Master en Génie Biomedical

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

Browse

Now showing 1 - 20 of 484

Détection et classification de l’arthrose par l’apprentissage profond
(University of Tlemcen, 2025-09-10) Benziouche, Meriem; Haouari, Aicha
L’arthrose est une maladie articulaire chronique et évolutive, caractérisée par une dégradation progressive du cartilage, entraînant douleurs, raideurs et perte de mobilité. L’arthrose du genou, en particulier, est l’une des formes les plus courantes et invalidantes, nécessitant un diagnostic précoce pour une prise en charge efficace. Ce projet propose une approche automatisée reposant sur l’apprentissage profond pour la détection et la classification de cette affection à partir d’images radiographiques. Cinq modèles de réseaux neuronaux pré-entraînés (DenseNet121, MobileNetV2, ResNet50, InceptionV3 et EfficientNetB0) ont été évalués et comparés sur les bases de données publiques KOD-KL-2018 et AD-KAD, après un processus rigoureux de prétraitement des données. Les résultats obtenus sont particulièrement convaincants, avec DenseNet121 atteignant une précision de 96,14% sur KOD-KL-2018, tandis que DenseNet121 et InceptionV3 dépassent les 93% sur AD-KAD, surpassant ainsi les performances rapportées dans la littérature. Afin de renforcer la transparence des prédictions, la méthode d’explicabilité LIME a été intégrée. Par ailleurs, une interface graphique nommée ArthroScan a été conçue pour permettre une utilisation clinique simple et efficace de notre approche. Cette recherche confirme le potentiel de l’intelligence artificielle comme outil d’aide au diagnostic de l’arthrose du genou, en alliant précision, explicabilité et facilité d’intégration en pratique médicale.
Traitement et analyse de la variabilité cardiaque dans la sténose aortique
(University of Tlemcen, 2024-06-15) Zaouia, Imen; Zouatite, Fafa
La sténose aortique est une maladie cardiovasculaire grave, caractérisée par un rétrécissement de la valve aortique, ce qui entrave la circulation du sang du coeur vers l’ensemble du corps. Afin d'étudier cette pathologie, ce travail porte sur le traitement et l'analyse de la variabilité cardiaque à partir de signaux PCG (phono cardiogrammes), Un enregistrement sonore résultant de l'activité mécanique du coeur humain. Bien que son usage soit moins répandu aujourd'hui, le PCG fournit des informations cruciales sur l'état cardiaque grâce aux progrès technologiques. Les signaux PCG sont d’abord prétraités pour réduire le bruit, notamment à l’aide de techniques de débruitage par ondelettes. Ensuite, une détection automatique des cycles cardiaques est réalisée grâce à l’analyse de l’enveloppe énergétique, basée sur l’énergie de Shannon, permettant de segmenter les sons cardiaques principaux (B1, B2) ainsi que les souffles associés. À partir de cette segmentation, plusieurs paramètres diagnostiques sont extraits, permettant d’évaluer différents aspects de la variabilité cardiaque et d’obtenir des informations essentielles sur l’état du coeur, contribuant ainsi à une analyse plus complète du fonctionnement cardiaque. Ces paramètres permettent de distinguer les cas pathologiques des cas sains, contribuant ainsi à une meilleure évaluation de l'impact de la sténose aortique sur le fonctionnement du coeur.
