Applications of machine learning and deep learning in healthcare: Breast cancer case
| dc.contributor.author | BEGHRICHE Tawfiq | |
| dc.date.accessioned | 2025-06-10T08:04:35Z | |
| dc.date.available | 2025-06-10T08:04:35Z | |
| dc.date.issued | 2025 | |
| dc.description | يُمث ل سرطان الثدي تحديًا صحيًا عالميًا كبيرًا، ممِّا يُب رز أهمية التشخيص الدقيق والمُب كِّر لتحسين نتائج المرضى. المُتق دِّمة لتحسين تشخيص سرطان الثدي، مع (DL) والتعلُّم العميق (ML) تستكشف هذه الأطروحة تقنيات التعلُّم الآلي التركيز على مهام التصنيف والكشف. تتناول الأطروحة مشاكل تباين البيانات وعدم توازن الأصناف وقابلية التطبيق السريري من خلال تطوير نماذج تشخيصية قوية باستخدام التصوير بالموجات فوق الصوتية ومجموعات البيانات السريرية، مثل تم تطوير ثلاثة مناهج رئيسية للكشف عن سرطان .Coimbra ومجموعة بيانات WBCD مجموعة بيانات سرطان الثدي الثدي: ) 1( نهج قائم على التعلُّم الآلي يُر كِّز على اختيار الميزات وتخفيف عدم توازن الأصناف باستخدام تقنيات مثل 2) طريقة مُتق دِّمة قائمة على التعلُّم ) .DNN و SVM مع تقييم سبع خوارزميات، بما في ذلك KNNOR و SMOTE ، MobileNetV و 2 ResNet مُدرَّبة مُسبقًا مثل 50 (CNNs) العميق تستخدم التعلُّم بالنقل المُعدَّل مع شبكات عصبية التفافية لتحسين تصنيف الأورام. ) 3( نموذج (BUSI) تم ضبطها بدقة على مجموعة بيانات صور الموجات فوق الصوتية للثدي لاستخراج الميزات من صور الموجات فوق InceptionV و 3 DenseNet و 121 MobileNetV هجين يجمع بين 2 قبل التصنيف. يتم تقييم أداء النماذج من خلال مقاييس مثل LASSO الصوتية، تم تنقيحها باستخدام اختيار الميزات القائم على ممِّا يُظ هر إمكانات التعلُّم الآلي والتعلُّم العميق في تحسين دقة ، F1-score الدقة والحساسية والنوعية والإحكام والاسترجاع و وأهمية تشخيص سرطان الثدي سريريًا، ممِّا يُساعد أطباء الأشعة والأطباء السريريين. | |
| dc.description.abstract | Breast Cancer (BC) presents a significant global health challenge, highlighting the importance of timely and accurate diagnosis to improve patient outcomes. This thesis explores advanced machine learning (ML) and deep learning (DL) techniques to enhance breast cancer diagnosis, focusing on classification and detection tasks. It addresses data variability, class imbalance, and clinical applicability by developing robust diagnostic models using ultrasound imaging and clinical datasets, such as the Wisconsin Breast Cancer Dataset (WBCD) and the Coimbra dataset. Three primary frameworks for breast cancer detection are developed: (1) An ML-based approach emphasizing feature selection and class imbalance mitigation using techniques such as SMOTE and KNNOR while evaluating seven algorithms, including Support Vector Machine (SVM) and Deep Neural Networks (DNN). (2) An advanced DL-based method utilizing modified transfer learning with pre-trained convolutional neural networks (CNNs) like ResNet50 and MobileNetV2, reused on the Breast Ultrasound Images (BUSI) dataset for improved tumor classification. (3) A hybrid model combining MobileNetV2, DenseNet121, and InceptionV3 to extract features from ultrasound images, refined using LASSO-based feature selection before classification. Models performance is evaluated through metrics like accuracy, sensitivity, specificity, precision, recall, and F1-score, demonstrating the potential of ML and DL to enhance the accuracy and clinical relevance of breast cancer diagnostics, aiding radiologists and clinicians. | |
| dc.identifier.uri | https://repository.univ-msila.dz/handle/123456789/46369 | |
| dc.language.iso | en | |
| dc.publisher | University of M'Sila | |
| dc.subject | Breast Cancer | |
| dc.subject | Machine Learning | |
| dc.subject | Deep Learning | |
| dc.subject | Ultrasound Imaging | |
| dc.subject | Transfer Learning. | |
| dc.subject | سرطان الثدي | |
| dc.subject | التعلِّم الآلي | |
| dc.subject | التعلِّم العميق | |
| dc.subject | التصوير بالموجات فوق الصوتية | |
| dc.subject | التعلِّم بالنقل. | |
| dc.title | Applications of machine learning and deep learning in healthcare: Breast cancer case | |
| dc.type | Thesis |