Doctorat en GBM

Permanent URI for this collectionhttps://dspace.univ-tlemcen.dz/handle/112/5381

Browse

Now showing 1 - 20 of 67

Time-scale analysis and classification of electroencephalographic signals (EEG): Application on remote--surveillance of epilepsy
(University of Tlemcen, 2024-12-12) Hasnaoui, Lyna Henaa
Electroencephalography (EEG) stands as a cornerstone in non-invasive brain activity monitoring, offering invaluable insights with high temporal resolution. This dissertation focuses on harnessing EEG for the detection of epileptic activity, specifically targeting the precise delineation of epileptic zones responsible for abnormal electrical patterns within the brain. The meticulous mapping of these zones is pivotal for assessing patients with pharmacoresistant epilepsy, paving the way for targeted seizure-free interventions. Thus, this dissertation introduces two complementary subsystems: the Representative EEG Channel Creator (RECC) and the Seizure Affected EEG Channel Detector (SAECD). The RECC contributes to enhanced dimensionality reduction with up to 93.75%, improving the efficiency of epilepsy pattern detection with a sensitivity of 98.46%. Upon a positive response from the RECC indicating epileptic EEG, the SAECD subsystem is activated. Leveraging the Energy-to-Shannon-Entropy ratio and a k-means clustering approach, SAECD precisely localizes the epileptogenic focus and traces the path of seizure diffusion within the brain with a promising average silhouette range of [51.21-88.18]%. In addition to the innovative subsystems introduced, this study places a particular emphasis on the selection of an appropriate mother wavelet. The careful choice of this latter plays a crucial role in enhancing the accuracy and efficiency of the proposed epilepsy detection system. In addition to advanced signal processing techniques, this research incorporates engineered features. These latter are strategically designed to capture nuanced aspects of epileptic activity, contributing to the overall robustness and effectiveness of the proposed methodology. Furthermore, the dissertation embraces the realm of telemedicine with the introduction of Epileptica, an asynchronous application designed for remote access to the results generated by the developed EEG-type-independent system. This telemedical platform enhances accessibility to critical information, supporting neurologists in making informed decisions regarding patient care and the suitability for seizure-free surgery.
Analyse du signal phonocardiogramme par une technique non linéaire
(University of Tlemcen, 2022-06-22) Berraih, Sid Ahmed
Les maladies cardiovasculaires constituent actuellement la plus grande menace pour la santé humaine dans le monde. On sait qu'une investigation appropriée des anomalies des bruits du coeur fournit des informations cliniques vitales qui peuvent aider au diagnostic et à la gestion des pathologies cardiaques. Le signal phonocardiogramme (PCG) est toujours le principal outil de dépistage et de diagnostic de nombreuses pathologies du coeur humain. Dans ce travail, l'analyse des signaux de phonocardiogramme basée sur l'approche statistique d'ordre supérieur (HOS) ou également connue sous le nom d'analyse bispectrale est présentée. Pour un ensemble de signaux PCG avec plusieurs types de souffles, l'étude actuelle propose une présentation graphique unique du bispectre pour chaque type de signal phonocardiogramme. Cela peut être utilisé comme un outil visuel pour le diagnostic des dysfonctionnements cardiaques. De plus, un ensemble de paramètres basés sur les HOS et extraits des signaux PCG ont été étudiés. Ensuite, une étude des paramètres proposés a été réalisée. Les caractéristiques proposées s'avèrent être discriminantes en utilisant le test statistique ANOVA. Les caractéristiques sélectionnées ont été soumises aux méthodes d'apprentissage automatique KNN et SVM pour une classification automatique en cinq classes. D’après les résultats obtenus par l'analyse des différents bruits cardiaques, Il a été montré que les caractéristiques du bispectre peuvent avoir un bon potentiel pour discriminer et classer divers signaux PCG. En outre, les paramètres calculés semblent être un outil très approprié pour suivre la sévérité pathologique des signaux cardiaques sonores. Leur variation peut fournir de manière fiable une vision claire de l'importance croissante de la gravité cardiaque.
Medical Imaging Data Security
(University of Tlemcen, 2024-06-01) Abdi, Hadjer
Telemedicineleveragesadvancedtechnologiestoenhancehealthcare,makingitmoreaccessibleand cost-effective.Thisincludesimprovedsharingofmedicalimagingdataforaccuratediagnosesand treatments.However,dataexchangeraisesprivacyandsecurityconcerns. This thesisaimstoenhancemedicalimagingdatasecuritybyembeddingdigitalwatermarksand the ElectronicPatientRecord(EPR)withinimages,ensuringdataintegrityandconfidentiality.It combinesLiftingWaveletTransform(LWT)andFastWalshHadamardTransform(FWHT)for robustness andimperceptibility,withadditionalsecurityviaErrorCorrectingCode(ECC)and chaoticencryption. The ArtificialBeeColony(ABC)algorithmfurtherenhancesperformance.Testingonvarious datasets showedthemethod’ssuperiorityovertraditionaltechniquesusingmetricssuchasPSNR, SSIM, NC,andBER.