Developing a Custom Generative Adversarial Network for Synthetic Mammogram Generation
(University of Tlemcen, 2025-06-12) Rahali,Imane
As one of the most commonly diagnosed cancers worldwide, breast cancer poses a significant challenge in early detection and treatment. Mammographic analysis plays a crucial role in diagnosis, with malignant calcifications and malignant masses serving as key radiological markers. However, the limited availability of annotated medical imaging datasets and high inter-observer variability pose challenges in developing robust AI-driven diagnostic models. This thesis focuses on developing a custom Generative Adversarial Network (GAN) to generate synthetic mammograms that enhance the representation of malignant calcifications and masses. Unlike studies utilizing pre-existing GAN architectures, this research builds a GAN model from scratch, with a focus on optimizing performance and improving image fidelity. The generated synthetic images aim to augment existing datasets, providing additional training data for deep learning models in breast cancer classification. The study employs a dataset containing mammographic images of malignant calcifications and malignant masses, carefully curated for training and validation. To assess the quality of the generated images, performance metrics such as Fréchet Inception Distance (FID), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index (SSIM) are utilized. Additionally, the GAN’s performance is evaluated using the loss graph, where the discriminator and generator losses are plotted over training epochs to analyze convergence and stability. To assess the diagnostic value of the synthetic images, a Support Vector Machine (SVM) classifier is also employed. The classifier is tested with real and GAN-generated images to evaluate their robustness and impact on classification performance. By improving the performance of a custom GAN for synthetic mammogram generation, this work contributes to addressing data scarcity, enhancing AI-based breast cancer detection, and supporting the integration of generative models in medical imaging. The findings highlight the potential of GAN-based data augmentation in improving diagnostic reliability and dataset diversity in breast cancer research.
Development of an intelligent system for the automatic classification of embryo in In Vitro Fertilization
(University of Tlemcen, 2025-06-25) Aissa BenFettoume, Souda
This Master thesis addresses the challenge of embryo selection in IVF, aiming to improve pregnancy outcomes through more objective methods. It proposes an intelligent system for automatically classifying human embryo developmental stages using time-lapse imaging. The study compares 2D and 3D CNNs to assess spatial information and explores temporal models like TimeSformer to capture embryo dynamics. A hierarchical classification strategy is also introduced to handle 15 developmental phases. Results show that while 2D CNNs provide a solid baseline, temporal models significantly outperform them by leveraging morphokinetic features, highlighting the potential of AI to enhance accuracy and consistency in embryo selection.
Diagnostic automatique des pathologies pulmonaires par l’analyse des images radiologiques thoraciques
(University of Tlemcen, 2025-06-25) Boudjemaa,Hadjar
Les pathologies pulmonaires infectieuses représentent un enjeu majeur de santé publique mondiale, causant chaque année une forte morbidité et mortalité. La radiographie thoracique (CXR), bien que couramment utilisée pour son accessibilité, présente des limites liées à la difficulté d’interprétation des images.Pour mieux résoudre ces problèmes,l’intelligence artificielle, notamment l’apprentissage profond, offre des solutions prometteuses. L’objectif de ce travail est de développer des modèles d’apprentissage profond pour détecter et classifier automatiquement des pathologies pulmonaires infectieuses (pneumonie bactérienne, pneumonie virale, tuberculose) à partir de radiographies thoraciques. Quatre architectures CNN ont été proposées : un modèle classique et trois modèles pré-entraînés (ResNet50, EfficientNetB0, DenseNet121) appliqués à des bases de données médicales, produisant des résultats encourageants. Les modèles visent à assister les cliniciens dans leurs décisions diagnostiques, contribuant ainsi à une meilleure prise en charge des patients.
