University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Exreaction et selection des fonctionnalites pour la reconnaissance faciale avec apprentissage automatique / Sihem Ouennoughi
Titre : Exreaction et selection des fonctionnalites pour la reconnaissance faciale avec apprentissage automatique Type de document : texte imprimé Auteurs : Sihem Ouennoughi, Auteur ; Hadia Guessab, Auteur ; farid Ayache, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (53 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0782 Exreaction et selection des fonctionnalites pour la reconnaissance faciale avec apprentissage automatique [texte imprimé] / Sihem Ouennoughi, Auteur ; Hadia Guessab, Auteur ; farid Ayache, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (53 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0782 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0782 MAI/0782 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Extraction et analyse de connaissances à partir du web Type de document : texte imprimé Auteurs : Slimani,Yacine, Auteur ; Muussaoui,Abdelouhab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (159 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Fouille des usagers du web
Méthod de marche aléatoireIndex. décimale : 004 Informatique Côte titre : DI/0037 En ligne : https://drive.google.com/file/d/1mQMD_7tHWXKH_4wg8YdbSQqQeXRxiNQG/view?usp=shari [...] Format de la ressource électronique : Extraction et analyse de connaissances à partir du web [texte imprimé] / Slimani,Yacine, Auteur ; Muussaoui,Abdelouhab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (159 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Fouille des usagers du web
Méthod de marche aléatoireIndex. décimale : 004 Informatique Côte titre : DI/0037 En ligne : https://drive.google.com/file/d/1mQMD_7tHWXKH_4wg8YdbSQqQeXRxiNQG/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0037 DI/0037 Thèse Bibliothéque des sciences Français Disponible
DisponibleExtraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP / Adil Hellali
Titre : Extraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP Type de document : texte imprimé Auteurs : Adil Hellali, Auteur ; Lahcene Rahmani ; Noureddine Mekroud, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (88 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-informatique
Deep Learning
Auto-Encodeur
Images d’Expression
Génétique
Règles d’Association.Index. décimale : 004 - Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus
étudiées, vu l’importance vitale des connaissances que cachent ces données très
volumineuses et hétérogènes. Une réduction fiable des dimensions des données étudiées
réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la
qualité de ses résultats.
Dans cette perspective, l’approche proposée est basée sur la compression (via des
techniques linéaires (comme l’ACP) et non linéaires (comme l’ACP à Noyau et les AutoEncodeurs)) des séquences d’images représentant les zones expressions génétiques lors des
phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ».
Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences
d’images est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via
l’algorithme Apriori) les item-sets les plus fréquents qui représentent les gènes qui coexpriment durant les phases de développement de l’embryon de cette espèce modèle. Une
interprétation biologique des résultats de l’approche proposée sera ensuite fournie. Les
connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants
qui cache toujours des secrets = Outcomes from the real world, biological data is one of the most studied types of
data, given the vital importance of the knowledge behind this very large and heterogeneous
data. A reliable reduction in the dimensions of the data studied will reduce the complexity
of any learning algorithm used and will help improve the quality of its results.
In this perspective, the proposed approach is based on compression (via linear
techniques (such as ACP) and non-linear (such as ACP to Kernel and Auto-Encoders))
image sequences representing the genetic expression zones during the growth phases of the
embryo of the model species "Edinburgh Mouse".
Then, the extraction of the most relevant characteristics of these image sequences is
ensured via a Convolutive auto-encoder, to finally extract (via the Apriori algorithm) the
most frequent item-sets that represent genes that co-expressed during the development
phases of the embryo of this model species. A biological interpretation of the results of the
proposed approach will then be provided. The knowledge extracted will help biologists
better understand the genome of the living that always hides secrets.
Côte titre : MAI/0810
En ligne : https://drive.google.com/file/d/1QEI2jrrH09z1LkYlNDt8iQhSFIkPMHSd/view?usp=drive [...] Format de la ressource électronique : Extraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP [texte imprimé] / Adil Hellali, Auteur ; Lahcene Rahmani ; Noureddine Mekroud, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (88 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-informatique
Deep Learning
Auto-Encodeur
Images d’Expression
Génétique
Règles d’Association.Index. décimale : 004 - Informatique Résumé : Issues du mode réel, les données biologiques sont l'un des types de données les plus
étudiées, vu l’importance vitale des connaissances que cachent ces données très
volumineuses et hétérogènes. Une réduction fiable des dimensions des données étudiées
réduira la complexité de tout algorithme d’apprentissage utilisé et aidera à améliorer la
qualité de ses résultats.
Dans cette perspective, l’approche proposée est basée sur la compression (via des
techniques linéaires (comme l’ACP) et non linéaires (comme l’ACP à Noyau et les AutoEncodeurs)) des séquences d’images représentant les zones expressions génétiques lors des
phases de croissance de l’embryon de l’espèce modèle « Edinburgh Mouse ».