Détection des pathologies cérébrales par analyse temps–fréquence du signal Electroencéphalographique (EEG)
(University of Tlemcen, 2023) Ghembaza, Fayza
L’épilepsieestuneneuropathologiechronique,caractériséepardesmanifestations cliniques paroxystiquestransitoiresprovenantd’unedéchargeanormaleetexcessive d’une populationneuronale.L’électroencéphalographie(EEG)estlamodalitéderéfé- renced’explorationcérébralepourladétectionetlediagnosticdel’activitéépilepti- forme,ilpermetd’évaluerl’activitébioélectriquecérébraleparlebiaisd’unensemble d’électrodesplacéessurlecuirchevelu.D’autrepart,lesuividespatientsprésentant un risquedecrised’épilepsieestessentielpourgarantiruntraitementoptimaletpré- venirlescomplicationsdescrisesultérieures.Ainsi,laprédictiondescrisespermetaux patients derecevoirunealerteprécoceetd’agirefficacementparlebiaisdemédica- ments oud’autresmesurespréventives.Lecadrescientifiquedecettethèseseconcentre sur ledéveloppementdenouvellesapprochesdedétectionetdeprédictiondel’occur- renced’unecrised’épilepsieetdelocaliserlesgénérateurscorticauxcontinusparle traitement dessignauxEEG.Lesapprochesproposéesreposeprincipalementsurdes techniques detraitementdusignal,notammentlesdistributionstemps-fréquencequa- dratiques (QTFDs)telsquelespectrogramme(SP),ladistributiondePseudoWigner- Villelissée(SPWVD)etladistributiondeChoi–Williams(CWD),ainsiquedesnouvelles caractéristiques pertinentesextraitesdessignauxEEGetdesapprochesdecomplexité non linairecommel’entropiedeRenyi(RE)pouréventuellementlesincorporerdans des classifieursd’apprentissagesuperviséperformantspourladétectionetlaprédic- tion d’éventuellesanomaliesparoxystiquescritiques.L’algorithmeproposéestévalué sur labasededonnéesduChildren’sHospitalBoston(CHBMIT)ainsiquecellede la TempleUniversityHospital(TUH),produisantainsidesrésultatsencourageantsen termesdetauxtotaldeclassification(Acc),desensibilité(Sens)etdetauxdefausses alarmes(FPR).
La géométrie fractale dans le traitement et l’analyse des images médicales
(University of Tlemcen, 2023-10-05) Kermouni Serradj, Nadia
Cette thèse propose différentes approches d'analyse des images médicales basées les outils multifractals. L'analyse consiste à étudier les structures de l'image en calculant les mesures multifractales décrites par l'exposant de Hölder. Ces exposants sont ensuite utilisés pour construire le spectre multifractal. Enfin, différentes caractéristiques sont extraites de ce spectre et utilisés pour détecter les singularités et classer les images médicales. Ces approches sont appliquées pour l'analyse des images mammographiques et des images rétiniennes. Pour les images mammographiques, nous avons proposé une approche pour la détection des microcalcifications (MCs) qui sont les principaux signes de cellules précancéreuses, en prenant en considération les cas des tissus denses ou les MCs sont masquées par la densité mammaire. Le système comprend une étape de prétraitement basée sur le filtrage, la réduction de la densité mammaire, l'amélioration de contraste et le rehaussement de l'intensité des MCs en calculant les exposants de singularité locale à l'aide des mesures multifractales (l'image-α) qui décrivent les distributions des intensités dans les voisinages des pixels locaux. Cette étape a été évaluée en termes de PSNR et comparée avec d'autres méthodes de prétraitement. L'étape suivante consiste à identifier les ROIs normales et anormales, à calculer leur spectre multifractal et à extraire les caractéristiques multifractales pour les utiliser dans la classification. D'autre part, le taux de détection des MCs par l'approche proposée a été évalué en termes de sensibilité. En ce qui concerne les images rétiniennes, nous avons proposé une approche basée sur les attributs multifractals permettant de classer les images en fond d'oeil normal ou pathologique en prenant en considération plusieurs pathologies. Initialement, le fond noir de l'image est supprimé afin de réduire le temps de calcul. Puis, l'analyse multifractale est effectuée pour extraire les caractéristiques multifractales du spectre multifractal utilisées pour la classification. Aucune étape d'amélioration de contraste ou de segmentation n'a été effectuée. Pour les deux applications, le spectre multifractal a été calculé directement par l'approche statistique en utilisant la méthode des dimensions fractales généralisées. Les paramètres multifractals extraits du spectre montrent leur pouvoir dans la discrimination des cas pathologiques, qui présentent des singularités par rapport aux cas sains. Ils sont combinés avec les caractéristiques de la matrice de cooccurrence pour améliorer la précision de classification. Trois classificateurs sont testés et évalués en termes de sensibilité, spécificité et précision, dont le SVM a fourni les meilleures performances. Dans l'ensemble, les résultats expérimentaux sont très satisfaisants et surpassent les méthodes proposées dans la littérature. Ils démontrent que les outils multifractals sont de puissants descripteurs pouvant être utilisés efficacement pour la classification et la détection des anomalies dans les images médicales.