Étude et réalisation d’un dispositif didactique en ultrasonographie médicale basé sur l’effet Doppler
(University of Tlemcen, 2025-06-29) Touati, Kheira
Ce travail s’inscrit dans le cadre d’un projet de fin d’études portant sur la conception et la mise en oeuvre d’un dispositif didactique en ultrasonographie médicale, basé sur l’étude expérimentale de l’effet Doppler. Il vise à démontrer de manière simple, pédagogique et concrète les deux principaux modes d’exploitation du Doppler ultrasonore : le Doppler continu (DC) et le Doppler pulsé (DP). Dans un premier temps, une analyse théorique a été menée pour comprendre les fondements de la propagation des ondes ultrasonores, le principe du décalage Doppler, et les critères techniques associés à chaque mode. Ensuite, une méthodologie expérimentale a été élaborée afin de proposer une solution simple, accessible et reproductible. Le choix s’est porté sur le capteur HC-SR04, habituellement utilisé pour la télémétrie, mais ici détourné à des fins pédagogiques pour illustrer les effets Doppler. La carte ESP32 a été utilisée pour piloter le capteur, générer les signaux d’émission, mesurer les échos, visualiser les données, et permettre l’analyse des phénomènes liés au mouvement (variation de distance, vitesse, fréquence Doppler). Une série d’expériences pratiques a été développée pour valider démontrer les paramètres de l’effet doppler en mode pulsé comme en mode continu. Ces expérimentations permettent de visualiser les variations du signal en fonction du déplacement d’un objet ou d’un flux d’air, et de calculer les grandeurs physiques associées. Le système ainsi réalisé constitue un outil didactique efficace, capable d’illustrer les principes de base de l’effet Doppler dans un contexte biomédical.
Conception d'une application informatique pour la segmentation 3D des images IRM cérébrales
(University of Tlemcen, 2025-06-25) Benyamina, Oussama; Zerrouki, Sba Fatahallah
La segmentation des images IRM cérébrales constitue une étape cruciale pour l’identification précise des structures anatomiques et des anomalies, notamment les tumeurs, facilitant ainsi le diagnostic, le suivi et la planification thérapeutique. Cependant, la segmentation manuelle est une tâche fastidieuse, chronophage et sujette à des variations inter-opérateurs, ce qui limite son efficacité en pratique clinique. Ce projet vise donc à automatiser ce processus en développant une application d’analyse d’IRM cérébrales 3D intégrant une segmentation multi-séquence (FLAIR, T1, T1CE et T2) pour détecter les différentes régions tumorales : tissu sain, zone nécrotique/non-rehaussante, oedème, et région rehaussante. L’application propose une interface intuitive permettant l’importation d’images au format NIfTI, leur visualisation selon les trois plans anatomiques (axial, sagittal et coronal), la personnalisation des couleurs d’affichage, ainsi qu’une navigation fluide entre les coupes. Pour la segmentation automatique, nous avons utilisé des réseaux de neurones convolutifs (CNN), appelé U-Net 3D ce qui a permis de générer des visualisations multi-planaires précises. Ensuite une reconstruction 3D complète des tumeurs dans leur contexte cérébral est introduite en utilisant la méthode marching cube. Le modèle U-Net 3D a donné une exactitude de 99.4% en utilisant la base de données publique Brats2020.
Utilisation de l’IA pour reconnaître les micro-organismes dans les images de microscopie
(University of Tlemcen, 2025-06-30) Aber, Chaimaa; Abbes, Samira Safaa
La classification précise des bactéries représente un enjeu majeur pour le diagnostic médical, en raison de la complexité visuelle et de la petite taille des espèces bactériennes. Ce travail propose l’utilisation de deux modèles pré-entraînés de réseaux neuronaux convolutifs, VGG16 et MobileNetV2, pour la classification automatique d’images microscopiques. Basée sur le transfert d’apprentissage, notre approche permet d'exploiter des connaissances acquises à partir de grandes bases d’images. Les résultats expérimentaux montrent que les modèles atteignent une précision satisfaisante, rendant cette solution prometteuse pour des applications pratiques dans les laboratoires médicaux.
Managing Radiotherapy-Induced Side Effects with Artificial Intelligence: Early Detection of Muscle Atrophy and Personalized Nutritional Support in Head and Neck Cancer
(University of Tlemcen, 2025-06-17) Douzi, Houdallah
This project is based on a crucial step in medical image processing: segmentation. Using a trained U-Net model, we segmented two key muscles the masseter and the medial pterygoid located in the neck region of head and neck cancer patients following radiotherapy. Thanks to satisfactory segmentation results, we were able to calculate the surface area of these muscles before and after treatment, allowing us to detect potential muscle atrophy in that region. All of this was integrated into a simple, fast, and well-structured interface, designed for objective and efficient use. The main goal of this project is to better manage the side effects of radiotherapy by offering personalized nutritional recommendations, improving patient follow-up and overall quality of life.
