Advancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation / Taranim Attallah

Public ISBD Titre : Advancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation Type de document : document électronique Auteurs : Taranim Attallah, Auteur ; Mohamed Fadhel Mansouri, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (60 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Colorectal Cancer Artificial Intelligence in Healthcare Deep Learning Medical Image Segmentation Index. décimale : 004 Informatique Résumé : This study presents an innovative approach for colorectal cancer detection based on the CoNIC Challenge dataset. We have developed an ensemble model that uses the architectures U-Net, Segformer, and SAM for segmentation and classification. Data preprocessing and augmentation techniques are employed to enhance the model’s generalization and robustness. Comparative analysis with traditional deep learning models demonstrates the performance of the proposed model in terms of precision, recall, and F1-score, achieving a precision of 98.15% and an accuracy of 96.69%. Furthermore, the model exhibits efficient execution performance, making it suitable for real-world clinical applications. This research contributes to the advancement of medical diagnostics by providing a promising solution for colorectal cancer detection. Note de contenu : Sommaire Abstract i Resumé ii Table of contents ix List of figures x List of tables xi Abbreviations xii Introduction 1 1 Theoretical Background 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Machine Learning definition . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.2 Deep learning architectures . . . . . . . . . . . . . . . . . . . . 9 1.3.3 U-Net: Convolutional Networks for Biomedical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.4 SegFormer: Transformer-based Segmentation Model . . . . . . . 13 1.3.5 SAM (Self-Attention Mechanism) in Image Analysis . . . . . . 14 1.4 Algorithm and Model Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.1 Introduction to Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.2 Train-Test Split . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.3 Cross-validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.4 Holdout Validation . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.4.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5 Evaluating Deep Learning VS Traditional Machine Learning Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.1 Data Complexity and Representation . . . . . . . . . . . . . . . 17 1.5.2 Model Complexity and Structure . . . . . . . . . . . . . . . . . 18 1.5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.5 Training time and computing capabilities . . . . . . . . . . . . 19 1.6 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.1 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.2 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.3 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.5 Data Discretization . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 Artificial Intelligence in Colorectal Cancer 22 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1 Anatomy and Physiology of the Colon and Rectum . . . . . . . 22 2.2.2 Epidemiology of Colorectal Cancer . . . . . . . . . . . . . . . . 24 2.2.3 Current Diagnostic Challenges . . . . . . . . . . . . . . . . . . 25 2.3 AI in Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.1 Machine learning in Colorectal Cancer . . . . . . . . . . . . . . 26 2.3.2 Deep learning in Colorectal Cancer . . . . . . . . . . . . . . . . 26 2.3.3 Challenges and limitations . . . . . . . . . . . . . . . . . . . . . 27 2.4 Histopathology Image Generation . . . . . . . . . . . . . . . . . . . . . 28 2.4.1 Histopathological Semantic Segmentation . . . . . . . . . . . . 29 2.5 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Experiments and Results 34 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.1 Dataset and Preprocessing Contributions . . . . . . . . . . . . . 34 3.2.2 Tools and Frameworks . . . . . . . . . . . . . . . . . . . . . . . 36 3.3 Experimental Results and Model Evaluation . . . . . . . . . . . . . . . 40 3.3.1 The proposed Approach and Model Architecture . . . . . . . . 40 3.3.2 Training Dynamics . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3.3 Results and Anaylsis . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.5 Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.1 Dataset Complexity . