Browsing by Author "Ammar, Mohammed(Promoteur)"

Now showing 1 - 6 of 6

Classification des images échocardiographie avec les réseaux des neurones convolutionnels
(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2021) Madani, Mehdi; Allouache, Ali; Ammar, Mohammed(Promoteur)
Les Réseaux de neurones convolutionnels sont des réseaux de neurones multicouches qui sont spécialisés dans des taches de reconnaissance de forme. Notre travail consiste à reconnaitre les différentes coupes écho cardiographiques en utilisent la classification par les réseaux de neurones convolutionels à travers l'architectures de Resnet50 quel est constituée de nombreux blocs résiduels avec 3×3 couches de convolution. Les résultats obtenus ont montré que le choix du nombre d'époque et la taille de la base d'images ainsi que la profondeur du réseau ont une grande influence pour avoir des meilleurs résultats
Détection automatique des coupes echographiques foetales
(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2022) Barnor, Baenedict; Nakyeyune, Susan; Ammar, Mohammed(Promoteur)
Ce projet vise la classification des images échographiques du plan foetal. Ceci est réalisé en examinant le CNN en profondeur et en étudiant les méthodes de classification automatisées à l'aide d'architectures conçues pour les tâches d'apprentissage en profondeur. Trois architectures CNN différentes : EfficientNetB0, ResNet50 et InceptionV3 sont entraînées sur ces images pour examiner leurs performances. Le choix final de ces architectures est basé sur le niveau du taux de classification dans la classification des images. Sur la base des performances du taux de classification, le modèle EfficientNetB0 est arrivé en tête du classement et pour améliorer ses performances de classification, nous avons utilisé le prétraitement d'augmentation des données. Les images utilisées dans l'apprentissage de ces réseaux proviennent de l'EPH Kouba et de la Clinique des Lilas
Détection des coupes foetale par les transformateurs de vision
(Université M'Hamed Bougara Boumerdés: Faculté de Technologie, 2024) M'zir, Katia; Iloul, Samira; Ammar, Mohammed(Promoteur)
Ce travail explore l'efficacité des modèles d'apprentissage profond, notamment les Vision Transformers (ViT), dans la classification des images échographiques foetales pour diagnostiquer et prédire les pathologies prénatales. L'étude a comparé les performances de divers modèles Vision Transformers et a confirmé que les ViT surpassent les CNN dans certaines tâches de classification d'images médicales. Deux modèles de Vision Transformers, ViT-B16 et ViT-L16, ont été utilisés, et il a été constaté que les ajustements des paramètres tels que le taux de dropout et le nombre d'époques influencent significativement les résultats. En optimisant ces hyperparamètres, les performances du modèle peuvent être améliorées. De plus, l'analyse a montré que l'augmentation des données améliore considérablement les résultats, soulignant l'importance d'une base de données étendue pour un apprentissage optimal. Parmi les modèles étudiés, le ViT-B16 a démontré une performance supérieure par rapport au ViT-L16, bien que le ViT-L16 demeure prometteur et pourrait être amélioré avec une base de données plus étendue
Détection précoce de kératocône dans les images de la topographie cornéenne
(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2021) Lemou, Sara; Ammar, Mohammed(Promoteur)
Le kératocône est une maladie oculaire qui affecte directement la cornée. Le but de ce travail est d'aide la détection précoce du kératocône, Nous avons utilisé deux modèles: CNN simple et le modèle Alexnet. Nous avons utilisé une base de données locale constituée de 274patients. Nous avons testé deux architectures, l'une basée sur CNN et la seconde basée sur le modèle Alexnet avec les algorithmes d'apprentissage " Adam, Rmsprop, et Sgdm ". Les résultats obtenus ont montré que le modèle Alexnet avec l'algorithme "Rmsprop" donne le meilleur TC= 95,6%, par contre le modèle CNN avec la fonction SGDM donne la meilleure sensibilité (92.1%)
Etude et réalisation de NOOR : un traducteur portable arabe-braille en temps réel basé sur l'iot
(Université M'Hamed Bougara Boumerdés: Faculté de Technologie, 2024) Abdelli, Younes Nadji; Ammar, Mohammed(Promoteur)
Cette Mémoire de fin d'études explore et développe le projet NOOR, un traducteur innovant en temps réel de l'arabe au braille utilisant la technologie de l'Internet des objets (IoT). Le projet NOOR répond à un besoin crucial d'outils éducatifs accessibles pour les personnes malvoyantes en Algérie. En utilisant des microcontrôleurs ESP32, des servomoteurs et un site web personnalisé, NOOR traduit efficacement le texte arabe en braille, affiché via des servomoteurs. La dissertation offre un aperçu historique du braille, discute des défis uniques rencontrés en Algérie et examine en détail les aspects techniques du projet. Les résultats montrent une amélioration significative de l'accessibilité des ressources éducatives pour les malvoyants en Algérie, mettant l'accent sur l'accessibilité financière et des fonctionnalités arabes enrichies absentes des traducteurs existants. Ce travail souligne le potentiel vaste de l'IoT dans le développement de technologies d'assistance à la fois économiques et hautement fonctionnelles
Reconnaissance des grades du kératocône par les CNN
(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2022) Bouchatal, Akram; Feid, Nesrine; Ammar, Mohammed(Promoteur)
Dans le cas du kératocône,la cornée prend une forme conique en raison de son amincissement et de sa protrusion. La détection précoce du kératocône est essentielle pour éviter une perte de vision ou des réparations coûteuses. Dans les cartes de topographie cornéenne, la courbure et l'inclinaison peuvent être distinguées par les échelles de couleurs,les couleurs chaudes représentant les zones courbées et inclinées et les couleurs froides les zones plates. Avec l'avènement des algorithmes d'apprentissage automatique comme les réseaux neuronaux convolutifs (CNN), l'identification et la classification du kératocône à partir de ces cartes topographiques peut devenir plus rapides et plus précises.Des diffèrent algorithmes CNN comme Alexnet, resnet50 etc., ont été mis en oeuvre pour, la classification du kératocône. Les résultats montrent que le modèle resnet50 a donné un taux de classification de 96% par rapport à d'autres algorithmes comme Shufllenet qui a donné 94% et Googlenet avec 87.4%.Ce travail peut aider l'ophtalmologiste à réduire les erreurs de diagnostic et contribuer au dépistage rapide des patients