Analysis of echocardiographic image sequences to study left ventricular performance
(University of Tlemcen, 2023-09-25) Belfilali, Hafida
Cardiovasculardiseasesarepathologiesthataffecttheheartandbloodvessels.According to theworldhealthorganization,theyaretheleadingcauseofmortalityworldwide. Early diagnosisofcardiacfunctiondisordersiscrucialinreducingthemortalityrate. The LeftVentricle(LV)isavitalcomponentofthecardiovascularsystemandplaysa significantroleinbloodcirculation.Severalclinicalparameterscanbeestimatedfrom the LVstructureduringcardiovascularexamstoensurereliablediagnoses,includingleft ventricularvolumesandejectionfraction. Variouscardiacimagingmodalitiesallowvisualizationoftheleftventricularcavity. Echocardiographyisthemostwidelyusedtechniquebycardiologistsinroutineclinical practice duetoitsmanyadvantages.Theprimarymethodforestimatingclinicalpa- rameters isLVsurfacesegmentationfrom2Dechocardiographicimagesequences.The accurate evaluationoftheLVchamber’sfunctionreliesonthequalityofthesegmentation results. However,LVmanualdelineationbycardiologistsisdifficult,time-consuming,and imprecise duetothelowqualityofechocardiographicimages.Therefore,thereisaneed to automaticallysegmenttheLVfromechocardiographicimagesequencestoovercome these challenges. In thisthesis,ourobjectiveistodevelopafullyautomaticsegmentationframework based ondeeplearningtechniquestoassessLVperformanceusingechocardiographicim- ages. Wetestedtheeffectivenessoftheproposedapproachesbycomparingtheobtained results withgroundtruthdataandexistingstate-of-the-artmethodsinthisfield.The results aresatisfactory,underliningthesignificantpotentialofautomatedtechniquesfor echocardiographicimageanalysistohelpcardiologistsintheirdailyclinicalpractice.
Etude et analyse du ventricule gauche en ciné-IRM cardiaque
(University of Tlemcen, 2023) Dali Youcef, Sarra
Au cours des dernières décennies, l'imagerie par résonance magnétique cardiaque (IRM) a été acceptée dans la communauté cardiologique comme une modalité d'imagerie diagnostique, précise, et reproductible chez les patients atteints de cardiopathie ischémique. Il s'agit d'une modalité d'imagerie non invasive permettant de différencier entre les différentes structures du coeur. L'évaluation de la fonction cardiaque à partir des données IRM nécessite la mesure des volumes du ventricule gauche (VG). Pour ce faire, une délimitation précise des bords du VG est nécessaire. Cette étape est réalisée souvent manuellement par les médecins. Le but de cette thèse est de développer un algorithme de segmentation du VG sur les données IRM (3D+t) afin de simplifier le diagnostic de l'infarctus du myocarde (IDM) sur les images de rehaussement tardif (RT) et d’étudier la viabilité myocardique. Dans la première partie de la thèse, nous avons développé une méthode hybride basée sur l’application de trois algorithmes pour la segmentation du ventricule gauche. Le seuillage, la croissance de région et le modèle de contour actif sont combinés pour détecter la forme correcte du ventricule gauche et quantifier sa fonction. Afin d’obtenir une meilleure détection du VG, nous avons commencé par une étape de filtrage à l'aide du filtre de diffusion anisotropique pour résoudre les problèmes d'inhomogénéité des niveaux de gris dans la cavité due au flux sanguin. Cette méthode a été validée en comparant les résultats trouvés avec des tracés réalisés par des experts, et qui ont témoigné de la robustesse de l’approche proposée par rapport aux travaux de littérature. Dans la deuxième partie de la thèse, une seconde approche a été développée permettant de détecter des infarctus du myocarde et de quantifier automatiquement leurs extensions, en segmentant les images ciné puis en superposant les contours obtenus sur les images RT après une étape de recalage entre les deux acquisitions. La détection des IDM et la quantification de leurs extensions a été réalisée par application de l’algorithme d’espérance-maximisation (EM) sur les images RT segmentées. Cette méthode a été appliquée à une série de patients présentant un IDM interprété visuellement par un médecin.