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.2 Computational Constraints . . . . . . . . . . . . . . . . . . . . 46 3.5.3 Model Integration . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Future Works and prespectives . . . . . . . . . . . . . . . . . . . . . . 46 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Côte titre : MAI/0953 Advancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation [document électronique] / Taranim Attallah, Auteur ; Mohamed Fadhel Mansouri, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (60 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Colorectal Cancer Artificial Intelligence in Healthcare Deep Learning Medical Image Segmentation Index. décimale : 004 Informatique Résumé : This study presents an innovative approach for colorectal cancer detection based on the CoNIC Challenge dataset. We have developed an ensemble model that uses the architectures U-Net, Segformer, and SAM for segmentation and classification. Data preprocessing and augmentation techniques are employed to enhance the model’s generalization and robustness. Comparative analysis with traditional deep learning models demonstrates the performance of the proposed model in terms of precision, recall, and F1-score, achieving a precision of 98.15% and an accuracy of 96.69%. Furthermore, the model exhibits efficient execution performance, making it suitable for real-world clinical applications. This research contributes to the advancement of medical diagnostics by providing a promising solution for colorectal cancer detection. Note de contenu : Sommaire Abstract i Resumé ii Table of contents ix List of figures x List of tables xi Abbreviations xii Introduction 1 1 Theoretical Background 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Machine Learning definition . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . 7 1.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.2 Deep learning architectures . . . . . . . . . . . . . . . . . . . . 9 1.3.3 U-Net: Convolutional Networks for Biomedical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.4 SegFormer: Transformer-based Segmentation Model . . . . . . . 13 1.3.5 SAM (Self-Attention Mechanism) in Image Analysis . . . . . . 14 1.4 Algorithm and Model Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.1 Introduction to Evaluation Strategies . . . . . . . . . . . . . . . 16 1.4.2 Train-Test Split . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.3 Cross-validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.4 Holdout Validation . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.4.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5 Evaluating Deep Learning VS Traditional Machine Learning Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.1 Data Complexity and Representation . . . . . . . . . . . . . . . 17 1.5.2 Model Complexity and Structure . . . . . . . . . . . . . . . . . 18 1.5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.5 Training time and computing capabilities . . . . . . . . . . . . 19 1.6 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.1 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.2 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.3 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.6.5 Data Discretization . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 Artificial Intelligence in Colorectal Cancer 22 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1 Anatomy and Physiology of the Colon and Rectum . . . . . . . 22 2.2.2 Epidemiology of Colorectal Cancer . . . . . . . . . . . . . . . . 24 2.2.3 Current Diagnostic Challenges . . . . . . . . . . . . . . . . . . 25 2.3 AI in Colorectal Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.1 Machine learning in Colorectal Cancer . . . . . . . . . . . . . . 26 2.3.2 Deep learning in Colorectal Cancer . . . . . . . . . . . . . . . . 26 2.3.3 Challenges and limitations . . . . . . . . . . . . . . . . . . . . . 27 2.4 Histopathology Image Generation . . . . . . . . . . . . . . . . . . . . . 28 2.4.1 Histopathological Semantic Segmentation . . . . . . . . . . . . 29 2.5 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Experiments and Results 34 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.1 Dataset and Preprocessing Contributions . . . . . . . . . . . . . 34 3.2.2 Tools and Frameworks . . . . . . . . . . . . . . . . . . . . . . . 