Instrumentation Biomédicale
Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/5594
Browse
5 results
Search Results
Item Machine learning classifiers for predicting the presence of cancer using gene expression data from CTCs/CTMs(Université M'hamed Bougara Boumerdès : Faculté de Technologie, 2024) Boudali, Maya; Ammar, Mohamed(Promoteur)This thesis focuses on developing and evaluating machine learning classifiers for predicting the presence of seven types of cancer using gene expression data from CTCs and CTMs. The cancers investigated include liver cancer, breast cancer, colorectal cancer, non small cell lung cancer, pancreatic cancer, prostate cancer, and melanoma. The study involves building binary classifiers to distinguish each cancer type from others and multiclass classifiers to predict all seven cancer types. The goal is to compare these approaches and identify the most effective model for accurate cancer prediction. The findings demonstrate the significant potential of machine learning models in enhancing cancer diagnostics using minimally invasive methods.Among the models evaluated, the Random Forest multi-classifier emerged as the most reliable and effective, making it highly recommended for practical use in cancer diagnosis.Item Intelligent system for assist of deafness and muteness people(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2023) Alkurd, Mahmoud; Halimi, Weam; Ammar, Mohamed(Promoteur)Le But ultime de cette recherche est de développer un produit finalisé qui permette une communication transparente pour cette communauté, lui permettant de naviguer plus facilement dans sa vie quotidienneItem Détéction et classification des hémorragies intracrâniennes dans les images TDM par le Deep Learning(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2020) Lamri, Mohamed Amine; Ammar, Mohamed(Promoteur)Le Présent travail se veut comme un outil d'aide à la détection de l'hémorragie intracrânienne (HIC) et de ses cinq (05) sous-types. Le modèle retenu après les différentes expérimentations est à base de l'architecture VGG-16. A partir d'une image TDM cérébrale en entrée notre modèle sera capable de détecter la présence d'une HIC chez un patient, et pourra la classée dans un de ses cinq sous-types avec un taux de classification de 96%. Par ailleurs, des notions importantes sur les HIC et la technique du Deep Learning sont rapportées dans les premières parties de ce mémoireItem La détection des tumeurs cérébrales dans les images IRM(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2020) Chebouti, Mohamed Lamine; Ammar, Mohamed(Promoteur)C'est un phénomène de la radiofréquence, c'est-à-dire résonance magnétique nucléaire, l'Imagerie par Résonance Magnétique (IRM)est un examen qui permet d'obtenir des vues en deux ou trois dimensions de l'intérieur du corps. Elle donne des informations sur des lésions qui ne sont pas visibles sur les radiographies standards, l'échographie ou le scanner. La segmentation est l'étape la plus intéressante du traitement d'image. La tumeur cérébrale est une maladie mortelle, c'est n'importe quelle masse qui résulte de croissances anormales de cellules dans le cerveau. Plusieurs systèmes de diagnostic des tumeurs cérébrales sont développés. Dans notre présent travail, nous nous sommes intéressé à la segmentation par approche classification, elle consiste à déterminer des procédures permettant de rassembler l'ensemble des pixels de l'image en un nombre limité de classes correspondant aux grands éléments structuraux de l'image. L'objectif est de concevoir une méthode de segmentation d'images médicales, plus particulièrement des images IRM du cerveau pour avoir une bonne classification SDM. En effet, il existe plusieurs algorithmes de segmentation d'images, chaque méthode possède ses avantages et ses limites d'utilisation. L'approche adoptée n'est pas forcément la meilleure méthode pour obtenir la meilleure segmentation mais elle nous aide pour obtenir des meilleures classifications. L'algorithme nécessite une connaissance préalable du nombre de clusters à déterminer, ce qui rend impossible une éventuelle automatisation du processusItem Caractérisation tissulaire des fibroses cardiaques(Université M'Hamed Bougara Boumerdès: Faculté de Technologie, 2018) Chamkha, Tayeb; Harrat, Anis; Ammar, Mohamed(Promoteur); Boughrarou, Rafika(Co-Promoteur)Ce projet de fin d'étude a pour objectif de développer un algorithme de segmentation et de caractérisation tissulaire des fibroses cardiaques.Les méthodes développées sont basées sur l'analyse de texture soit:par la matrice de cooccurrence,la méthode fractale, ou bien les motifs binaires locaux (Local Binary Pattern),afin d'améliorer la performance diagnostic du praticien pour dépister plus facilement,plus rapidement et d'une façon objective une éventuelle pathologie cardiaque