Browsing by Author "Lahsasna , Adel"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
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 , AdelLe 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.Item Détection et classification automatisées des tumeurs cérébrales à l’aide des techniques d’apprentissage profond(Faculté des Sciences, 2024) Lekoui , Cheima; Lahsasna , AdelLa détection et la classification des tumeurs cérébrales présentent des défis considérables en raison de la complexité des structures tumorales et de la variabilité des données d’imagerie. Cette étude vise à améliorer la précision et la fiabilité de la détection et de la classification des tumeurs cérébrales en exploitant les techniques d’apprentissage profond. En utilisant un ensemble de données d’IRM de tumeurs cérébrales, nous avons développé et évalué plusieurs modèles, incluant des algorithmes d’apprentissage automatique traditionnels tels que les K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest, Adaboost et XGBoost, ainsi que des architectures avancées d’apprentissage profond comme MobileNet, EfficientNetB0, VGG-19, CNN, DenseNet et ResNetInceptionV3. Les performances des modèles ont été évaluées à l’aide de métriques telles que la précision (accuracy), le F1 score, la précision (precision), le rappel (recall), l’AUC (ROC) et le score de Cohen’s Kappa. Les résultats expérimentaux ont démontré que les modèles d’apprentissage profond surpassent significativement les approches traditionnelles d’apprentissage automatique, avec EfficientNetB0 atteignant une précision de 99.3% , un F1 score de 0,99 et une AUC de 0,99. Ces résultats indiquent une amélioration substantielle des performances diagnostiques, suggérant que les systèmes basés sur l’apprentissage profond peuvent jouer un rôle crucial dans la réduction des erreurs diagnostiques et l’amélioration de l’efficacité de la détection et de la classification des tumeurs cérébrales.Item Développement d'un systéme de détection des maladies cardiaque utilisant desméthodes d'apprentissage automatique(Faculté des sciences, 2024) Chebli , Amel; Neghouche , Hadjer ; Lahsasna , Adelcette 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 diagnticItem Explainable AI for Medical Image Analysis: A Comparative Study of Post Hoc and Model-Based Explainability Techniques(Faculty of Science, 2025) LATRACH, Mohamed Ali; SASSENE ,Abderraouf; Lahsasna , AdelExplainable artificial intelligence (XAI) is critical for building trust and ensuring safe deployment of deep learning models in healthcare. This thesis presents a comparative study of two XAI approaches—Grad-CAM (a post hoc method) and ProtoPNet (a model-based method)—applied to multilabel chest X-ray interpretation. Both models were trained and evaluated on the VinDr-CXR dataset under identical conditions. The Grad-CAM approach, built on an EfficientNetV2-S backbone, achieved superior predictive performance (macro ROC AUC = 0.86, macro F1 = 0.72) and generated clear, reliable heatmaps with minimal computational overhead (hit-rate = 64%, mIoU = 42%). In contrast, ProtoPNet, which learns prototypical image patches for inherently interpretable “this looks like that” explanations, produced lower classification metrics (macro ROC AUC = 0.73, macro F1 = 0.52) and weaker localization performance (hit-rate = 0.7%, mIoU = 42%) while incurring approximately 25 % more inference time. Despite these drawbacks, ProtoPNet’s case-based explanations more closely align with clinical reasoning, offering tangible examples that radiologists find meaningful. Our findings indicate that, for rapid deployment and high accuracy, post hoc methods like Grad-CAM are preferable. However, the richer, example-driven explanations of ProtoPNet highlight the need to further refine prototypebased models—by optimizing prototype selection and expanding datasets—so that they can deliver both strong performance and intuitively interpretable results in real-world clinical settings.Item Prévision de la production d'énergie solaire à l'aide d'algorithmes d'apprentissage automatique(Faculté des Sciences, 2025) Taabani , Kawther; Lahsasna , AdelCe mémoire porte sur la prévision à court terme de la production d’énergie photovoltaïque (PV) à l’aide d’algorithmes d’apprentissage automatique. En raison de la variabilité des conditions météorologiques, la prévision précise de la production solaire est un enjeu clé pour la stabilité des réseaux électriques et l’optimisation de la gestion énergétique. Trois modèles supervisés ont été étudiés : la régression par vecteurs de support (SVR), XGBoost, et Random Forest Regressor (RF). Les données utilisées proviennent d’un système PV réel, avec des mesures enregistrées toutes les 5 minutes. Un prétraitement rigoureux a été appliqué : nettoyage, transformation des variables temporelles et normalisation. L’évaluation des modèles a été réalisée à l’aide de trois indicateurs : MAE, RMSE et R². Le modèle Random Forest s’est révélé le plus performant, atteignant un R² de 0,999996. Les résultats obtenus montrent que l’application rigoureuse de méthodes de machine learning, combinée à un traitement soigné des données, permet d’obtenir des prévisions très fiables. Ce travail apporte une contribution concrète à l’amélioration de l’intégration des énergies renouvelables dans les réseaux et à la planification énergétique intelligente