36 3.3 Experimental Results and Model Evaluation . . . . . . . . . . . . . . . 40 3.3.1 The proposed Approach and Model Architecture . . . . . . . . 40 3.3.2 Training Dynamics . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3.3 Results and Anaylsis . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.5 Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.1 Dataset Complexity . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.2 Computational Constraints . . . . . . . . . . . . . . . . . . . . 46 3.5.3 Model Integration . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Future Works and prespectives . . . . . . . . . . . . . . . . . . . . . . 46 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Côte titre : MAI/0953

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0953	MAI/0953	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

Algorithme auto-stabilisant pour le calcule d’un ensemble fortement dominant (Strong Dominating Set) / Lamis Flifla

Public ISBD Titre : Algorithme auto-stabilisant pour le calcule d’un ensemble fortement dominant (Strong Dominating Set) Type de document : document électronique Auteurs : Lamis Flifla, Auteur ; Anouar Ala Errahmane Herizi, Auteur ; Guellati, Nabil, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (52 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : L'auto-stabilisation est un concept important dans les systèmes distribués qui permet de garantir la sécurité et la fiabilité du système, même en cas de pannes transitoires. Alors , L’objectif de notre travail est de faire un algorithme auto-stabilisant pour le calcul d’un ensemble fortement dominant , pour garantir que le système revienne à un état correct et cohérent, même après avoir subi des perturbations ou des pannes. En d'autres termes, ces algorithmes sont capables de se rétablir automatiquement et de maintenir leur bon fonctionnement dans des conditions changeantes ou instables. Notre travail a été réalisé en trois étapes : tout d’abord, nous avons présenté l’historique de ce domaine, comme on a défini ses principaux concepts , en mentionnant la biographie du son père ‘’Edsger Wybe Dijkstra’’ . Ensuite , on a fait une description des ensemble dominants et leurs types . Enfin , parmi les types des ensembles dominants on a choisi l’ensemble fortement dominant minimale , pour développer un nouvel algorithme pour ce paramètre puis nous avons implémenté notre algorithme en utilisant le langage JAVA afin de le comparer avec des algorithmes de la littérature. Note de contenu : Sommaire Résumé………………………………………..………………………………………..………………………………..……. 6 Introduction générale ………………………………………………………………………..………………………… 8 Chapitre 1……………………………………………………………………………………………………….…………. 9 1.Introduction ……………….………………………………………………………………………………….............. 9 2.Systèmes répartis ……………………………………………………………………………………………………. 9 2.1.Modèles de communication dans les systèmes répartis et concept de synchronisation………………..……………………………………………………………………………. 10 2.2.Propriètes des systèmes repartis …………………………………………………………….……… 11 2.3. Modélisations des systèmes réparties ……………………………………………………….…… 11 2.4.Les avantages des systèmes repartis ……………………………………………………….……… 12 2.5. La différence entre les systèmes repartis et les systèmes centralisés…………….…. 12 3.Les algorithmes répartis ………………………………………………………………………….……………... 12 3.1.Son fonctionnement ………………………………………………………………………….……….…. 13 3.2.Type d’algorithmes……………………………………………………………………………………… 14 4.L’auto-stabilisation ………………………………………………………………………………………………… 14 4.1.Définition de panne…………………………………………………………………………………….... 14 4.2.Définition de la tolérance des pannes ………………………………………………………… …15 4.3.Temps de stabilisation …………………………………………………………………………………. 15 4.4.Les avantages et les inconvénients d’auto-stabilisation…………………………………… 15 5.Algorithme de Dijkstra …………………………………………………………………………………………… 16 5.1.Découverte scientifique ………………………………………………………………………………… 17 5.2.Le token ring de dijkstra …………………..………………………………………………………….... 17 5.3.Exemple……………………..……………………………………………………………………………… ….18 6.Conclusion ………………………..……………………………………………………………………………..…… 19 Chapitre 2……………………………………………………………………………………………………………..… 20 1.Introduction ………………………………………………………………………………………..………………… 20 2.L’ensemble dominant ……………………………………………………………………………………………... 20 2.1.Un ensemble dominant indépendant …………………………………………………………...….. 20 2.2.Ensemble fortement dominant ……………………………………………………………………….. 