Détection et classification automatisées des tumeurs cérébrales à l’aide des techniques d’apprentissage profond
| dc.contributor.author | Lekoui , Cheima | |
| dc.contributor.author | Lahsasna , Adel | |
| dc.date.accessioned | 2025-01-05T14:06:30Z | |
| dc.date.available | 2025-01-05T14:06:30Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | La 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. | |
| dc.identifier.uri | http://dspace.univ-skikda.dz:4000/handle/123456789/3696 | |
| dc.language.iso | fr | |
| dc.publisher | Faculté des Sciences | |
| dc.title | Détection et classification automatisées des tumeurs cérébrales à l’aide des techniques d’apprentissage profond | |
| dc.title.alternative | Intelligence Artificielle | |
| dc.type | Mémoire de Master |