Système d’aide au diagnostic pour la détection automatique du Glaucome et de la Rétinopathie diabétique
(University of Tlemcen, 2023-09-30) Elaouaber, Zineb Aziza
Le glaucome et la rétinopathie diabétique sont deux affections oculaires courantes qui peuvent entraîner des problèmes de vision sévères, voire la cécité, si elles ne sont pas détectées et traitées à temps. Il est important de souligner que ces deux pathologies peuvent être asymptomatiques aux premiers stades, ce qui rend le dépistage précoce essentiel pour prévenir des graves complications. Pour remédier à ce problème, nous avons développé un système autonome basé sur les techniques de traitement d’images et les algorithmes de l’intelligence artificielle pour dépister ces deux pathologies afin de réduire le risque de la cécité. Notre système développé dans cette thèse est basé sur trois étapes principales : La segmentation des différentes régions de l’oeil telles que le réseau rétinien, le disque optique, et le cup optique à partir des images rétiniennes en employant les modèles de deep learning. Ensuite, un ensemble de paramètres sont calculés à partir des images segmentées pour les utilisés dans l’étape de classification afin de distinguer entre un sujet sain et un sujet pathologique (glaucome ou rétinopathie diabétique). Cette étape a été effectuée à l’aide de plusieurs classifieurs d’apprentissage supervisé. Les méthodes proposées ont été testées sur différentes bases d’images publiques et une base collectée localement. Pour évaluer quantitativement les performances de nos méthodes diverses métriques d’évaluation sont calculées. D’après les résultats obtenus nous constatons que les modèles proposés ont donné des résultats remarquables, similaires ou même meilleurs que ceux de la littérature.
Sélection de variables et analyse d'association pour les données cliniques du Myélome Multiple
(University of Tlemcen, 2023-10-07) Guilal Ep. Hadj Kaddour, Rima
En résumé, cette thèse se concentre sur l'amélioration du diagnostic du myélome multiple en prédisant les tests les plus importants et en explorant les relations entre les variables et les stades du cancer. Les ré- sultats obtenus peuvent contribuer à améliorer l'e cacité du processus de diagnostic, tout en réduisant les coûts associés. De plus, l'utilisation de méthodes d'ensemble et de réseaux bayésiens a permis d'identi er les facteurs pronostiques les plus importants et d'explorer des relations causales intéressantes.
Vers Un Traitement Intelligent Et Transparent Des Données Médicales
(University of Tlemcen, 2023-11-11) Lahsaini, Ilyas
Problématique : La thèse examine l’efficacité des réseaux de neurones convolutifs (CNN) dans la classification des cas de pneumonie, une tâche essentielle pour le diagnostic médical précis. Elle aborde spécifiquement les défis posés par la pandémie de COVID-19, où un diagnostic rapide et fiable est crucial pour la gestion et le traitement des patients. Contexte : Dans un environnement médical où les méthodes de diagnostic traditionnelles rencontrent des limites en termes de précision et de rapidité, l’urgence de la crise COVID-19 a mis en évidence la nécessité d’outils de diagnostic avancés. La recherche vise à exploiter les capacités de l’intelligence artificielle pour améliorer la précision du diagnostic des maladies pulmonaires. Résultats : Le modèle CNN développé pour la pneumonie a démontré une précision remarquable de 93% et un score F1 de 92.96%, surpassant les résultats des études antérieures qui utilisaient des méthodes d’apprentissage par transfert ou des architectures plus complexes. Pour la détection du COVID-19, un modèle basé sur DenseNet201, combiné avec l’algorithme Grad-CAM, a produit des résultats exceptionnels, atteignant une accuracy de 98.8%, une précision de 99.5%, un rappel de 98.54% et une spécificité de 99.22%. Ces découvertes soulignent le potentiel significatif des CNN dans l’amélioration du diagnostic médical, surtout en période de crise sanitaire comme la pandémie de COVID-19.
Classification of medical documents and Opinions using machine learning
(University of Tlemcen, 2023-11-07) Youbi, Fatiha
In recent years, there has been increasing interest in the use of text mining (TM) and machine learning in healthcare. Document classi cation has been a common application, with many studies focusing on classifying medical reports from unstructured text data. However, there is also a need to utilize TM and machine learning for sentiment analysis of medical textual data in social networks and medical forums. In this thesis, the focus was on two TM applications in the medical domain: classifying autopsy reports to detect the manner of death in Wilaya of Tlemcen and analyzing patient and public opinions on healthcare and the COVID-19 pandemic using machine learning techniques. The experiments conducted in both studies showed that automated models for opinion analysis are task-speci c and that feature extraction and deep learning classi er architecture play important roles in the success of these models. The ndings could be useful for improving strategies related to drugs monitoring and COVID-19 surveillance. Future directions include exploring other types of deep learning techniques, using clinical documents for sentiment analysis, and analyzing Algerian health status based on machine learning and deep learning classi ers.