Parameters for Distinguishing Heart Sounds to Classify Normal and Pathological Cases
(University of Tlemcen, 2025-06-22) Elghribi, Ibrahim; Hamlili, Aymene
The phonocardiogram (PCG) signal is a recording of heart sounds with useful and significant mechanical activity of the human heart information. In this work, we employed signal processing methods such as the Fast Fourier Transform (FFT), Continuous Wavelet Transform (CWT), the Bispectral analysis, and MFCCs to handle these data. These methods are used on our already filtered and labelled dataset as either normal or abnormal. S1, S2, and murmurs were segmented using an automatic approach. From these segments, we extracted multiple parameters and combined them in one feature matrix including the maximum amplitude, dominant frequency, weighted centroid, energy, phase entropy, and more. These features served as training features for machine learning algorithms such as the K-Nearest Neighbor (KNN) and Support Vector Machine (SVM) for a binary classification of normal and pathological heart sounds. Furthermore, we produced 2D images from the analysing techniques to feed a CNN-SVM hybrid model, were we reached quite important accuracy results for different classification purposes.
Collecte d’une base de données en ophtalmologie : Détection automatique de l’oedème maculaire diabétique
(University of Tlemcen, 2025-06-19) Rahmoun, Souhila
L’oedème maculaire diabétique (OMD) est l’une des principales causes de perte de vision chez les personnes atteintes de diabète. Cette pathologie, souvent silencieuse dans ses premiers stades, nécessite un dépistage précoce pour éviter des complications graves et irréversibles. Face à l’augmentation du nombre de patients et au besoin d’un diagnostic rapide, les outils automatisés basés sur l’intelligence artificielle représentent une solution prometteuse. La première étape de notre travail a consisté à collecter et annoter une base de données rétinienne locale, constituée d’images issues de deux modalités complémentaires : la tomographie en cohérence optique (OCT) et la rétinographie à grand champ. Ces images ont été acquises dans un environnement clinique réel, auprès de patients présentant des cas normaux ou pathologiques, ce qui renforce la pertinence de notre approche. Sur cette base de données, nous avons ensuite conçu et testé un système automatique capable de classer les images comme normales ou pathologiques, en s’appuyant sur des techniques avancées de traitement d’images et d’apprentissage profond. Plusieurs architectures de réseaux de neurones convolutifs ont été explorées (CNN, VGG16, ResNet50, MobileNetV2, InceptionV3, EfficientNetB0), avec des phases de prétraitement, d’augmentation des données, et de fine-tuning adaptées aux spécificités de chaque modalité d’imagerie. Nous avons évalué la performance de chaque modèle sur les bases locales, ainsi que sur des bases publiques, en utilisant des métriques standards telles que la précision, la sensibilité, la spécificité, le F1-score et l’AUC. Les résultats obtenus sont très prometteurs : nos modèles ont démontré une capacité élevée à détecter automatiquement les signes de l’OMD, avec des performances comparables, voire supérieures, à ceux de la littérature. Ce travail confirme le rôle essentiel que peuvent jouer les outils d’intelligence artificielle dans le diagnostic assisté, en particulier pour le dépistage précoce de pathologies oculaires chroniques comme l’OMD.
Estimating Age and Gender Using Artificial Intelligence in Digital Forensics
(University of Tlemcen, 2025-06-29) Ouahab, Soundous Selsabile
Accurate identification of human remains is critical in forensic science, yet traditional morphological methods are subjective and limited. Post-mortem computed tomography (PMCT) offers non-invasive, high-resolution skeletal analysis, but requires advanced tools for data interpretation. This study explores machine learning (ML) to objectively analyze PMCT scans for estimating age and sex, enhancing reliability in biological profiling. We evaluate the diagnostic values of skeletal features, compare anatomical regions (skull, torso, limbs), and validate ML models for forensic applications. By integrating computational methods with PMCT, the study aims to establish standardized, data-driven techniques, advancing accuracy and reproducibility in forensic anthropology for criminal, disaster, and archaeological investigations.