Ensuite, l’extraction des caractéristiques les plus pertinentes de ces séquences
d’images est assurée via un Auto-Encodeur convolutif, pour enfin extraire (via
l’algorithme Apriori) les item-sets les plus fréquents qui représentent les gènes qui coexpriment durant les phases de développement de l’embryon de cette espèce modèle. Une
interprétation biologique des résultats de l’approche proposée sera ensuite fournie. Les
connaissances extraites aideront les biologistes à mieux comprendre le génome des vivants
qui cache toujours des secrets = Outcomes from the real world, biological data is one of the most studied types of
data, given the vital importance of the knowledge behind this very large and heterogeneous
data. A reliable reduction in the dimensions of the data studied will reduce the complexity
of any learning algorithm used and will help improve the quality of its results.
In this perspective, the proposed approach is based on compression (via linear
techniques (such as ACP) and non-linear (such as ACP to Kernel and Auto-Encoders))
image sequences representing the genetic expression zones during the growth phases of the
embryo of the model species "Edinburgh Mouse".
Then, the extraction of the most relevant characteristics of these image sequences is
ensured via a Convolutive auto-encoder, to finally extract (via the Apriori algorithm) the
most frequent item-sets that represent genes that co-expressed during the development
phases of the embryo of this model species. A biological interpretation of the results of the
proposed approach will then be provided. The knowledge extracted will help biologists
better understand the genome of the living that always hides secrets.
Côte titre : MAI/0810
En ligne : https://drive.google.com/file/d/1QEI2jrrH09z1LkYlNDt8iQhSFIkPMHSd/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0810 MAI/0810 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins / NECHADI, Sara
Titre : Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins Type de document : texte imprimé Auteurs : NECHADI, Sara ; Alti,Adel, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (86f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : CAD ontologie extraction de paramètres classification réseau de neurones MLP mammographie microcalcifications Index. décimale : 004 Informatique Résumé :
Résumé
Le cancer du sein est un véritable fléau de nos jours puisqu’il touche une grande population féminine et constitue à lui seul le plus grand pourcentage de mortalité chez les femmes. Cependant la détection de la tumeur à une étape précoce augmentera considérablement les chances de guérisons des patientes. Il apparait indispensable de développer de nouvelles méthodes ou de nouveaux protocoles pour le dépistage du cancer du sein. Nous proposons à cet effet une nouvelle méthode de classification des images de mammographies basée sur l’utilisation des ontologies.
Cette méthode consiste à rajouter l’aspect sémantique à l'information médicale des images de mammographie via une ontologie spécialisée développée à cet effet en se basant sur le système de caractérisation BI-RADS.
La méthode proposée a été testée sur 150 mammographies provenant de la base d'images DDSM (Digital Database for Screening Mammography).
Note de contenu :
Table de matière
Remerciement
Dédicace
Table de la matière
Liste des Figures
Liste des tableaux
Introduction générale ………………………………………………………………………..1
Chapitre 1 : Extraction des connaissances et fouille de données
1. Introduction…………………………………………………………………………..4
2. L’extraction des connaissances à partir de donnée (ECD)……………………….4
2.1 Définition d’ECD………………………………………………………..4
2.2 Processus d’ECD………………………………………………………………5
2.2.1 Les étapes de processus ECD…………………………………………..5
2.2.2 Les caractéristiques de processus ECD………………………………...7
3. Fouille de données (Data mining)……………………………………………………7
3.1 Définition de Data mining………………………………………………….7
3.2 Domaines d’application……………………………………………………7
3.3 Les tâches de Data mining…………………………………………………9
4. Conclusion……………………………………………………………………………12
Chapitre 2 : L’imagerie médicale et système CAD
I. Introduction…………………………………………………………………………13
II. L’imagerie médicale………………………………………………………………...13
1. Définition d’imagerie médicale……………………………………………………....13
2. Le but de l’imagerie médicale……………………………………………………13
3. Les principes physiques utilisés en imagerie médicale……………………..........14
3.1 Les rayons X…………………………………………………………………14
3.2 Les ultrasons ………………………………………………………………...15
3.3 La résonance magnétique nucléaire (RMN)…………………………………15
4. Les modalités d’imagerie médicale………………………………………............16
4.1 La radiographie………………………………………………………………16
4.2 Le scanner……………………………………………………………………16
4.3 L’échographie………………………………………………………………..17
4.4 Imagerie par résonance magnétique (IRM)………………………………….18
4.5 La mammographie…………………………………………………………...19
III. Le système CAD en imagerie médicale…………………………………………….21
1. Le CAD en mammographie (état de l’art)………………………………………..21
1.1 la détection automatique des cancers en mammographie…………………….22
1.1.1 Les composants d’un système de détection automatique…………….22
1.1.2 Prétraitement des images……………………………………………...23
1.1.3 Marquage……………………………………………………………...23
1.1.4 Prise de décision………………………………………………………25
IV. Conclusion…………………………………………………………………………....27
Chapitre 3: La segmentation des images médicales
1. Introduction…………………………………………………………………………28
2. Qu’est-ce que la segmentation ?...............................................................................28