21 2.3.Un ensemble dominant connecté ………………………………………………………………….… 21 3.Introduction pour les réseaux sans fil ………………………………………………………………… … 21 4.Le clustering …………………………………………………………………………………………………………. 22 4.1. La structure de clustering ……………………………………………………………………...……... 22 4.2.La procédure de clustering ……………………………………………………………………...…….. 23 5.Les algorithme bases sur les ensembles dominants …………………………………………..……. 23 5.1. L'algorithme LEACH (Low Energy Adaptive Clustering Hierarchy) …………..……..…… 24 5.2. Le concept d'ensemble dominant connecté a été introduit pour la première fois par Guha et Kuller …………………………………………………………………………………..…………………..…. 24 5.3. L'algorithme de clustering pondéré (WCA)……………………………………………...…… 24 6. L’état de l’art…………………………………………………………………………………………………..….… 24 6.1.L'algorithme de Xu et al (Ensemble dominant minimal)…………………………....…… 24 6. 2. L’algorithme de D.P. Jacobs: (Dominating Bipartitions)…………………..……………..……… 25 6.3.L’algorithme de P.K. Srimani………………………………………………………………..………... 26 6.4. L’algorithme de Volker Turau (Ensembles dominants minimaux )……..………..… 27 6.5.Algorithme de Neggazi ……………………..…………………………………………………….…….. 27 7.Autre références ………………………………………………………………………………….……………… 29 8.Conclusion ……………………………………………………...………………………………………………..… 30 Côte titre : MAI/0945 Algorithme auto-stabilisant pour le calcule d’un ensemble fortement dominant (Strong Dominating Set) [document électronique] / Lamis Flifla, Auteur ; Anouar Ala Errahmane Herizi, Auteur ; Guellati, Nabil, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (52 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : L'auto-stabilisation est un concept important dans les systèmes distribués qui permet de garantir la sécurité et la fiabilité du système, même en cas de pannes transitoires. Alors , L’objectif de notre travail est de faire un algorithme auto-stabilisant pour le calcul d’un ensemble fortement dominant , pour garantir que le système revienne à un état correct et cohérent, même après avoir subi des perturbations ou des pannes. En d'autres termes, ces algorithmes sont capables de se rétablir automatiquement et de maintenir leur bon fonctionnement dans des conditions changeantes ou instables. Notre travail a été réalisé en trois étapes : tout d’abord, nous avons présenté l’historique de ce domaine, comme on a défini ses principaux concepts , en mentionnant la biographie du son père ‘’Edsger Wybe Dijkstra’’ . Ensuite , on a fait une description des ensemble dominants et leurs types . Enfin , parmi les types des ensembles dominants on a choisi l’ensemble fortement dominant minimale , pour développer un nouvel algorithme pour ce paramètre puis nous avons implémenté notre algorithme en utilisant le langage JAVA afin de le comparer avec des algorithmes de la littérature. Note de contenu : Sommaire Résumé………………………………………..………………………………………..………………………………..……. 6 Introduction générale ………………………………………………………………………..………………………… 8 Chapitre 1……………………………………………………………………………………………………….…………. 9 1.Introduction ……………….………………………………………………………………………………….............. 9 2.Systèmes répartis ……………………………………………………………………………………………………. 9 2.1.Modèles de communication dans les systèmes répartis et concept de synchronisation………………..……………………………………………………………………………. 10 2.2.Propriètes des systèmes repartis …………………………………………………………….……… 11 2.3. Modélisations des systèmes réparties ……………………………………………………….…… 11 2.4.Les avantages des systèmes repartis ……………………………………………………….……… 12 2.5. La différence entre les systèmes repartis et les systèmes centralisés…………….…. 12 3.Les algorithmes répartis ………………………………………………………………………….……………... 12 3.1.Son fonctionnement ………………………………………………………………………….……….…. 13 3.2.Type d’algorithmes……………………………………………………………………………………… 14 4.L’auto-stabilisation ………………………………………………………………………………………………… 14 4.1.Définition de panne…………………………………………………………………………………….... 14 4.2.Définition de la tolérance des pannes ………………………………………………………… …15 4.3.Temps de stabilisation …………………………………………………………………………………. 15 4.4.Les avantages et les inconvénients d’auto-stabilisation…………………………………… 15 5.Algorithme de Dijkstra …………………………………………………………………………………………… 16 5.1.Découverte scientifique ………………………………………………………………………………… 17 5.2.Le token ring de dijkstra …………………..………………………………………………………….... 17 5.3.Exemple……………………..……………………………………………………………………………… ….18 6.Conclusion ………………………..……………………………………………………………………………..…… 19 Chapitre 2……………………………………………………………………………………………………………..