Doctorat en GBM

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

Browse

Now showing 1 - 20 of 77

Dévlopement d’outils d’analyse et de classification des images IRM pour l’aid au diagnostic médical : Application au diagnostic et à la detection précose du cancer de la Prostate
(University of Tlemcen, 2026-04-08) Youbi, Mohammed Ridha
Le cancer de la prostate (CaP) présente une grande hétérogénéité biologique, rendant cruciale la distinction entre les formes cliniquement insignifiantes (ciPCa), gérées par surveillance active, et les formes significatives (csPCa), nécessitant un traitement. L’imagerie par résonance magnétique multiparamétrique (IRMmp), basée sur le système PI-RADS, est la référence actuelle, mais reste limitée par la subjectivité du contourage manuel des lésions, entraînant une variabilité inter-observateur, une faible reproductibilité des biomarqueurs radiomiques et de nombreuses biopsies inutiles. Pour répondre à ces défis, cette thèse propose un pipeline diagnostique entièrement automatisé, structuré en deux phases. La première assure une détection objective des lésions via une méthode innovante de segmentation non supervisée : le Fuzzy C-Means à Double Parcours, combinant analyses texturales filtrée et non filtrée, avec un Indice de Jaccard (IoU) de 0,89, garantissant ainsi la fiabilité des régions d’intérêt. La seconde phase classe l’agressivité tumorale selon le Gleason Grade Group (GGG) à l’aide d’un vecteur de biomarqueurs radiomiques, comprenant des deep features non linéaires issues d’un ResNet50 pré-entraîné. Deux approches sont comparées : un modèle d’apprentissage automatique (LASSO-RFE) pour l’interprétabilité, et un réseau neuronal convolutif (CNN) pour la performance. Les deux atteignent d’excellents résultats (AUC-ROC = 0,95 ; précision, sensibilité et spécificité ≈ 92–93 %), mais le CNN est retenu pour sa robustesse et sa meilleure capacité de généralisation. Ce système d’aide au diagnostic (CAD) permet de clarifier les cas ambigus PI-RADS 3, de réduire les biopsies superflues et de renforcer la sécurité de la surveillance active, marquant une avancée significative vers une intégration clinique fiable de l’intelligence artificielle en oncologie prostatique.
Développement et réalisation d'un dispositif de mesure du signal électromyogramme EMG : analyse et traitement en vue de l'évaluation de la fatigue musculaire
(University of Tlemcen, 2026-02-12) Didi, Ahmed Ali
La présente thèse s’inscrit dans le domaine du génie biomédical et porte sur la prédic tion de la force musculaire et la détection des phases locales de fatigue à partir du signal électromyographique de surface (sEMG). Un système matériel dédié a été développé pour l’acquisition synchrone du signal sEMG (1600 Hz) et de la force musculaire (80 Hz) à l’aide d’un amplificateur AD620, d’un module HX711 et d’une carte Arduino/ESP32, assurant une mesure fiable et reproductible. Sur le plan algorithmique, plusieurs modèles de régression ont été comparés à des approches de classification traditionnelles afin d’évaluer la capacité des modèles à suivre les variations continues de la force et à détecter les transitions entre les trois phases de fatigue (non fatiguée, transition, fatiguée). Dix modèles de régression ont été testés (MLR, Ridge, Lasso, ElasticNet, PCR, PLS, SVR, Random Forest, Gradient Boosting et ANN), avec une validation Leave-One-Subject-Out (LOSO) pour garantir la généralisabilité inter sujets. Une optimisation originale basée sur la minimisation des mismatches (désaccords entre la phase réelle et la phase prédite) a été proposée, en remplacement de l’optimisation classique par corrélation. Cette approche a permis une amélioration significative de la détection des phases de fatigue, confirmant la supériorité des modèles de régression sur les modèles de classification pour ce type d’application biomédicale.