3. Objectif de segmentation d’image ………………………………………………...28
4. Les différentes méthodes de segmentation………………………………………...29
4.1 L’approche par région………………………………………………………..29
4.1.1 seuillage ………………………………………………………………....29
4.1.2 croissance de région……………………………………………………...29
4.1.3 Division-fusion de régions………………………………………………30
4.2 L’approche contour…………………………………………………………30
4.3 Méthodes de classification…………………………………………………..31
4.3.1 méthodes de classification supervisées……………..................................31
4.3.2 méthodes de classification non supervisées……………………………. 34
5. Conclusion……………………………………………………………………………36
Chapitre 4 : Le cancer des seins
1. Introduction…………………………………………………………………………37
2. Qu’est-ce qu’un cancer ?...........................................................................................37
3. L’anatomie de sein………………………………………………………………….37
3.1 Description générale…………………………………………………………37
3.2 Description détaillée…………………………………………………………38
4. Pathologies mammaire……………………………………………………………..39
4.1 Les maladies bénignes……………………………………………………….40
4.2 Les maladies malignes………………………………………………………41
4.2.1 Les symptômes………………………………………………………….41
4.2.2 Les facteurs de risques………………………………………………….42
4.2.3 Le dépistage…………………………………………………………….. 42
4.2.4 Le diagnostic…………………………………………………………….44
4.2.5 Les différents types de cancer……………………………………………44
4.2.6 Caractéristiques des différents types de cancer…………………………..45
4.2.7 La classification BI-RADS [ACR, 2003]………………………………..48
4.2.8 La classification proposée………………………………………………..48
4.2.9 Le traitement du cancer…………………………………………………..50
5. Conclusion…………………………………………………………………………..52
Chapitre 5 : Les ontologies
1. Introduction…………………………………………………………………………53
2. Définition……………………………………………………………………………53
3. Pourquoi les ontologies ?...........................................................................................54
4. Les aspects d’une ontologie………………………………………………………...55
4.1 Formelle……………………………………………………………………………55
4.2 Consensuelle………………………………………………………………………..55
4.3 Référençable…………………………………………………………………………55
5. Les composants d’une ontologie…………………………………………………...55
5.1 Classes/concepts……………………………………………………………………..55
5.2 Les relations………………………………………………………………………….55
5.3 Les fonctions………………………………………………………………………57
5.4 Les axiomes…………………………………………………………………………57
5.5 Les instances (individus)…………………………………………………………….57
6. Les différents types d’ontologies…………………………………………………...57
6.1 Selon le degré de formalisme………………………………………………...58
6.2 Selon les objets modalisés…………………………………………………...58
7. Construction d’une ontologie………………………………………………………60
7.1 Etapes de construction d’une ontologie……………………………………...60
7.2 Quelques méthodes de construction………………………………………….61
8. Usage des ontologies………………………………………………………………...62
9. Langages de représentation………………………………………………………..63
9.1 RDF………………………………………………………………………...63
9.2 RDFS…………………………………………………………………………63
9.3 DAML-OIL…………………………………………………………………..64
9.4 OWL…………………………………………………………………………64
10. Conclusion…………………………………………………………………………..65
Chapitre 6 : contribution au dépistage du cancer de seins
1. Introduction………………………………………………………………………….….66
2. Description générale de système………………………………………………………..66
2.1 Extraction des paramètres………………………………………………………...67
3. Base de données mammographies………………………………………………………67
3.1 Description de fichier ics…………………………………………………………68
3.2 description de fichier overlay………………………………………………...….68
4. Classification par les réseaux de neurones……………………………………………..69
5. Classification par l’ontologie…………………………………………………………...71
5.1 Construction d’une ontologie pour la prise de décision des pathologies mammaires………………………………………………………………………..71
5.1.1 Spécification…………………………………………………………….72
5.1.2 Conceptualisation……………………………………………………….72
6. Conclusion………………………………………………………………………………..77
Chapitre 7 : Implémentation et validation
1. Introduction……………………………………………………………………………....78
2. Environnement de développement………………………………………………………78
2.1 Protégé……………………………………………………………………………78
2.2 Le langage SWRL……………………………………………..…………………79
2.3 JESS (The JavaExpert System Shell)…………………………………….………79
3. La base d’image utilisée………………………………………………………….....79
4. Organisation de l’application………………………………………………………81
5. Classification par l’ontologie……………………………………………………….82
6. Menu d’utilisation de notre application…………………………………………...83
7. Conclusion…………………………………………………………………………...85
Conclusion générale…………………………………………...................................86
Bibliographie
Résumé
Côte titre : MAI/0034 Extraction de connaissance à partir des données biomédicales guidée par une ontologie: Application au dépistage du cancer des seins [texte imprimé] / NECHADI, Sara ; Alti,Adel, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (86f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : CAD ontologie extraction de paramètres classification réseau de neurones MLP mammographie microcalcifications Index. décimale : 004 Informatique Résumé :
Résumé
Le cancer du sein est un véritable fléau de nos jours puisqu’il touche une grande population féminine et constitue à lui seul le plus grand pourcentage de mortalité chez les femmes. Cependant la détection de la tumeur à une étape précoce augmentera considérablement les chances de guérisons des patientes. Il apparait indispensable de développer de nouvelles méthodes ou de nouveaux protocoles pour le dépistage du cancer du sein. Nous proposons à cet effet une nouvelle méthode de classification des images de mammographies basée sur l’utilisation des ontologies.
