and the absence of accessible, Arabic-adapted digital health tools. This project presents MediGuide, a mobile medication reminder application specifically designed for elderly Algerian users. The application provides three interconnected interfaces: a pharmacist interface for digital prescription management, a simplified patient interface featuring large buttons, high-contrast visuals, and multilingual voice reminders in Arabic, French, and English, and a caregiver interface enabling real-time monitoring of medication adherence and automated missed-dose alerts. MediGuide was developed using Flutter for the mobile frontend and Firebase for backend services, ensuring secure data management and automatic synchronization. The application delivers multimodal reminders through visual notifications, audible alerts, and voice guidance to support elderly users in following their treatment schedules. The proposed solution contributes to improving medication adherence, reducing medication errors, and strengthening communication between patients, pharmacists, and caregivers in a culturally adapted Algerian context.
Développement d’un dispositif portable pour la prévention des thromboses veineuses profondes (TVP)
(University of Tlemcen, 2026-06-10) Beribeche, Lyna
La thrombose veineuse profonde (TVP) constitue une pathologie vasculaire fréquente pouvant entraîner des complications graves, notamment l’embolie pulmonaire. Les patients alités, postopératoires ou présentant une mobilité réduite sont particulièrement exposés à ce risque en raison de la diminution du retour veineux au niveau des membres inférieurs. Dans ce contexte, ce travail porte sur la conception et la réalisation d’un dispositif de massage intelligent destiné à contribuer à la prévention de la TVP. Le système développé repose sur un microcontrôleur ESP32-C3 SuperMini associé à deux capteurs biomédicaux MAX30102 permettant la mesure de la fréquence cardiaque (HR) et de la saturation pulsée en oxygène (SpO₂). Les données physiologiques acquises sont traitées en temps réel afin d’adapter automatiquement le fonctionnement des actionneurs de stimulation mécanique. L’architecture matérielle intègre également un multiplexeur I²C TCA9548A, un module de commande de moteurs L298N ainsi que des moteurs de massage et de vibration assurant la stimulation des membres inférieurs. Une stratégie de contrôle adaptatif a été mise en œuvre afin d’ajuster l’intensité de la stimulation en fonction de l’état physiologique de l’utilisateur. Les résultats obtenus montrent la faisabilité du système proposé ainsi que sa capacité à assurer une surveillance physiologique en temps réel et une stimulation mécanique adaptée. Cette approche constitue une solution portable, autonome et innovante pouvant contribuer à l’amélioration des dispositifs de prévention de la thrombose veineuse profonde.
Approches d’apprentissage profond pour la détection précoce des maladies : Jeux de données déséquilibrés
(University of Tlemcen, 2026-06-27) Cherrak, Mardjana
Le diagnostic précoce est un enjeu de santé publique, mais l’intelligence artificielle appliquée à l’imagerie se heurte au déséquilibre des classes, qui biaise les modèles vers les cas majoritaires. Ce mémoire propose un pipeline hybride corrigeant ce biais et assurant la transparence, combinant trois leviers (suréchantillonnage ciblé, augmentation des données et pondération adaptative des classes) dans un apprentissage en deux phases, avec EfficientNetB2 comme architecture de référence, sélectionnée parmi sept réseaux de neurones convolutifs. Les expérimentations, menées sur le jeu de données Alzheimer MRI pour la classification multiclasse des stades de démence, ont permis d’atteindre une accuracy de 96,72 %, un F1 score de 97,54 % et un rappel de 97,63 %, résultats comparables ou supérieurs à des architectures d’ensemble (Deep Ensemble) nettement plus lourdes et complexes. La capacité de généralisation de l’approche a été confirmée sur trois jeux de données indépendants (tumeurs cérébrales binaires, tumeurs cérébrales multiclasses, ostéoarthrite du genou), démontrant ainsi la transversalité pathologique du pipeline proposé. Sur le plan de l’interprétabilité, un protocole de validation rigoureux de l’IA explicable (XAI) a été mis en place. Fondé sur la méthode Grad-CAM, il combine des tests de cohérence mathématique, une analyse d’occlusion causale et un masquage anatomique. Ce cadre a permis de démontrer que les décisions du réseau reposent sur des biomarqueurs anatomocliniques pertinents, dont la cohérence a été validée qualitativement par une radiologue spécialiste. Ce travail, en alliant précision diagnostique, robustesse et transparence décisionnelle, propose un cadre méthodologique opérationnel pour le développement d’outils d’intelligence artificielle fiables et interprétables en routine clinique. Il ouvre par ailleurs des perspectives prometteuses pour l’extension de cette approche à d’autres pathologies et modalités d’imagerie, ainsi que pour son intégration dans des dispositifs médicaux certifiés.
