BOUTRIA, ManarAzzouz, Daouia2026-11-032026-11-032026http://dspace.univ-skikda.dz:4000/handle/123456789/6542Les maladies cérébrales telles que la sclérose en plaques, la maladie d’Alzheimer et les accidents vasculaires cérébraux constituent aujourd’hui un enjeu majeur de santé publique. Elles affectent fortement la qualité de vie des patients et représentent une charge importante pour les systèmes de santé. Dans ce contexte, l’imagerie par résonance magnétique (IRM) joue un rôle essentiel dans l’exploration non invasive du cerveau grâce à sa capacité à fournir des images détaillées des structures anatomiques et des anomalies pathologiques. Cependant, l’analyse manuelle des images IRM reste une tâche complexe, longue et parfois sujette à des différences d’interprétation entre spécialistes. Avec les avancées récentes de l’intelligence artificielle, plusieurs méthodes automatiques ont été développées afin d’assister les médecins dans le diagnostic des maladies neurologiques. Ce mémoire s’intéresse à une tâche de classification automatique d’images IRM cérébrales en quatre catégories : cerveau Normal (sain / contrôle), sclérose en plaques (MS), maladie d’Alzheimer et accident vasculaire cérébral (AVC / Stroke), à partir d’images en coupe 2D. L’objectif principal est de comparer, les performances d’un réseau de neurones convolutif (CNN) fondé sur MobileNetV2 avec transfert d’apprentissage et fine-tuning, à celles d’une machine à vecteurs de support (SVM) à noyau gaussien (RBF) alimentée par des descripteurs extraits du même backbone convolutionnel. Le travail expérimental repose sur un pipeline de traitement, comprenant la collecte et l’équilibrage des données avec 380 images par classe, soit un total de 1 520 images. Des techniques d’augmentation de données, réalisées en partie hors ligne. Les deux approches utilisent le même prétraitement : redimensionnement des images en 160×160 pixels, normalisation via la fonction preprocess_input de MobileNetV2, et partitionnement 80% / 20% en ensembles d’entraînement et de validation, avec graine aléatoire fixée pour assurer la reproductibilité. Le modèle CNN a été entraîné en deux étapes : une première phase de gel du backbone suivie d’un fine-tuning partiel. Quant au modèle SVM, il exploite des vecteurs de caractéristiques extraits par MobileNetV2 figé, suivie d’une normalisation (StandardScaler) et d’une réduction de dimension par ACP (PCA) à 128 composantes. Les performances des modèles sont évaluées à l’aide de plusieurs métriques classiques en classification supervisée telles que l’accuracy globale, la précision, le rappel, le F1-score macro et par classe et les matrices de confusion 4×4, ainsi que les courbes ROC et les scores AUC sont également utilisés pour l’évaluation du CNN. Les résultats chiffrés finaux seront présentés après exécution complète des expérimentations. Toutefois, les travaux récents montrent généralement que les modèles CNN, offrent de très bonnes performances dans les tâches de classification d’images médicales, tandis que les SVM restent efficaces lorsque les caractéristiques extraites sont suffisamment pertinentes. Ce travail propose ainsi une comparaison rigoureuse entre deux approches largement utilisées en intelligence artificielle appliquée à l’imagerie médicale, discute les conditions dans lesquelles le CNN surpasse le SVM. Il met également en évidence certaines limites liées à la taille du jeu de données, au choix des paramètres et aux biais potentiels, et ouvre des perspectives vers l’utilisation de données 3D, des modèles plus récents et l’intégration de techniques d’explicabilité.frÉtude comparative entre les approches d'apprentissage classique (SVM) et d'apprentissage profond (CNN) pour la classification des pathologies cérébrales par IRMIntelligence ArtificielleThesis