Cette méthode consiste à rajouter l’aspect sémantique à l'information médicale des images de mammographie via une ontologie spécialisée développée à cet effet en se basant sur le système de caractérisation BI-RADS.
La méthode proposée a été testée sur 150 mammographies provenant de la base d'images DDSM (Digital Database for Screening Mammography).
Note de contenu :
Table de matière
Remerciement
Dédicace
Table de la matière
Liste des Figures
Liste des tableaux
Introduction générale ………………………………………………………………………..1
Chapitre 1 : Extraction des connaissances et fouille de données
1. Introduction…………………………………………………………………………..4
2. L’extraction des connaissances à partir de donnée (ECD)……………………….4
2.1 Définition d’ECD………………………………………………………..4
2.2 Processus d’ECD………………………………………………………………5
2.2.1 Les étapes de processus ECD…………………………………………..5
2.2.2 Les caractéristiques de processus ECD………………………………...7
3. Fouille de données (Data mining)……………………………………………………7
3.1 Définition de Data mining………………………………………………….7
3.2 Domaines d’application……………………………………………………7
3.3 Les tâches de Data mining…………………………………………………9
4. Conclusion……………………………………………………………………………12
Chapitre 2 : L’imagerie médicale et système CAD
I. Introduction…………………………………………………………………………13
II. L’imagerie médicale………………………………………………………………...13
1. Définition d’imagerie médicale……………………………………………………....13
2. Le but de l’imagerie médicale……………………………………………………13
3. Les principes physiques utilisés en imagerie médicale……………………..........14
3.1 Les rayons X…………………………………………………………………14
3.2 Les ultrasons ………………………………………………………………...15
3.3 La résonance magnétique nucléaire (RMN)…………………………………15
4. Les modalités d’imagerie médicale………………………………………............16
4.1 La radiographie………………………………………………………………16
4.2 Le scanner……………………………………………………………………16
4.3 L’échographie………………………………………………………………..17
4.4 Imagerie par résonance magnétique (IRM)………………………………….18
4.5 La mammographie…………………………………………………………...19
III. Le système CAD en imagerie médicale…………………………………………….21
1. Le CAD en mammographie (état de l’art)………………………………………..21
1.1 la détection automatique des cancers en mammographie…………………….22
1.1.1 Les composants d’un système de détection automatique…………….22
1.1.2 Prétraitement des images……………………………………………...23
1.1.3 Marquage……………………………………………………………...23
1.1.4 Prise de décision………………………………………………………25
IV. Conclusion…………………………………………………………………………....27
Chapitre 3: La segmentation des images médicales
1. Introduction…………………………………………………………………………28
2. Qu’est-ce que la segmentation ?...............................................................................28
3. Objectif de segmentation d’image ………………………………………………...28
4. Les différentes méthodes de segmentation………………………………………...29
4.1 L’approche par région………………………………………………………..29
4.1.1 seuillage ………………………………………………………………....29
4.1.2 croissance de région……………………………………………………...29
4.1.3 Division-fusion de régions………………………………………………30
4.2 L’approche contour…………………………………………………………30
4.3 Méthodes de classification…………………………………………………..31
4.3.1 méthodes de classification supervisées……………..................................31
4.3.2 méthodes de classification non supervisées……………………………. 34
5. Conclusion……………………………………………………………………………36
Chapitre 4 : Le cancer des seins
1. Introduction…………………………………………………………………………37
2. Qu’est-ce qu’un cancer ?...........................................................................................37
3. L’anatomie de sein………………………………………………………………….37
3.1 Description générale…………………………………………………………37
3.2 Description détaillée…………………………………………………………38
4. Pathologies mammaire……………………………………………………………..39
4.1 Les maladies bénignes……………………………………………………….40
4.2 Les maladies malignes………………………………………………………41
4.2.1 Les symptômes………………………………………………………….41
4.2.2 Les facteurs de risques………………………………………………….42
4.2.3 Le dépistage…………………………………………………………….. 42
4.2.4 Le diagnostic…………………………………………………………….44
4.2.5 Les différents types de cancer……………………………………………44
4.2.6 Caractéristiques des différents types de cancer…………………………..45
4.2.7 La classification BI-RADS [ACR, 2003]………………………………..48
4.2.8 La classification proposée………………………………………………..48
4.2.9 Le traitement du cancer…………………………………………………..50
5. Conclusion…………………………………………………………………………..52
Chapitre 5 : Les ontologies
1. Introduction…………………………………………………………………………53