Etude et optimisation des facteurs influençant la qualité d’image en médecine nucléaire
(University of Tlemcen, 2026-03-14) Benyelles, Asma
La médecine nucléaire est une spécialité d'imagerie qui permet d'étudier le fonctionnement des organes à l’aide de faibles doses de radiotraceurs. Les deux modalités principales utilisées sont la Tomographie par Émission de Positrons (TEP) et la Tomographie par Émission Monophotonique (TEMP). Bien que ces techniques réduisent l'exposition du patient aux rayonnements, l'utilisation de faibles activités de radiotraceurs génère intrinsèquement un bruit élevé et une dégradation de qualité d’image, rendant difficile la détection des structures pathologiques fines et compromettant la précision diagnostique. Pour surmonter ce défi, cette thèse s’appuie sur une synergie entre la simulation physique et l'intelligence artificielle (IA). Dans un premier temps, le logiciel de simulation GEANT4 a été utilisé pour modéliser les interactions des rayonnements avec les détecteurs, dont le but d’optimiser la résolution en énergie. Parallèlement, l'apprentissage profond a été déployé pour améliorer la qualité d'image : un Réseau Antagoniste Génératif (GAN) a été spécifiquement conçu pour réduire efficacement le bruit au niveau du sinogramme avant la reconstruction de l'image, tandis qu'un Réseau à Attention par Canal Résiduel (RCAN) a été appliqué pour améliorer considérablement la résolution spatiale des images reconstruites. Les résultats obtenus, qui surpassent les performances des méthodes existantes rapportées dans la littérature, démontrent que cette approche combinée permet de produire des images TEP et TEMP de qualité supérieure, tant en termes de netteté que de fidélité quantitative. Ces avancées facilitent l’interprétation clinique et contribuent à un diagnostic plus précis, fiable et reproductible.
Reconstruction 3D du foie pour une planification chirurgicale personnalisée.
(University of Tlemcen, 2025-04-12) Benahmed,Amina
Les avancées récentes en intelligence artificielle et en traitement d’image médicale ont considérablement amélioré la planification chirurgicale, notamment en chirurgie hépatique. La reconstruction 3D du foie à partir d’images tomodensitométriques représente un enjeu majeur pour la visualisation anatomique préopératoire. Nous proposons une méthode automatisée de reconstruction tridimensionnelle du foie en combinant la segmentation par réseau de neurones convolutifs U-Net pour le parenchyme hépatique, un seuillage fondé sur les valeurs de Hounsfield pour les structures vasculaires, et l’algorithme Marching Cubes pour la reconstruction 3D à partir des isovaleurs extraites. L'entraînement a été effectué sur les bases Task03_Liver et 3Dircadb01, avec une optimisation des hyperparamètres (taux d’apprentissage, nombre d’époques, taille de batchs, régularisation). Les performances ont été évaluées sur la base Task08_HepaticVessel. Le modèle a obtenu des résultats de segmentation très satisfaisants, supérieurs à ceux rapportés dans la littérature, selon les métriques classiques (Dice, précision, rappel). La visualisation 3D en rendu transparent du foie et de son arbre vasculaire, intégrant le modèle d’illumination de Phong, améliore considérablement l’interprétation clinique. Cette méthode offre une solution robuste pour la planification chirurgicale assistée par l’IA. Des perspectives d'amélioration incluent l'intégration d'une segmentation hépatique selon les segments de Couinaud pour une planification plus fine.
