Zenatri, AnfelKherroubi, Hizia2026-10-212026-10-212026-06-18https://dspace.univ-tlemcen.dz/handle/112/27106L’Accident Vasculaire Cérébral (AVC) constitue une urgence neurologique majeure dont le diagnostic rapide est essentiel pour améliorer la prise en charge des patients et réduire les risques de séquelles permanentes. Dans ce travail, nous proposons un système intelligent d’aide au diagnostic des AVC à partir d’images de scanner CT cérébral basé sur les techniques d’apprentissage profond. Quatre architectures pré-entraînées, à savoir EfficientNet-B0, MobileNet-V2, ViT-B/16 et Swin-T, ont été développées et comparées dans différents scénarios de classification binaire et multiclasses visant à distinguer les cas normaux, ischémiques et hémorragiques. Afin d’améliorer les performances des modèles, plusieurs étapes de prétraitement ont été appliquées, incluant le nettoyage des images, la normalisation, l’augmentation de données et le transfert d’apprentissage. Les performances ont été évaluées à l’aide de métriques standard telles que l’Accuracy, la Sensibilité, la Spécificité, le F1-score et l’AUC, puis validées statistiquement à travers les tests de McNemar, Bootstrap et DeLong. L’interprétabilité des prédictions a été assurée grâce à la méthode Grad-CAM, permettant de visualiser les régions anatomiques ayant le plus contribué aux décisions du modèle et de vérifier leur cohérence clinique. En outre, une validation externe réalisée sur la base de données RSNA a permis d’évaluer la capacité de généralisation des modèles face à un changement de domaine. Les résultats obtenus montrent des performances élevées, une bonne robustesse diagnostique et une capacité de généralisation satisfaisante, avec une supériorité globale des architectures basées sur les mécanismes d’attention, notamment le modèle Swin-T. Ces travaux confirment ainsi le potentiel du Deep Learning comme outil d’aide au diagnostic automatique des AVC sur images CT cérébrales et soulignent l’importance de l’explicabilité et de la validation externe pour une future intégration en pratique clinique.frAccident Vasculaire Cérébral (AVC)Scanner CT cérébralApprentissage profondEfficientNet-B0Swin TransformerVision TransformerClassification d’images médicalesGrad-CAMGénéralisationValidation externeRSNAIntelligence artificielle.Thesis