2. Définition……………………………………………………………………………53
3. Pourquoi les ontologies ?...........................................................................................54
4. Les aspects d’une ontologie………………………………………………………...55
4.1 Formelle……………………………………………………………………………55
4.2 Consensuelle………………………………………………………………………..55
4.3 Référençable…………………………………………………………………………55
5. Les composants d’une ontologie…………………………………………………...55
5.1 Classes/concepts……………………………………………………………………..55
5.2 Les relations………………………………………………………………………….55
5.3 Les fonctions………………………………………………………………………57
5.4 Les axiomes…………………………………………………………………………57
5.5 Les instances (individus)…………………………………………………………….57
6. Les différents types d’ontologies…………………………………………………...57
6.1 Selon le degré de formalisme………………………………………………...58
6.2 Selon les objets modalisés…………………………………………………...58
7. Construction d’une ontologie………………………………………………………60
7.1 Etapes de construction d’une ontologie……………………………………...60
7.2 Quelques méthodes de construction………………………………………….61
8. Usage des ontologies………………………………………………………………...62
9. Langages de représentation………………………………………………………..63
9.1 RDF………………………………………………………………………...63
9.2 RDFS…………………………………………………………………………63
9.3 DAML-OIL…………………………………………………………………..64
9.4 OWL…………………………………………………………………………64
10. Conclusion…………………………………………………………………………..65
Chapitre 6 : contribution au dépistage du cancer de seins
1. Introduction………………………………………………………………………….….66
2. Description générale de système………………………………………………………..66
2.1 Extraction des paramètres………………………………………………………...67
3. Base de données mammographies………………………………………………………67
3.1 Description de fichier ics…………………………………………………………68
3.2 description de fichier overlay………………………………………………...….68
4. Classification par les réseaux de neurones……………………………………………..69
5. Classification par l’ontologie…………………………………………………………...71
5.1 Construction d’une ontologie pour la prise de décision des pathologies mammaires………………………………………………………………………..71
5.1.1 Spécification…………………………………………………………….72
5.1.2 Conceptualisation……………………………………………………….72
6. Conclusion………………………………………………………………………………..77
Chapitre 7 : Implémentation et validation
1. Introduction……………………………………………………………………………....78
2. Environnement de développement………………………………………………………78
2.1 Protégé……………………………………………………………………………78
2.2 Le langage SWRL……………………………………………..…………………79
2.3 JESS (The JavaExpert System Shell)…………………………………….………79
3. La base d’image utilisée………………………………………………………….....79
4. Organisation de l’application………………………………………………………81
5. Classification par l’ontologie……………………………………………………….82
6. Menu d’utilisation de notre application…………………………………………...83
7. Conclusion…………………………………………………………………………...85
Conclusion générale…………………………………………...................................86
Bibliographie
Résumé
Côte titre : MAI/0034 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0034 MAI/0034 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance / Gouissem ,Sarra
Titre : Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance Type de document : texte imprimé Auteurs : Gouissem ,Sarra, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (74 p.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
Images d’expression génétique
Fouille de données
Théorie de croyance, règles d’associationIndex. décimale : 004 - Informatique Résumé : La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la notion de preuves utilisant les fonctions de croyance et le raisonnement plausible. Cette théorie permet de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de données, elle peut être adaptée pour modéliser l’extraction des règles d’association. Dans ce contexte, notre approche consiste à l’extraction des règles d’association évidentielles à partir des images d’expression génétique de l’embryon de l’espèce modèle souris Edinburg. Plusieurs techniques ont été utilisées pour réduire la complexité de l’algorithme. Il s’agit d’abord du prétraitement des images numériques, ensuite la représentation de l’imperfection des données traitées suivant le concept évidentiel, en définissant ainsi une fonction de masse de chaque attribut pour la génération des itemsets évidentiels. Puis, la génération des règles d’association évidentielles suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. A la fin on a comparé les résultats obtenus avec les résultats basés sur le concept flou.