Détection des pathologies cardiovasculaires à partir des images ECG par l’intelligence artificielle explicable
(University of Tlemcen, 2025) Ouanes, Khouloud; Merah Meriem Tasnime
Les pathologies cardiovasculaires regroupent un ensemble de maladies affectant le coeur et les vaisseaux sanguins, telles que l’infarctus du myocarde, les troubles du rythme cardiaque ou les antécédents d’événements cardiaques. Elles représentent aujourd’hui la première cause de mortalité dans le monde, ce qui rend leur détection rapide et fiable indispensable. Ces dernières années, l’intelligence artificielle (IA), et plus particulièrement le Deep Learning a montré un fort potentiel dans l’analyse automatique des images médicales. Cependant, ces modèles sont souvent perçus comme des "boîtes noires", fournissent une prédiction sans expliquer clairement la manière dont la décision a été prise. Or, dans le domaine médical, il est essentiel que les décisions issues de ces systèmes soient compréhensibles, transparentes et justifiables pour les professionnels de santé. C’est dans cette optique que s’inscrit notre travail, dont l’objectif principal est de développer un système d’intelligence artificielle explicable (XAI) capable d’analyser automatiquement des images ECG, tout en renforçant la confiance du corps médical grâce à une explication claire, visuelle et interprétable des résultats. Pour ce faire, plusieurs architectures de Deep Learning ont été testées : un CNN personnalisé, un modèle hybride CNN combiné avec LSTM, et différentes versions de ResNet (de ResNet18 à ResNet152). Le CNN personnalisé s’est distingué par ses performances, atteignant une précision de 95 %. Pour garantir la transparence du système et faciliter l’interprétation médicale, plusieurs techniques d’explicabilité ont été intégrées, notamment LIME, SHAP et Grad-CAM. Ces méthodes permettent de visualiser les zones de l’image ayant le plus influencé sur la prédiction du modèle, renforçant ainsi la confiance clinique dans l’outil. Ce système a été intégré dans une plateforme web collaborative nommé ‘HeartVision’, qui permet aux médecins de se connecter à leur espace sécurisé, de gérer leurs patients, d’ajouter des consultations avec images ECG, d’obtenir une analyse automatique et de générer des rapports médicaux personnalisables. Ce projet montre qu’il est possible de combiner la performance, la transparence et l’utilité clinique dans un outil intelligent d’aide au diagnostic, répondant aux besoins réels du domaine médical.
Classification des tumeurs cérébrales à partir des images IRM en utilisant l’apprentissage profond
(University of Tlemcen, 2025) Boutbeig, Nor El Houda; Bentaieb, Fatma zohra
Les tumeurs cérébrales constituent un défi majeur en santé publique, en raison de leurs conséquences graves sur la vie des patients. Pour permettre une prise en charge adaptée, un diagnostic rapide et précis est essentiel. Toutefois, l’analyse manuelle des images IRM demeure complexe et sujette à l’erreur humaine. Dans ce contexte, notre travail propose un système de classification automatique des tumeurs cérébrales à partir d’images IRM, en s’appuyant sur des techniques d’apprentissage profond. Trois architectures de réseaux de neurones ont été évaluées: un CNN classique, ResNet50 et EfficientNetB0. Les résultats expérimentaux ont montré que le modèle ResNet50 a obtenu la meilleure précision avec 99,62 %, suivi d’EfficientNetB0 (98,77 %) et du CNN classique (97,62 %). Ces résultats confirment l’efficacité du deep learning pour assister les professionnels de santé dans le diagnostic des tumeurs cérébrales.
