Hadj Mohammed, AissaDjaziri, Benyounes2024-10-312024-10-312024-06-13https://dspace.univ-tlemcen.dz/handle/112/23418Ce projet de fin d'étude a exploré l'application de l'apprentissage profond pour la classification des maladies de la peau, en mettant un accent particulier sur les réseaux de neurones convolutifs (CNN). En utilisant les bases de données de référence ISIC et HAM10000, qui contiennent des images de diverses maladies cutanées, cette étude a évalué l'efficacité de différents modèles CNN. Plusieurs contributions ont été apportées pour améliorer les performances de classification, notamment grâce à des stratégies de prétraitement, d'équilibrage et d'optimisation. Les résultats obtenus sont très prometteurs, atteignant des taux de classification de 92,8 % pour le modèle CNN classique et de 92 % pour DenseNet-121, et se comparent favorablement aux travaux existants dans la littérature. Ces résultats démontrent l'efficacité des architectures de réseaux neuronaux pour la classification des maladies de la peaufrApprentissage profond, réseaux de neurones convolutifs (CNN), classification des maladies de la peau, prétraitement, équilibrage, optimisation, performance, dermatologieThesis