Analyse et traitement des signaux de polysomnographie en vue de la reconnaissance d’apnées du sommeil
(University of Tlemcen, 2023-06-11) Benghenia, Hadj Abdelkader
Le syndrome d’apnées-hypopnées du sommeil (SAHS) est un trouble respiratoire fréquent caractérisé par des pauses respiratoires pendant le sommeil en raison d'une obstruction des voies respiratoires supérieures. Cette maladie est très fréquente et a des conséquences importantes sur la santé qui entraînent une augmentation des taux de mortalité des personnes touchées, si elles ne sont pas diagnostiquées ou traitées correctement. Le test standard pour diagnostiquer cette maladie est la polysomnographie, qui consiste à enregistrer de nombreux signaux pendant une nuit entière dans des unités de sommeil spécialisées sous la supervision de personnel spécialisé. Son principal inconvénient est le prix et les ressources nécessaires pour analyser chaque patient. Cette thèse s'inscrit dans un corpus de travaux qui vise à contribuer au développement d'une méthode alternative de diagnostic basée sur un signal physiologique unique. Plus précisément, l'utilisation d'un signal électrocardiogramme (ECG) et signal électroencéphalogramme (EEG) est suggérée, car malgré le fait que l'apnée du sommeil soit un événement respiratoire, ses effets peuvent être clairement observés dans d'autres systèmes périphériques. Le premier objectif était d'approfondir la caractérisation des processus physiologiques qui sous-tendent l'apnée du sommeil, afin d'extraire des informations importantes des signaux ECG et EEG. Cela nous a permis de concevoir des systèmes d'évaluation de l'apnée du sommeil qui tirent parti du pouvoir discriminant des meilleures caractéristiques. Concrètement, des systèmes ont été développés qui évaluent, d'une part, la présence ou l'absence d'apnée toutes les événements, et d'autre part, la classification des sujets en fonction du nombre de minutes d'apnée qu'ils accordent.
Analyse Temps-Fréquence du signal Electromyogramme (EMG)
(University of Tlemcen, 2022-06-19) Mokdad, Aicha
Pour un diagnostic fiable de l'état de fonctionnement du muscle et son devenir en cas de maladie, cette étude entend d'analyser pas à pas le signal EMG à partir d'un ensemble de caractéristiques qui étaient auparavant utilisées par plusieurs chercheurs pour traquer les troubles les plus ambigus et leur traitement, nous parlerons ici de la sclérose latérale amyotrophique et les moyens de prouver ou de nier son existence, Cette étude est constitué essentiellement de trois parties, une base de données des signaux EMGs intramusculaire a été collecté, la première partie est basé sur les technique de prétraitement : de débruitage, l’analyse temporelle, fréquentielle et l’analyse bispectrale, la partie suivante qui fera appel à des techniques d’analyse temps-fréquence (transformé de Fourier à court terme, transformée d’ondelettes) pour obtenir des caractéristiques spectro-temporelle des signaux EMGs qui sont de nature non stationnaire, la dernière partie qui pourra utiliser les résultats spectro-temporelle obtenus pour aider à la compréhension et à la classification des signaux EMG selon la pathologie et sa sévérité. Ce sont les différentes étapes qui sont réalisées pour finaliser ce travail.
Intelligent Internet of Things (I2oT) for biomedical applications. Case study: Intelligent Pancreas
(University of Tlemcen, 2023-09-30) Fellah Arbi, Khadidja
The Internet of Things (IoT) has revolutionized the healthcare industry and has the potential to connect physical and virtual objects through communication capabilities, providing data collection, management, and other services. Particularly, research has been conducted on the use of IoT in mHealth applications, with a focus on diabetes self-management. This thesis proposes a novel architecture for an IoMT health system for diabetes self-management, particularly an artificial pancreas. The system is composed of three different parts: a novel approach for continuous glucose monitoring based on ECG signal, an intelligent algorithm (model predictive controller) to predict the insulin rate required for maintaining the blood glucose in the normal range, and an IoMT-platform architecture based on a smartphone application to connect the different devices and permit remote monitoring. The proposed system is designed to ensure that the blood glucose level is always within the normal range, providing real-time BG monitoring using a non-invasive, affordable device, an insulin rate calculator coupled with an autonomous injection system, and alert and advisory services to prevent potentially life-threatening scenarios. The system is remotely monitored by healthcare administrators, making it an indispensable aspect of diabetes management. The proposed system is reliable, scalable, and user-friendly, and the intelligent algorithms used for ECG data analysis and insulin rate calculation are suitable for the specific requirements and characteristics of the IoT project. Remote health monitoring technologies are revolutionizing the healthcare business and enhancing people's lives, and this thesis contributes to that revolution by proposing a novel architecture for an IoMT health system for diabetes self-management.