Biometric Recognition System based on Analysis and Classification of Physiological Signals
(University of Tlemcen, 2025-12-11) Benabdallah,Amel
This dissertationexplorestheinnovativedomainofbiometricrecognitionsys- tems, focusingontheanalysisandclassificationofphysiologicalsignalsasamethod to improvepersonalidentificationandauthenticationprocesses.Thediscussion delvesintovariousphysiologicalsignalsfusionintoourdevelopedbiometricframe- work,suchaselectrocardiography(ECG),ImpedanceCardiography(ICG)and ContinuousBloodPressure(BP)signalshighlightingtheirsignificanceinbiomet- ric applications.ByemployingadvancedmachinelearningtechniquesandANN, signal processingalgorithmsandablationstudy,thecurrentstudydemonstrates howthesesignalsprovideuniquecharacteristicpatterntoeachindividualtailored with multitasksoftheproposedbiometricsystem.Furthermore,thisdissertation addresses thechallengesfacedinreal-worldimplementations,includingdatapri- vacyconcerns,andtheneedforrobustclassificationmodels.Resultsindicatethe Fine Gaussian-SVMmodelachievedan88.14%accuracyduringtraining,witha recall of95.09%,precisionof94.33%,andaKappacoefficientof87.7%.Inthe test set,FG-SVMdemonstrated93.33%accuracy,balancedrecallandprecisionof 93.33%, andaKappacoefficientof92.9%.TheBi-layeredANNmodelexhibited superiortrainingperformance,attaining93.3%accuracy,94.56%recall,93.17% precision, andaKappacoefficientof93.1%.Notably,inthetestset,Bi-layered ANN achievedperfectaccuracy,recall,precision,andKappacoefficientof100%. The presentedfindingsenrichthedataset,aimtocontributetothegrowingbody of knowledgeinbiometrictechnology,showcasingthepotentialofbloodpressure signal analysisasacornerstonefornext-generationbiometricrecognitionsystems. This researchoffersvaluableinsightsforacademicandhealthcaresectorswhich enhance operationalefficiencybyimprovingpatientsatisfactionthroughmitigate misidentificationofpatients,whilealsominimizingcosts,medicalerrors,andpre- ventingfraudofstakeholdersinterestedinthefutureofbiometricauthentication solutions.
Development of a diagnostic aid system for neurodegenerative pathologies: Application to the detection of Alzheimer’s disease
(University of Tlemcen, 2025-05-15) Saim, Meriem
Alzheimer’s disease (AD) is a degenerative disorder and one of the most widespread forms of dementia, with no current cure available. This absence of a cure has led the medical field to focus on managing the symptoms of the disease. However, its progressive nature complicates the identification of disease stages, often requiring years of expertise. Consequently, computer-aided diagnostic systems are essential to assist clinicians in accurately defining disease stages, enabling more targeted and effective treatments. Given the lack of a cure, early detection of AD, particularly at the Mild Cognitive Impairment (MCI) stage, is crucial to slow or halt disease progression. However, distinguishing MCI symptoms from normal aging remains challenging, even with MRI imaging, due to the subtle differences across MCI substages. This thesis focuses on accurately classifying AD stages, emphasizing early-stage detection. Two MRI databases were utilized, leading to four methodologies addressing specific challenges while fulfilling the research objectives. The first system combines the Histogram of Oriented Gradients (HOG) with the Bias Correction Fuzzy C Means algorithm and machine learning classifiers, achieving an accuracy of 96.8% for the first database and 96% for the second. The second system shifts to the frequency domain, employing the Fast Finite Shearlet Transform (FFST) and Gray Level Co-occurrence Matrix (GLCM) angles, resulting in 72% accuracy for the first database. Building on these approaches, the third system leverages inductive transfer learning with layer-wise fine-tuning of ten pre-trained models. The best results were achieved using the Xception architecture, yielding 85.19% accuracy for the first database and 77.23% for the second using VGG19. Finally, the fourth methodology integrates machine learning and deep learning by automatically extracting features and refining them using Bayesian optimization. It achieves an accuracy of 98.45% for the first database and 78.54% for the second. These methodologies address critical research questions and highlight the importance of feature quality, hyperparameter optimization, and data augmentation techniques in medical imaging. The findings underscore the potential of advanced computer-aided diagnostic systems to enhance the detection and staging of Alzheimer’s disease.
Early detection of pathological behaviors by studying heart sounds
(University of Tlemcen, 2025) Hakkoum, Khaoula Nour El Houda
This thesis investigates advanced signal processing techniques for the early detection and management of cardiac pathologies, focusing on the analysis of phonocardiogram (PCG) signals and intracardiac pressure estimation. It emphasizes the significance of accurate cardiovascular health assessment as a critical factor in improving patient outcomes. The research employs artificial intelligence (AI) methodologies, leveraging machine learning algorithms to enhance the accuracy of pathological identification in PCG signals. Additionally, it explores non-invasive methods for estimating cardiac pressures, highlighting their crucial role in diagnosing conditions such as heart failure, valvular disorders, and pulmonary hypertension. The findings demonstrate that integrating AI with traditional cardiac monitoring can significantly improve diagnostic precision, facilitating timely clinical interventions and paving the way for more effective cardiovascular disease management.