Note de contenu : Sommaire
Remerciement ........................................................................................................................................... i
Dédicace ................................................................................................................................................... ii
Table des matières .................................................................................................................................. iii
Liste des figures ...................................................................................................................................... vi
Liste des tables ....................................................................................................................................... vii
Introduction générale ............................................................................................................................. 1
Chapitre 1 ................................................................................................................................................ 3
1. Introduction .................................................................................................................................... 4
2. Définition de la bio-informatique .................................................................................................. 4
2.1 Définition 1 : ............................................................................................................................ 4
2.2 Définition 2 .............................................................................................................................. 4
3. Historique : ...................................................................................................................................... 5
4. Les différentes applications de la bioinformatique ....................................................................... 6
5. Buts de la bioinformatique ............................................................................................................. 6
6. Les notions biologiques .................................................................................................................. 7
7. Stockage : les Banques de données biologiques ........................................................................... 9
7.1 Banques généralistes ............................................................................................................ 10
7.2 Banques spécialisées ............................................................................................................ 11
7.3 La diffusion des bases de données ....................................................................................... 12
8. L’image d’expression génétique ................................................................................................... 13
9. L’imagerie in vivo des expressions génétiques ............................................................................ 13
9.1. L’imagerie in vivo de l’embryon du « poisson zèbre » ........................................................ 13
9.2. L’imagerie in vivo de l’embryon de « Edinburgh Mouse » .................................................. 16
10. Conclusion ................................................................................................................................. 17
Chapitre 2 .............................................................................................................................................. 18
1. Introduction .................................................................................................................................. 19
2. Extraction des connaissances à partir de données ...................................................................... 19
3. Fouille de données ........................................................................................................................ 22
3.1. Définition .............................................................................................................................. 22
3.2. Domaines d’application de la fouille de données ............................................................... 22
3.3. Principales tâches de fouille de données ............................................................................. 22
3.4. En général .............................................................................................................................. 23
3.5. Les Méthodes descriptives (apprentissage non supervisé) ................................................. 24
3.5.1. La méthode des K-Moyennes ...................................................................................... 24
3.5.2. Classification FCM (Fuzzy C-Means) ........................................................................ 25
3.5.3. Classification possibiliste PCM (Possibilist C-Means) ............................................. 25
Table des matières
V
viv
3.6. Les méthodes prédictives (apprentissage supervisé) .......................................................... 26
3.6.1. La méthode KNN (K- Nearest Neighbors) ................................................................ 26
3.6.2. Les arbres de décision ................................................................................................. 26
3.6.3. Les réseaux de neurones.............................................................................................. 26
4. Les règles d’association ................................................................................................................ 27
4.1. Définition .............................................................................................................................. 27
4.2. Les étapes d’extraction des règles d’association ................................................................. 28
4.3. Concepts généraux................................................................................................................ 29
4.4. Algorithmes de recherche de règles d’association .............................................................. 30
4.5. Exemple d’extraction de règle d’association : ..................................................................... 32
5. Texte mining.................................................................................................................................. 36
6. L’image Mining .............................................................................................................................. 36
7. Conclusion ..................................................................................................................................... 36
Chapitre 3 .............................................................................................................................................. 37
1. Introduction .................................................................................................................................. 38
2. Suivi du développement de la logique humaine ......................................................................... 38
2.1. La logique binaire .................................................................................................................. 39
2.2. Les données dans le monde réel .......................................................................................... 39
3. L’information imparfaite .............................................................................................................. 39
4. Les types d’imperfection des données ......................................................................................... 40
4.1. L’information imprécise ................................................................................................. 40
4.2. L’information incomplète ............................................................................................... 40
4.3. L’information incertaine ................................................................................................. 41
4.4. L’inconsistance ................................................................................................................ 41
5. Représentations formelles de l’information imparfaite ............................................................. 41
5.1. Théorie des probabilités ....................................................................................................... 41
5.1.1. Cadre classique ............................................................................................................ 42
5.1.2. Cadre bayésien ............................................................................................................. 43
5.2. Théorie des ensembles flous. ............................................................................................... 43
5.2.1. Des ensembles classiques aux ensembles flous .......................................................... 44
5.2.2. Définitions .................................................................................................................... 45
5.2.3. Fonctions d’appartenance ........................................................................................... 45
5.2.4. Les variables linguistiques .......................................................................................... 46
5.2.5. Les opérations de base sur les ensembles flous : ....................................................... 46
5.3. Théorie des possibilités ........................................................................................................ 47
5.3.1. Mesure de possibilités .................................................................................................. 47
5.3.2. Mesure de nécessités .................................................................................................... 48
5.4. Théorie de l’évidence ............................................................................................................ 48
Table des matières
V
viv
5.4.1. Cadre de discernement ................................................................................................ 49
5.4.2. Règle de combinaison de Dempster ........................................................................... 50
5.4.3. Modèle des croyances transférables ........................................................................... 51
5.4.4. Avantages et limites de la théorie de l’évidence ........................................................ 52