Détection précoce de la maladie d’Alzheimer par l’approche multifractale combinée au CNN sur les imagesIRM
(University of Tlemcen, 2026-06-16) Draris, Fatima Zahra; Chelghoum, Abdelhadi
La maladie d’Alzheimer est une affection neurodégénérative progressive qui nécessite un diagnostic précoce afin d’améliorer la prise en charge des patients. Dans ce contexte, ce travail propose une approche automatique de détection basée sur la combinaison de l’analyse multi fractale et des réseaux de neurones convolutionnels (CNN) appliquée à des images cérébrales. L’analyse multifractale permet de caractériser la complexité locale des images à travers l’exposant de Hölder, offrant ainsi une description fine des structures cérébrales. Ces caracté ristiques sont ensuite exploitées par un modèle CNN afin d’assurer la classification entre sujets sains et patients atteints de la maladie d’Alzheimer. L’approche proposée a été testée sur des images médicales et les résultats obtenus montrent que la combinaison des méthodes multifractales et du deep learning améliore la performance de classification et la robustesse de la détection..
Individual Brain Identification via Functional Connectivity: From Classical Methods to Graph Attention Networks
(University of Tlemcen, 2026-06-22) Bensalem, Zakaria Mohab Eddine
Understanding the human brain as an individualised biological system has emerged as a central goal of contemporary neuroscience. This research investigates brain fingerprinting, the phenomenon whereby an individual’s functional connectome serves as a stable and unique biological signature. Despite high identification accuracies achieved using linear metrics such as Pearson correlation, current methods often fail to capture complex non-linear dependencies and discard vital non-Euclidean graph topology by flattening the connectome into vectors. This thesis proposes a systematic, three-stage experimental framework to address these limitations, evaluating models of increasing expressive capacity: a Pearson correlation base line, classical machine learning classifiers formulated as pairwise verification tasks, and deep Siamese architectures utilising Graph Neural Networks (GNNs) governed by an InfoNCE con trastive loss. Experiments are conducted on resting-state fMRI data from the HCP-Young Adult and HCP-Aging cohorts, with atlas resolution (Schaefer-100 vs. Schaefer-400) varied systematically across both datasets. Results demonstrate that supervised discriminative approaches significantly outperform unsupervised baselines. The Siamese Graph Attention Network (GAT) is the strongest per former across all conditions, achieving 100% identification accuracy on HCP-Aging at fine grained resolution. Its learned attention maps provide neurobiological interpretability by naturally prioritising the frontoparietal (Control) network, independently corroborating es tablished theories on inter-individual variability. Model rankings remain consistent across cohorts, with performance differences attributable to demographic and acquisition factors. Finer parcellations consistently benefit graph-based models while penalising linear classifiers, providing empirical guidance for future methodological choices. By establishing a robust, topologically-aware, and interpretable framework for brain fingerprinting, this work contributes to the advancement of individualised clinical tools and precision medicine.
La réalisation d’un audiomètre informatique sur PC développé sous environnement Python.