Development of an Intelligent Online Response System (Chatbot) for Mental Illnesses and Severe Pathologies Based on Artificial Intelligence Models
(University of Tlemcen, 2025-06-29) Berrai, Manal; Kacimi, Khadra
Mental health issues such as depression and anxiety are affecting more people worldwide, with over 970 million cases reported. Many individuals do not receive proper care due to stigma, lack of professionals, and limited access to services.This thesis proposes a chat- bot system to help detect and respond to mental health conditions. It uses a multimodal approach that combines text input and visual features like facial expressions and eye movement to better understand the user’s emotional state.The system integrates Clini- calBERT for text classification, Flan-T5 for generating responses, and Ft_Transformer for visual analysis. These outputs are fused using an XGBoost model for final classifi- cation.The proposed model achieves a classification accuracy of 95%, which surpasses current state-of-the-art results in mental health detection tasks.This work offers a prac- tical and scalable tool to support mental health, especially in areas with limited access to professional care.
Détection et classification de l'appendicite à l'aide de techniques d'apprentissage automatique
(University of Tlemcen, 2025-06-17) Mokeddem, Amina; Lammari, Khouloud
Le diagnostic de l'appendicite aiguë chez l'enfant représente un dé clinique important en pédiatrie, souvent complexi é par la variabilité des symptômes. Pour relever ce dé , ce projet de n d'études a exploré le potentiel de l'Intelligence Arti cielle (IA) a n d'améliorer la précision diagnostique. Nous avons mené une étude comparative approfondie entre les méthodes de Machine Learning (ML) classiques et le Deep Learning (DL) pour la classi cation binaire et multiclasse de l'appendicite. En utilisant une base de données numérique, nous avons développé et évalué un système d'aide au diagnostic pédiatrique. Les résultats expérimentaux ont clairement démontré la supériorité de l'algorithme XGBoost, qui a obtenu les meilleurs scores avec un taux de classi cation de 97% et un F1-score de 97%. Il est important de noter que XGBoost a globalement surpass é les réseaux de neurones convolutionnels (CNN) dans ce contexte spéci que. Cette performance s'explique principalement par la nature tabulaire de notre base de données numérique. Alors que les CNN excellent dans l'analyse d'images et de textes, tirant parti de structures spatiales ou séquentielles complexes.
Un système d’aide aU diagnostic dU cancer dU sein (classique)
(University of Tlemcen, 2025-06-29) Hamiani, Hichem Mounssif; Hadjiat, Mohamed Ghouti
Ce mémoire est consacré à la classification automatique du cancer du sein, un enjeu majeur pour l’amélioration du diagnostic médical. Structuré en trois chapitres, il présente d’abord les aspects médicaux du cancer du sein, puis détaille les fondements des algorithmes d’intelligence artificielle, notamment le SVM et la forêt aléatoire. Une étude expérimentale est ensuite menée sur une base de données clinique, avec une préparation rigoureuse des données et une comparaison des performances des modèles. L’objectif principal est de proposer un outil d’aide à la décision médicale fiable et automatisé, capable de réduire les erreurs de diagnostic, notamment les faux négatifs, en s’appuyant sur des approches d’apprentissage supervisé. Ce travail met en lumière le potentiel de l’IA dans le domaine biomédical et ouvre la voie à des solutions innovantes et accessibles.