Etude et analyse du ventricule gauche en ciné-IRM cardiaque
(University of Tlemcen, 2023) Dali Youcef, Sarra
Au cours des dernières décennies, l'imagerie par résonance magnétique cardiaque (IRM) a été acceptée dans la communauté cardiologique comme une modalité d'imagerie diagnostique, précise, et reproductible chez les patients atteints de cardiopathie ischémique. Il s'agit d'une modalité d'imagerie non invasive permettant de différencier entre les différentes structures du coeur. L'évaluation de la fonction cardiaque à partir des données IRM nécessite la mesure des volumes du ventricule gauche (VG). Pour ce faire, une délimitation précise des bords du VG est nécessaire. Cette étape est réalisée souvent manuellement par les médecins. Le but de cette thèse est de développer un algorithme de segmentation du VG sur les données IRM (3D+t) afin de simplifier le diagnostic de l'infarctus du myocarde (IDM) sur les images de rehaussement tardif (RT) et d’étudier la viabilité myocardique. Dans la première partie de la thèse, nous avons développé une méthode hybride basée sur l’application de trois algorithmes pour la segmentation du ventricule gauche. Le seuillage, la croissance de région et le modèle de contour actif sont combinés pour détecter la forme correcte du ventricule gauche et quantifier sa fonction. Afin d’obtenir une meilleure détection du VG, nous avons commencé par une étape de filtrage à l'aide du filtre de diffusion anisotropique pour résoudre les problèmes d'inhomogénéité des niveaux de gris dans la cavité due au flux sanguin. Cette méthode a été validée en comparant les résultats trouvés avec des tracés réalisés par des experts, et qui ont témoigné de la robustesse de l’approche proposée par rapport aux travaux de littérature. Dans la deuxième partie de la thèse, une seconde approche a été développée permettant de détecter des infarctus du myocarde et de quantifier automatiquement leurs extensions, en segmentant les images ciné puis en superposant les contours obtenus sur les images RT après une étape de recalage entre les deux acquisitions. La détection des IDM et la quantification de leurs extensions a été réalisée par application de l’algorithme d’espérance-maximisation (EM) sur les images RT segmentées. Cette méthode a été appliquée à une série de patients présentant un IDM interprété visuellement par un médecin.
Segmentation et Analyse des images OCT de la rétine pour l’étude de la variabilité rétinienne
(2022-10-23) Ben Khelfallah, Amel
La tomographie par cohérence optique (OCT) est une méthode d'imagerie biomédicale basée sur l’interférométrique à faible cohérence permettant de visualiser les structures rétiniennes avec une grande précision. En particulier, avec les progrès récents de l’OCT dans le domaine spectral (SD-OCT), une résolution plus élevée et davantage de données ont été acquises pour le diagnostic clinique. Mais en l'absence d'une approche de quantification rapide et précise pour un plus grand nombre de données, il n'est pas pratique pour les ophtalmologistes ou les cliniciens de diagnostiquer directement les maladies de la rétine en utilisant l'épaisseur totale de la rétine ou l'épaisseur de la couche de fibres nerveuses qui sont fournies par le système OCT. Par conséquent, il devient de plus en plus impératif de disposer d'une approche de segmentation automatique des couches rétiniennes dans les images OCT pour le diagnostic clinique ou l'investigation. C'est dans ce contexte que le premier objectif de ce travail de thèse s'inscrit, où nous proposons une nouvelle méthode de segmentation d'images OCT de sujets sains qui se base sur la théorie des graphes et la programmation dynamique. Cette méthodes exploite des connaissances a priori sur la structure et l'apparence des couches rétiniennes. Une autre originalité de notre approche est qu'elle nous permet de traiter efficacement des sources de problèmes antérieures, notamment la fusion des couches au niveau de la fovéa, la réflectivité inégale des tissus et l'hypo-réflectivité des vaisseaux. Les résultats montrent que cette méthode segmente avec précision sept limites de couches rétiniennes dans des yeux normaux, de façon plus proche d'un expert. Deux lésions maculaires majeures font l'objet de recherches intensives, à savoir la dégénérescence maculaire liée à l'âge (DMLA) et l'oedème maculaire diabétique (OMD), car elles sont à l'origine de la majorité des pertes de vision irréversibles. Leurs signes les plus significatifs sont l'apparition d'exsudats et l'accumulation de liquide, induisant ainsi la modification de la structure de la couche rétinienne. Il est donc crucial de les détecter à un stade précoce pour traiter l'oeil à temps et prévenir toute perte de vision. C'est dans ce cadre que s'inscrit le deuxième objectif de cette thèse, où nous avons construit un nouveau modèle hybride nommé algorithme de clustering K-moyennes basé sur la génétique (Genetic-based K-Means (GBKM) clustering algorithm) qui combine l'efficacité et la capacité de recherche locale de l'algorithme K-moyennes avec la capacité d'améliorer de l'algorithme génétique afin d'améliorer la qualité de la segmentation et d'obtenir un meilleur effet de clustering. L'approche proposée est évaluée sur une base de données de plus de 100 images par un protocole de VI validation quantitative diversifié afin de juger de sa qualité. Les résultats obtenus sont efficaces et prometteurs par rapport à ceux présentés dans la littérature.
