Browsing by Author "Lahsasna , Adel"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Détection assistée par ordinateur pour l’Analyse de mammographies utilisant des techniques d’apprentissage profond
    (Faculté des Sciences, 2024) Djeffal, Nour El’houda; Lahsasna , Adel
    Le dépistage du cancer du sein présente des défis importants en raison des taux élevés de faux positifs et de faux négatifs, limitant l’efficacité des systèmes de diagnostic assisté par ordinateur (CAD) traditionnels. Pour améliorer la précision et la fiabilité de la détection des anomalies mammaires, cette étude visait à développer un système CAD avancé basé sur l’apprentissage profond. En utilisant une combinaison d’images provenant des ensembles de données DDSM (Digital Database for Screening Mammography) et CBIS-DDSM (Curated Breast Imaging Subset of DDSM), nous avons entraîné et testé divers modèles, y compris des algorithmes de machine learning traditionnels tels que Random Forest, Naive Bayes, Decision Tree et XGBoost, et MLP, ainsi que des modèles d’apprentissage profond comme DenseNet121, Xception, InceptionResNetV2, MobileNet. Les performances des modèles ont été évaluées à l’aide de métriques standard, notamment l’exactitude, la sensibilité, la spécificité, la précision et l’AUC. Les résultats ont montré que les modèles d’apprentissage profond surpassent largement les méthodes traditionnelles, avec InceptionResNetV2 atteignant une exactitude de 96,58%, une sensibilité de 96,5 %, une spécificité de 96,58 % et une AUC de 0,987. Ces résultats démontrent une amélioration significative des performances et suggèrent que l’intégration de l’apprentissage profond dans les systèmes CAD peut réduire les erreurs de diagnostic et augmenter l’efficacité du dépistage du cancer du sein.
  • Thumbnail Image
    Item
    Développement d'un systéme de détection des maladies cardiaque utilisant desméthodes d'apprentissage automatique
    (Faculté des sciences, 2024) Chebli , Amel; Neghouche , Hadjer ; Lahsasna , Adel
    cette étude visait a développer vun systéme de précoce des maladies car diaques en exploitant les avancées en apprentissage automatique le motivation de cette étude était enravinée dans l' importance cruciale de la détection précoce des maladies car diaques la premiére cause de mortalité dans le monde les méthodes de diagnostic tra ditionnelles bien qu' efficaces sont souvent couteuses, chronophages et nécessitent l'intervevtion de oppotunité hautement qualifiés. les progrés de lapprentissage automatique offrent une opportunité prometteuse de révolutionner le diagntic