Etude et Réalisation d’un dispositif pour L’Electrothérapie
(university of Tlemcen, 2025-06-28) Brahami, Aya Lilya; Mekki, Manel
Ce projet a pour objectif la conception et la réalisation d’un dispositif d’électrothérapie intelligent destiné à optimiser la prise en charge des pathologies musculaires et neurologiques. L’appareil est conçu pour être portable, simple d’utilisation et doté d’une base de données intégrée, permettant une sélection automatique des paramètres optimaux pour chaque traitement. L’une des particularités de notre dispositif est son interface intuitive, qui permet au praticien de sélectionner la modalité de traitement de la pathologie à traiter. En fonction de cette sélection, l’appareil affiche les paramètres de stimulation électrique nécessaires et fournit un schéma de positionnement des électrodes adapté à la zone corporelle ciblée. L’objectif est de réduire les erreurs de manipulation et de rendre l’électrothérapie plus accessible aux professionnels de santé. Le dispositif repose sur l’Arduino uno comme unité centrale de traitement, associé à une interface interactive de commande simplifiée. Il utilise des électrodes adhésives positionnées stratégiquement en fonction des caractéristiques des tissus biologiques, en tenant compte de leur résistivité et de leurs propriétés physiologiques. L’optimisation de l’énergie consommée et la fiabilité du générateur de courant font également partie des défis techniques abordés dans ce projet. Ce mémoire détaille les principes fondamentaux de l’électrothérapie, les choix technologiques adoptés, ainsi que les tests réalisés pour évaluer l’efficacité du dispositif réalisé. Bien que notre étude ne traite pas encore de validation clinique sur des patients, elle pose les bases d’une future expérimentation en milieu médical. Ce projet s’inscrit dans une démarche d’innovation visant à améliorer l’ergonomie et l’efficacité des dispositifs d’électrothérapie existants tout en rendant leur usage plus intuitif pour les praticiens de santé.
Comparaison des techniques d’explicabilité pour des méthodes de classification supervisées sur des images mammographiques
(University of Tlemcen, 2025-06-12) Guedoudou, Chourouk Hidayet
Dans le contexte où les outils automatisés prennent une place de plus en plus importante dans le secteur médical, en particulier pour l’analyse d’images. Cependant, il reste essentiel que les décisions prises par ces systèmes soient compréhensibles et transparentes pour les professionnels de santé. Ce mémoire se concentre sur la comparaison de différentes méthodes permettant d’expliquer et d’interpréter les résultats obtenus par des modèles de classification supervisée appliqués à des images de mammographies. L’objectif est de faciliter la compréhension des prédictions afin de mieux accompagner les médecins dans leur diagnostic. Pour ce faire, des réseaux de neurones convolutifs ont été utilisés pour identifier la présence de cancer du sein à partir de la base de données ‘’Final-Final-RSNA-Breast-Cancer-Dataset ‘’. Plusieurs techniques d’explication, comme LIME, SHAP et Grad-CAM, ont été mises en oeuvre pour mettre en lumière les parties de l’image ayant le plus influencé la décision du modèle, rendant ainsi les résultats plus accessibles. Les tests réalisés ont montré des performances solides, avec une précision de classification(accuracy) de 99,51 %, une perte faible lors de l’apprentissage, et une précision spécifique de 99,63%. Ces résultats, associés à des visualisations explicatives claires, démontrent l’intérêt d’intégrer ces méthodes d’interprétation dans les systèmes d’aide au diagnostic. Ce travail souligne l’importance de la transparence pour renforcer la confiance des utilisateurs et garantir une utilisation responsable et éthique des technologies dans le domaine de la santé.
Détection et classification d’Alzheimer à partir des images IRM
(University of Tlemcen, 2025-06-29) CHachoua, Sidahmed; Benaired, Wail
La maladie d’Alzheimer est un trouble neurodégénératif complexe, dont le dépistage précoce est essentiel pour optimiser la prise en charge thérapeutique. Cette étude explore une méthode automatisée de classification des stades de la maladie à partir d’images IRM cérébrales, en recourant à l’intelligence artificielle. Le travail s’appuie sur un ensemble de données issu de la plateforme Kaggle ("Dataset_Alzheimer"). Après un prétraitement rigoureux des images, plusieurs modèles ont été évalués, notamment un réseau de neurones convolutif (CNN), ainsi que trois architectures pré-entraînées — MobileNetV2, VGG19 et EfficientNetB0 — intégrées à travers la technique du transfert learning. Cette approche illustre le potentiel des modèles profonds pour assister le diagnostic médical de manière fiable et automatisée.

Browse

Recent Submissions