… 20 1.Introduction ………………………………………………………………………………………..………………… 20 2.L’ensemble dominant ……………………………………………………………………………………………... 20 2.1.Un ensemble dominant indépendant …………………………………………………………...….. 20 2.2.Ensemble fortement dominant ……………………………………………………………………….. 21 2.3.Un ensemble dominant connecté ………………………………………………………………….… 21 3.Introduction pour les réseaux sans fil ………………………………………………………………… … 21 4.Le clustering …………………………………………………………………………………………………………. 22 4.1. La structure de clustering ……………………………………………………………………...……... 22 4.2.La procédure de clustering ……………………………………………………………………...…….. 23 5.Les algorithme bases sur les ensembles dominants …………………………………………..……. 23 5.1. L'algorithme LEACH (Low Energy Adaptive Clustering Hierarchy) …………..……..…… 24 5.2. Le concept d'ensemble dominant connecté a été introduit pour la première fois par Guha et Kuller …………………………………………………………………………………..…………………..…. 24 5.3. L'algorithme de clustering pondéré (WCA)……………………………………………...…… 24 6. L’état de l’art…………………………………………………………………………………………………..….… 24 6.1.L'algorithme de Xu et al (Ensemble dominant minimal)…………………………....…… 24 6. 2. L’algorithme de D.P. Jacobs: (Dominating Bipartitions)…………………..……………..……… 25 6.3.L’algorithme de P.K. Srimani………………………………………………………………..………... 26 6.4. L’algorithme de Volker Turau (Ensembles dominants minimaux )……..………..… 27 6.5.Algorithme de Neggazi ……………………..…………………………………………………….…….. 27 7.Autre références ………………………………………………………………………………….……………… 29 8.Conclusion ……………………………………………………...………………………………………………..… 30 Côte titre : MAI/0945

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0945	MAI/0945	Mémoire	Bibliothèque des sciences	Français	Disponible Disponible

An Analytical Study Of Quasistatic Frictionless Antiplane Problem With Adhesion / Amina Arab

Public ISBD Titre : An Analytical Study Of Quasistatic Frictionless Antiplane Problem With Adhesion Type de document : document électronique Auteurs : Amina Arab, Auteur ; Laldja Benziane, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2025 Importance : 1 vol (31 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Antiplane Shear Viscoelastic Material Adhesion Contact Frictionless Contact Index. décimale : 510-Mathématique Résumé : Abstract In this thesis, we consider a mathematical model describing the antiplane shear deformation of a cylinder in frictionless contact with a rigid foundation. The adhesion between the contact surfaces, induced by a bonding agent, is explicitly accounted for. The material is assumed to be viscoelastic with long-term memory and nonhomogeneous properties, and the process is modeled as quasistatic. This work is devided into three chapters. First, we present preliminary results from functional analysis and partial differential equations, which lay the mathematical foundation for the subsequent analysis. Next, the second chapter focuses on the mathematical modeling of the antiplane shear deformation problem, incorporating adhesion effects, viscoelasticity with long-term memory, and matterial nonhomogeneity under quasistatic assumptions. Finally, the third chapter establishes a variational formulation of the coupled system, a volterra-type variational equality for the displacement field and an evolution equation for the bonding field.. Note de contenu : Contents Abstract i Acknowledgements ii Introduction 1 1 MathematicalTools 3 1.1 FunctionSpaces . ...................................... 3 1.1.1 TheSpaces Cm(Ω) and Lp(Ω) . .......................... 3 1.1.2 TheSobolevSpaces . ............................... 6 1.1.3 Equivalentnormsonthespace H1(Ω) . ...................... 6 1.2 BilinearForminHilbertSpaces . ............................. 7 1.3 DiverseAdditions . ..................................... 8 1.4 Someinequalities . ..................................... 9 1.5 Volterra-typeVariationalEquality . ............................ 10 1.6 Convexfunctions-lowersemi-continuity . ........................ 11 2 MathematicalModelingofAntiplaneShearDeformation 12 2.1 MathematicalModel . ................................... 12 2.2 AFunctionSpaceforAntiplaneProblems . ........................ 17 3 AntiplaneProblemforViscoelasticwithLong-TermMemoryMaterial 20 3.1 MechanicalFormulationoftheProblemandHypotheses . ................ 20 3.1.1 MechanicalFormulation . ............................. 20 3.1.2 Hypotheses . .................................... 