The use of heart rate variability along with non-cardiac Muscles to distinguish physical activity from stress
(2014) Benosman, Mourad Mohammed
Dans ce travail, nous nous somme intéresser à améliorer la précision de la mesure de l’activité physique lorsqu’un moniteur de la fréquence cardiaque est utilisé et cela sans ajouter aucun appareil. Cela par l’élimination des erreurs apporté au signal du rythme cardiaque lors de la présence du stress chez l’individu ou l’activité physique est évalué. Il fallait donc développer une méthode qui peut séparer l’activité physique et le stress. La méthode développée est basée sur l’utilisation de l’activité électrique musculaire (EMG) de l’abdomen en combinaison avec celle du cœur (ECG). Dans un premier temps, nous avons développé un appareil pour acquérir les deux signaux (ECG, EMG) et les envoyer à un ordinateur pour l’application des algorithmes développés. Avec ce dernier, plusieurs expériences ont été menées dans les deux universités, Tlemcen, Algérie et Linköping, Suède. Les résultats ont été assez positif pour conclure que l'utilisation de l'activité électrique de l'abdomen en combinaison avec du cœur peut être utilisé pour séparer l'activité physique et le stress et ainsi améliorer l'évaluation de l'activité physique sans utiliser d'autres appareils, mais seulement le moniteur de fréquence cardiaque.
Réalisation d’un système de surveillance cardiaque et respiratoire à distance
(2022-09-22) Bendimerad, Abderrahmen
Le signal électrocardiogramme (ECG) représente l’activité électrique du coeur. Dans notre travail, nous allons présenter une nouvelle architecture d’ECG portable sans fil. L'estimation de la respiration dérivée de l'ECG (EDR) est également développée. Deux formes d’apnée du sommeil dont identifiée : l’apnée du sommeil obstructive (OSA) et l’apnée du sommeil centrale (CSA). La transformée en ondelette continue (CWT) et le réseau neuronal convolutionnel (CNN) sont utilisées pour la detection de l’apnée du sommeil basé sur des signaux ECG à une seul derivation. Les architectures CNN, GoogLeNet et SqueezeNet sont utilises pour classifier l’ECG en deux catégories: apnée et normal. Un système d’identification biométrique basé sur les paramètres du signal ECG est développé. L’avantage de la méthode proposée est d’extraire les informations à partir d’un seul signal en utilisant le CWT et le CNN. Le CNN accepte les images RVB (red, green, blue). Ainsi, il est nécessaire dans un premier temps de convertir les données ECG en images en utilisant la transformée en ondelettes continue (CWT). Un résultat de 97,75 % de performance a été obtenu dans la détection de l'identification biométrique individuelle.
