Deep learning-based medical data analysis for disease prediction and classification
| dc.contributor.author | Moustari Mohamed Abderaouf | |
| dc.date.accessioned | 2025-05-25T10:05:57Z | |
| dc.date.available | 2025-05-25T10:05:57Z | |
| dc.date.issued | 2025-05-25 | |
| dc.description.abstract | Les imagesdufondd’oeildespatientsatteintsderétinopathiediabétique(RD)présen- tent souventdenombreuseslésionsdisperséessurlarétine.Lesméthodesactuelles utilisent généralementl’imageentièrepourl’apprentissageduréseau,cequiprésente des limitespuisquelesanomaliesdelaRDsontgénéralementlocalisées.Laformation de réseauxneuronauxconvolutionnels(CNN)surdesimagesglobalespeutêtrediffi- cile enraisondubruitexcessif.Parconséquent,ilestcruciald’améliorerlavisibilité des régionsimportantesetdeconcentrerlesystèmedereconnaissancesurellespour améliorer laprécision. Cette thèseétudiedeuxtâches;lapremièreestunnouveauréseauneuronalcon- volutionnelguidéparl’attentionàdeuxbranches(AG-CNN)avecprétraitementinitial de l’imagepourlaclassificationdelaRD.L’AG-CNNétablitd’abordl’attentionglob- ale surl’imageentièreaveclabrancheglobale,puisintègreunebranchelocalepour compenser leséventuelsindicesdiscriminantsperdus. La deuxièmetâcheconsisteàaméliorerlaclassificationdelarétinopathiediabétique en combinantdescaractéristiquesartisanalesetprofondes.NousextrayonsLBP,HOG et GLCMpourcapturerlesmotifsdetextureetutilisonsDenseNet-121pourl’extraction de caractéristiquesprofondes.Lafusiondecescaractéristiquespermetunereprésenta- tion pluscomplètedesimagesrétiniennes,améliorantainsilacapacitédumodèleà distinguer lesdifférentsniveauxdegravitédelarétinopathiediabétique. Nous menonsdesexpériencesapprofondiesenutilisantl’ensemblededonnéesAP- TOS2019DRpourlesdeuxtâches. | |
| dc.identifier.other | DOC/EL1353/2025 | |
| dc.identifier.uri | https://repository.univ-msila.dz/handle/123456789/46222 | |
| dc.language.iso | fr | |
| dc.publisher | University of Mohamed Boudiaf - M’sila | |
| dc.relation.ispartofseries | 2025 | |
| dc.subject | Cartographie d’activationdeclassepondéréepargradient-Apprentis- sage profond-Classificationdelarétinopathiediabétique-Systèmeàdeuxétapes- Extraction decaractéristiques-Caractéristiquesartisanales-Fusiondecaractéristiques - Prétraitementd’images-Extractionderégionsd’intérêt | |
| dc.title | Deep learning-based medical data analysis for disease prediction and classification | |
| dc.type | Thesis |