Multiparametric Study of Physiological Signals for the Recognition of Sleep Disorders
(University of Tlemcen, 2025) Sifi, Nouria
This dissertation presents a multiparametric study of physiological signals for the recognition of sleep disorders, which are common health issues with severe impacts on quality of life and public health. This study involves an in-depth analysis of sleep dynamics, classification of its stages, and associated disorders using advanced techniques in biosignal processing and machine learning. The research begins by examining the medical context of sleep, including its definition, different stages, and major related disorders such as insomnia, sleep apnea, and movement disorders during sleep. The study also focuses on the role of polysomnography (PSG) in evaluating these disorders through the analysis of electroencephalography (EEG), electrocardiography (ECG), electrooculography (EOG), and electromyography (EMG) signals. This study adopts a multi-signal approach for accurate sleep stage classification, utilizing advanced machine learning techniques such as the K-Nearest Neighbors (KNN) algorithm and wavelet functions for feature extraction. Classification accuracy is further improved by selecting optimal features using deep learning networks and enhancing model performance through techniques such as Gaussian noise augmentation. The results show that integrating multiple physiological signals and analyzing them at different levels significantly enhances sleep stage classification accuracy and the detection of associated disorders. This approach represents a promising step toward developing intelligent, cost-effective, and highly efficient diagnostic tools, contributing to improved diagnosis and treatment of sleep disorders.
Synthesis and comparison of analysing techniques for cardiac pathologies
(University of Tlemcen, 2025-04-29) Debbal, Imane
Phonocardiogram (PCG) signal processing helped uncover many crucial parameters that reflect the presence of a specific pathology. Therefore, we conducted a synthesis and comparison study focusing on research using various spectral and spectro-temporal techniques on PCG signals, such as the Fast Fourier Transform (FFT), Short Time Fourier Transform (STFT), Discrete Wavelet Transform (DWT), and Bispectral analysis. We extracted several parameters, including the frequency band, spectral entropy, entropy of approximation coefficients, temporal and frequency extents, entropy of phase, third-order moment, and more. We achieved promising results and high accuracies using these parameters for discriminating, classifying, and assessing the severity of cardiac pathologies. Finally, using complex feature-selection algorithms and machine learning/neural network classifiers, we compared the techniques and parameters to identify the optimal ones for cardiac severity assessment.
Analysis of surgical artifacts of laparoscopic images as part of the 3D modeling of an automated optic cleaning device
(University of Tlemcen, 2025-05-15) Belmokeddem, Mohamed
During minimally invasive surgery, the laparoscope lens is often contaminated by surgical artifacts such as blood, smoke, and fog. This project aims to develop a software solution for automatically detecting these artifacts to trigger the cleaning of the laparoscope’s optical surface and propose a hardware solution for optimal cleaning. Concerning the software, two artificial intelligence-based models are developed: a machine-learning method using a cascaded support vector machine and a deep learning model with ResNet-50. The Laparoscopic Video Quality database is used for training, testing, and validating the results. The deep-learning approach demonstrates superior accuracy, achieving detection rates of 97.5% for defocus blur, 97.5% for motion blur, and 85% for smoke. However, the machine-learning approach excels in inference speed, reaching 37 frame by second (FPS), making it better suited for real-time applications on low-cost systems. For the hardware component, we used Computer-Aided Design (CAD) to develop a 3D model of the laparoscopic lens-cleaning device; featuring four nozzles arranged in two pairs positioned 120 degrees apart around the lens. Each pair includes two side-by-side nozzles, one for a physiological saline-based cleaning liquid and the other for a CO₂-based drying gas. A 2D cleaning simulation confirms the efficiency of the proposed prototype.
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.

Browse

Recent Submissions