La Bioimpédancemétrie Appliquée au diagnostic médical : Application au Signal ICG The Bioimpedancemetry Applied in Medical Diagnosis: The ICG Signal Application
(2022-07-06) Benabdallah, Hadjer
Grâce aux avancées dans le domaine de la technologie biomédicale, la surveillance hémodynamique peut être effectuée à l’aide des méthodes non invasives telles que la cardiographie par impédance. Cette technique est fiable, sûre, simple, sécurisée et moins coûteuse ; elle est utilisé pour le diagnostic et la surveillance continue des maladies cardiovasculaires. La technique non invasive d’ICG vient pour résoudre le problème de complexité de la mesure et de l'analyse des maladies cardiaques, basant sur l'évaluation de changement d'impédance électrique thoracique qui est dus aux changements de vitesse et de résistivité du sang afin d'estimer plusieurs paramètres hémodynamiques. Ce type de signal est altéré par des artefacts qui ruinent l’information significative du signal. Cette distorsion pousse les cliniciens vers un mauvais diagnostic et une mauvaise surveillance de l'état pathologique des patients, dans lesquels il est important de trouver des techniques pour éliminer les bruits sans détruire la morphologie de notre signal. Pour cette raison, le domaine du traitement du signal a développé plusieurs techniques de débruitage appliquées à la suppression des bruits respiratoires et de mouvement sans déformer la forme du signal. Nos trois méthodologies de débruitage sont basées sur plusieurs études comparatives entre différents types de filtres adaptatifs et le filtrage Savitzky-Golay (SG), la décomposition en valeurs singulières (SVD) avec des carrés moyens maigres (LMS), la famille des ondelettes orthogonales : ondelettes de Daubechies (db) et Symlet (sym) avec plusieurs types de seuillage tels que Shrinkage, NeighBlock et seuil classique comme Rigrsure et Sqtwolog ; ils sont tous comparés aux filtres linéaires ainsi qu'au filtre adaptatif basé sur LMS. L'évaluation a été faite sur 10 sujets et les résultats ont montré une efficacité, où la meilleure méthode en termes de réduction de bruit est les ondelettes sym8 au niveau 5, et la technique de seuillage la plus optimale est la technique Rigrsure avec un taux d'erreur moyen (MER) égal à 0,0001 %. La détection automatique des points caractéristiques nous a permis de calculer les indices cardiaques et par la suite d'extraire des informations significatives sur l'état de chaque patient. Dans notre travail, nous avons développé un algorithme sous Matlab pour le traitement et l'identification de points caractéristiques sur les 10 signaux ICG. Ce nouveau algorithme vise à détecter les points B, C et X en utilisant un modèle mathématique simple basé sur deux cloches pour étudier les signaux ICG pendant 26 cycles ; les ondes de pré-éjection et d'éjection. Les résultats améliorent considérablement l'efficacité et la précision de l'estimation LVET pour l'estimation battement par battement dans certaines conditions. La détection est réalisée sur les signaux ICG de 10 sujets sains. Les résultats des calculs montrent une efficacité et une précision ; par rapport à la plage normale d'une personne en bonne santé (saine). Pour estimer les indices cardiaques et les intervalles de temps, nous trouvons une solution efficace et simple. Nous avons développé une application d'accès automatique pour aider les cliniques à analyser les signaux ICG et électrocardiogramme (ECG), soit localement, ou à distance. Cette application a pour objectif de mettre à disposition des médecins toutes les informations nécessaires pour les aider à établir un diagnostic rapide et fiable soit localement soit à distance. Cette application est un accès automatique en temps réel permettant d'optimiser la qualité des soins et la rapidité du diagnostic, quelle que soit leur situation géographique. Elle est réalisée selon deux critères : le stockage de l'information et la manipulation des données. Cette application est basée sur trois logiciels : Java Netbeans, Matlab, et WAMP/EASYPHP (MySQL) pour le développement web.
Analyse temps–fréquence à haute résolution du signal HRV : Application à la télésurveillance des arythmies cardiaques
(2022-06-19) Hadj Ahmed, Ismail
L’altération du contenu du signal de variabilité cardiaque HRV (Heart Rate Variabi- lity) permet de détecter plusieurs pathologies cardiovasculaires telles que l’infarctus du myocarde aigu, l’insuffisance cardiaque congestive, la neuropathie diabétique, etc. L’analyse du signal HRV par des méthodes d’analyse temps–fréquence (TF) à haute résolution permet de mieux caractériser la non–stationnarité de ce signal, mais à une performance affectée par les termes croisés qui apparaissent dans le plan TF. L’ana- lyse TF par des méthodes quadratiques à des noyaux d’analyse à haute résolution permet de réduire l’effet de ces termes croisés au profit d’une représentation adé- quate du contenu du signal HRV. Dans le cadre de cette thèse, nous avons développé un modèle client–serveur mis en œuvre comme plateforme de télémédecine pour la surveillance à distance en temps réel de la fonction cardiovasculaire chez les patients souffrant d’arythmie. Cette plateforme est capable de détecter et de classer une aryth- mie cardiaque en temps réel via une interface utilisateur graphique (GUI : Graphical User Interface) à l’aide de méthodes d’analyse temps–fréquence, d’extraction et de sé- lection de caractéristiques, et de classification de la variabilité du rythme cardiaque (VRC) enregistré à l’aide d’un système d’acquisition de données. Le système d’acqui- sition de données que nous avons développé est conçu autour du Raspberry Pi Zero qui communique avec un serveur à travers un protocole TCP/IP via une connexion sécurisée par la couche de sécurité de transport (TLS : Transport Layer Security) pour une connexion fiable entre le client et le serveur. Cette plateforme télémédicale adopte un contrôle et une surveillance continus du rythme cardiaque

Browse

Recent Submissions