6. Extraction des itemsets fréquents à partir de données Flou ...................................................... 53
6.1. Théorie des sous-ensembles flous en fouille de données ............................................... 53
6.2. Définitions ........................................................................................................................ 54
7. Extraction des itemsets fréquents à partir de données évidentielles ........................................ 58
7.1. Bases de données évidentielles............................................................................................ 58
7.2. Extraction des itemsets fréquents ....................................................................................... 59
8. Conclusion ..................................................................................................................................... 61
Chapitre 4 .............................................................................................................................................. 62
1. Introduction .................................................................................................................................. 63
2. L’environnement de programmation Matlab .............................................................................. 63
3. L’approche proposée .................................................................................................................... 63
3.1. Présentation générale .......................................................................................................... 63
3.2. Pseudo code .......................................................................................................................... 64
3.3. Contribution .......................................................................................................................... 65
3.4. Prétraitement ........................................................................................................................ 65
3.4.1. Redimensionner : .................................................................................................................. 65
3.4.2. Indexation : ........................................................................................................................... 66
3.4.3. Compression :........................................................................................................................ 66
3.5. Conception de l’approche proposée .................................................................................... 67
3.5.1. Masse évidentielle ........................................................................................................ 67
3.6. La table de transaction ......................................................................................................... 68
4. Discutions des résultats ................................................................................................................ 69
5. L’interface graphique .................................................................................................................... 70
6. Conclusion ..................................................................................................................................... 71
Conclusion générale .............................................................................................................................. 72
Résumé .................................................................................................................................................. 73
Bibliographie ......................................................................................................................................... 74
Liste des figures
VI
vi
Liste desCôte titre : MAI/0293 En ligne : https://drive.google.com/file/d/1-Sl6uSYkmt1DS6Fugv15SM6wbJw3GMga/view?usp=shari [...] Format de la ressource électronique : Extraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance [texte imprimé] / Gouissem ,Sarra, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (74 p.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique
Images d’expression génétique
Fouille de données
Théorie de croyance, règles d’associationIndex. décimale : 004 - Informatique Résumé : La théorie de croyance de Dempster Shafer est une théorie mathématique basée sur la notion de preuves utilisant les fonctions de croyance et le raisonnement plausible. Cette théorie permet de combiner des preuves distinctes, elle a un fort impact sur les méthodes de fouille de données, elle peut être adaptée pour modéliser l’extraction des règles d’association. Dans ce contexte, notre approche consiste à l’extraction des règles d’association évidentielles à partir des images d’expression génétique de l’embryon de l’espèce modèle souris Edinburg. Plusieurs techniques ont été utilisées pour réduire la complexité de l’algorithme. Il s’agit d’abord du prétraitement des images numériques, ensuite la représentation de l’imperfection des données traitées suivant le concept évidentiel, en définissant ainsi une fonction de masse de chaque attribut pour la génération des itemsets évidentiels. Puis, la génération des règles d’association évidentielles suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. A la fin on a comparé les résultats obtenus avec les résultats basés sur le concept flou.
Note de contenu : Sommaire
Remerciement ........................................................................................................................................... i
Dédicace ................................................................................................................................................... ii
Table des matières .................................................................................................................................. iii
Liste des figures ...................................................................................................................................... vi
Liste des tables ....................................................................................................................................... vii
Introduction générale ............................................................................................................................. 1
Chapitre 1 ................................................................................................................................................ 3
1. Introduction .................................................................................................................................... 4
2. Définition de la bio-informatique .................................................................................................. 4
2.1 Définition 1 : ............................................................................................................................ 4
2.2 Définition 2 .............................................................................................................................. 4
3. Historique : ...................................................................................................................................... 5
4. Les différentes applications de la bioinformatique ....................................................................... 6
5. Buts de la bioinformatique ............................................................................................................. 6
6. Les notions biologiques .................................................................................................................. 7
7. Stockage : les Banques de données biologiques ........................................................................... 9
7.1 Banques généralistes ............................................................................................................ 10
7.2 Banques spécialisées ............................................................................................................ 11
7.3 La diffusion des bases de données ....................................................................................... 12
8. L’image d’expression génétique ................................................................................................... 13
9. L’imagerie in vivo des expressions génétiques ............................................................................ 13
9.1. L’imagerie in vivo de l’embryon du « poisson zèbre » ........................................................ 13
9.2. L’imagerie in vivo de l’embryon de « Edinburgh Mouse » .................................................. 16
10. Conclusion ................................................................................................................................. 17
Chapitre 2 .............................................................................................................................................. 18
1. Introduction .................................................................................................................................. 19
2. Extraction des connaissances à partir de données ...................................................................... 19
3. Fouille de données ........................................................................................................................ 22
3.1. Définition .............................................................................................................................. 22
3.2. Domaines d’application de la fouille de données ............................................................... 22
3.3. Principales tâches de fouille de données ............................................................................. 22
3.4. En général .............................................................................................................................. 23
3.5. Les Méthodes descriptives (apprentissage non supervisé) ................................................. 24
3.5.1. La méthode des K-Moyennes ...................................................................................... 24
3.5.2. Classification FCM (Fuzzy C-Means) ........................................................................ 25
3.5.3. Classification possibiliste PCM (Possibilist C-Means) ............................................. 25
Table des matières
V
viv
3.6. Les méthodes prédictives (apprentissage supervisé) .......................................................... 26