(University of Tlemcen, 2026-06-22) Soualah, Aya
Ce projet de fin d'études porte sur la conception et la réalisation d’un audiomètre informatique sur PC développé sous Python. L’objectif est de proposer une solution moderne et économique pour le dépistage des troubles auditifs par audiométrie tonale. Le système intègre la génération de signaux sonores, le contrôle de l’intensité acoustique ainsi qu’une interface graphique permettant le tracé de l’audiogramme en temps réel et la sauvegarde des résultats des tests dans une base de données. Les résultats obtenus démontrent la faisabilité et l’efficacité d’une solution logicielle dédiée au dépistage auditif et mettent en évidence le potentiel des technologies informatiques dans le domaine du génie biomédical.
Etude de l’impact des techniques d’équilibrage des données sur la performance de la classification dans le domaine médical
(University of Tlemcen, 2026) Elandaloussi,Fatima Zohra; Reguig, Abderrahmen
Ce mémoire s'intéresse à la détection automatique du diabète par des techniques d'apprentissage automatique (Machine Learning) et d'apprentissage profond (Deep Learning). Cette pathologie chronique majeure, qui touche des millions de personnes dans le monde, est caractérisée par un dysfonctionnement de la régulation glycémique lié à un défaut de sécrétion ou d'action de l'insuline. Dans ce travail, nous évaluons plusieurs modèles de classification sur une base de données clinique, en comparant rigoureusement leurs performances selon deux scénarios : avec et sans équilibrage des classes. La gestion du déséquilibre des données constitue en effet un enjeu critique en informatique médicale, où les classes pathologiques sont souvent minoritaires. Les résultats expérimentaux montrent que l'algorithme Extra Trees s'affirme comme le modèle le plus performant dans toutes les configurations : il atteint un score F1 de 97,82 % sans traitement préalable, et affiche des performances maximales de 100 % sur l'ensemble des métriques lorsqu'il est combiné avec la méthode de sur-échantillonnage SMOTE. Les modèles d'ensemble (Random Forest, Gradient Boosting, XGBoost) suivent de près ces performances, tandis que les approches linéaires et probabilistes montrent des limites évidentes. L'étude comparative révèle que l'équilibrage par SMOTE, ADASYN et améliore significativement la sensibilité des modèles, contrairement à l'approche RandomUnderSampler qui dégrade les performances en supprimant des informations cruciales. Par ailleurs, un réseau de neurones convolutionnels unidimensionnel (CNN 1D) a été implémenté ; bien que compétitif avec un score F1 de 96,83 % obtenu via SMOTE, il reste légèrement inférieur aux modèles d'ensemble optimisés. Pour concrétiser ces travaux, une interface graphique d'aide au diagnostic médical a été développée. Ce système permet aux professionnels de santé de saisir les données d'un nouvel échantillon clinique afin d'obtenir une prédiction instantanée, fiable et automatisée du risque de diabète. En conclusion, le couplage entre Extra Trees et SMOTE offre la solution de détection la plus robuste et la plus fiable. Ce travail démontre qu'une gestion appropriée du déséquilibre des classes est indispensable en médecine pour minimiser les faux négatifs, un impératif vital là où un retard de diagnostic peut entraîner de graves complications cliniques
Modèle intelligent pour la prédiction des anomalies cardiovasculaires
(University of Tlemcen, 2026-06-27) Hasnaoui,Wissem; GACEM,Nadjat
Ce travail porte sur le développement d’un modèle intelligent de prédiction des anomalies cardiovasculaires basé sur le Machine Learning. Pour cela, nous avons utilisé une base de données cardiologique contenant des informations cliniques de patients, puis nous avons implémenté et comparé quatre algorithmes de classification : SVM, KNN, Random Forest et les réseaux de neurones. Après une optimisation par GridSearchCV et une validation croisée, les résultats ont permis d’identifier le modèle le plus performant. Cette étude montre que le Machine Learning constitue un outil prometteur pour améliorer le dépistage précoce et assister le diagnostic cardiovasculaire.

Browse

Recent Submissions