3.6.1. La méthode KNN (K- Nearest Neighbors) ................................................................ 26
3.6.2. Les arbres de décision ................................................................................................. 26
3.6.3. Les réseaux de neurones.............................................................................................. 26
4. Les règles d’association ................................................................................................................ 27
4.1. Définition .............................................................................................................................. 27
4.2. Les étapes d’extraction des règles d’association ................................................................. 28
4.3. Concepts généraux................................................................................................................ 29
4.4. Algorithmes de recherche de règles d’association .............................................................. 30
4.5. Exemple d’extraction de règle d’association : ..................................................................... 32
5. Texte mining.................................................................................................................................. 36
6. L’image Mining .............................................................................................................................. 36
7. Conclusion ..................................................................................................................................... 36
Chapitre 3 .............................................................................................................................................. 37
1. Introduction .................................................................................................................................. 38
2. Suivi du développement de la logique humaine ......................................................................... 38
2.1. La logique binaire .................................................................................................................. 39
2.2. Les données dans le monde réel .......................................................................................... 39
3. L’information imparfaite .............................................................................................................. 39
4. Les types d’imperfection des données ......................................................................................... 40
4.1. L’information imprécise ................................................................................................. 40
4.2. L’information incomplète ............................................................................................... 40
4.3. L’information incertaine ................................................................................................. 41
4.4. L’inconsistance ................................................................................................................ 41
5. Représentations formelles de l’information imparfaite ............................................................. 41
5.1. Théorie des probabilités ....................................................................................................... 41
5.1.1. Cadre classique ............................................................................................................ 42
5.1.2. Cadre bayésien ............................................................................................................. 43
5.2. Théorie des ensembles flous. ............................................................................................... 43
5.2.1. Des ensembles classiques aux ensembles flous .......................................................... 44
5.2.2. Définitions .................................................................................................................... 45
5.2.3. Fonctions d’appartenance ........................................................................................... 45
5.2.4. Les variables linguistiques .......................................................................................... 46
5.2.5. Les opérations de base sur les ensembles flous : ....................................................... 46
5.3. Théorie des possibilités ........................................................................................................ 47
5.3.1. Mesure de possibilités .................................................................................................. 47
5.3.2. Mesure de nécessités .................................................................................................... 48
5.4. Théorie de l’évidence ............................................................................................................ 48
Table des matières
V
viv
5.4.1. Cadre de discernement ................................................................................................ 49
5.4.2. Règle de combinaison de Dempster ........................................................................... 50
5.4.3. Modèle des croyances transférables ........................................................................... 51
5.4.4. Avantages et limites de la théorie de l’évidence ........................................................ 52
6. Extraction des itemsets fréquents à partir de données Flou ...................................................... 53
6.1. Théorie des sous-ensembles flous en fouille de données ............................................... 53
6.2. Définitions ........................................................................................................................ 54
7. Extraction des itemsets fréquents à partir de données évidentielles ........................................ 58
7.1. Bases de données évidentielles............................................................................................ 58
7.2. Extraction des itemsets fréquents ....................................................................................... 59
8. Conclusion ..................................................................................................................................... 61
Chapitre 4 .............................................................................................................................................. 62
1. Introduction .................................................................................................................................. 63
2. L’environnement de programmation Matlab .............................................................................. 63
3. L’approche proposée .................................................................................................................... 63
3.1. Présentation générale .......................................................................................................... 63
3.2. Pseudo code .......................................................................................................................... 64
3.3. Contribution .......................................................................................................................... 65
3.4. Prétraitement ........................................................................................................................ 65
3.4.1. Redimensionner : .................................................................................................................. 65
3.4.2. Indexation : ........................................................................................................................... 66
3.4.3. Compression :........................................................................................................................ 66
3.5. Conception de l’approche proposée .................................................................................... 67
3.5.1. Masse évidentielle ........................................................................................................ 67
3.6. La table de transaction ......................................................................................................... 68
4. Discutions des résultats ................................................................................................................ 69
5. L’interface graphique .................................................................................................................... 70
6. Conclusion ..................................................................................................................................... 71
Conclusion générale .............................................................................................................................. 72
Résumé .................................................................................................................................................. 73
Bibliographie ......................................................................................................................................... 74
Liste des figures
VI
vi
Liste desCôte titre : MAI/0293 En ligne : https://drive.google.com/file/d/1-Sl6uSYkmt1DS6Fugv15SM6wbJw3GMga/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0293 MAI/0293 Mémoire Bibliothéque des sciences Français Disponible
DisponibleExtraction de connaissances dans les big data : Application aux données biomédicales / SEDJAL, Maroua Yousra
PermalinkPermalinkExtraction de connaissances à partir de données multi-spectrales : cas des images MSG / Bilal Bouaita
PermalinkExtraction des connaissances à partir des séquences d’images d’expression génétique / Amaouche, Samiha
PermalinkPermalinkPermalinkExtraction des motifs séquentiels flous et possibilistes à partir des données d'expression génétique / el Mokhtar Adimi
PermalinkExtraction des motifs séquentiels possibilistes à partir des données d’expression génétique / Boukaroura ,mohamed
PermalinkPermalinkPermalinkFast fuzzy c-menas for mr brain image segmentation / Serti,Chouaib
PermalinkPermalinkPermalinkFeature selection approach based on particle swarm optimization algorithm in virtual screening process / Abderrahim Nouioua
PermalinkPermalinkFeature Selection Using Gray Wolf Optimizer For Arabic Text Classification / Nour El Im`ene Kharmouche
PermalinkPermalinkPermalinkFiltrage des images m´edicales bas´e sur l’EDP (EDP-based medical image filtering) / Chaima Benhafed
PermalinkPermalink