21 3.1.3 Variationalformulation . .............................. 23 3.1.4 ProofofTheorem 3.2 . ............................... 25 Conclusion 31 Côte titre : MAM/0785 An Analytical Study Of Quasistatic Frictionless Antiplane Problem With Adhesion [document électronique] / Amina Arab, Auteur ; Laldja Benziane, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2025 . - 1 vol (31 f.) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Antiplane Shear Viscoelastic Material Adhesion Contact Frictionless Contact Index. décimale : 510-Mathématique Résumé : Abstract In this thesis, we consider a mathematical model describing the antiplane shear deformation of a cylinder in frictionless contact with a rigid foundation. The adhesion between the contact surfaces, induced by a bonding agent, is explicitly accounted for. The material is assumed to be viscoelastic with long-term memory and nonhomogeneous properties, and the process is modeled as quasistatic. This work is devided into three chapters. First, we present preliminary results from functional analysis and partial differential equations, which lay the mathematical foundation for the subsequent analysis. Next, the second chapter focuses on the mathematical modeling of the antiplane shear deformation problem, incorporating adhesion effects, viscoelasticity with long-term memory, and matterial nonhomogeneity under quasistatic assumptions. Finally, the third chapter establishes a variational formulation of the coupled system, a volterra-type variational equality for the displacement field and an evolution equation for the bonding field.. Note de contenu : Contents Abstract i Acknowledgements ii Introduction 1 1 MathematicalTools 3 1.1 FunctionSpaces . ...................................... 3 1.1.1 TheSpaces Cm(Ω) and Lp(Ω) . .......................... 3 1.1.2 TheSobolevSpaces . ............................... 6 1.1.3 Equivalentnormsonthespace H1(Ω) . ...................... 6 1.2 BilinearForminHilbertSpaces . ............................. 7 1.3 DiverseAdditions . ..................................... 8 1.4 Someinequalities . ..................................... 9 1.5 Volterra-typeVariationalEquality . ............................ 10 1.6 Convexfunctions-lowersemi-continuity . ........................ 11 2 MathematicalModelingofAntiplaneShearDeformation 12 2.1 MathematicalModel . ................................... 12 2.2 AFunctionSpaceforAntiplaneProblems . ........................ 17 3 AntiplaneProblemforViscoelasticwithLong-TermMemoryMaterial 20 3.1 MechanicalFormulationoftheProblemandHypotheses . ................ 20 3.1.1 MechanicalFormulation . ............................. 20 3.1.2 Hypotheses . .................................... 21 3.1.3 Variationalformulation . .............................. 23 3.1.4 ProofofTheorem 3.2 . ............................... 25 Conclusion 31 Côte titre : MAM/0785

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAM/0785	MAM/0785	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

An Avatar Based Approach For Automatically Interpreting Algerian Sing Language Dictionary / Abdelkrim Guechi  

Public ISBD Titre : An Avatar Based Approach For Automatically Interpreting Algerian Sing Language Dictionary Type de document : texte imprimé Auteurs : Abdelkrim Guechi, Auteur ; Sara Azzoug, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (67 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : LSA Algerian sign language Index. décimale : 004 Informatique Résumé : In this Master thesis, we present a visual Dictionary for Algerian Sign Language (LSA :Langue des Signes Algerienne). The visual tool aims to generate 3D gestural expressions performed by 3D Humanoids (Avatars) compliant with H-Anim 2.0 in a VRML X3D environment using X3dom standards. The visual tool provides a new Flexible and open representation of copying dynamic entities in reusable JSON format. This work represents a main part in generation module in the machine translation of Arabic texts into Algerian Sign Language (LSA). The project aims for deaf people to facilitate the access to textual information written in standard Arabic. Côte titre : MAI/0717 En ligne : https://drive.google.com/file/d/1nLoQUVp7fQJwGqf_ZEdJJSmagUq8mgy1/view?usp=drive [...] Format de la ressource électronique : pdf An Avatar Based Approach For Automatically Interpreting Algerian Sing Language Dictionary [texte imprimé] / Abdelkrim Guechi, Auteur ; Sara Azzoug, Auteur ; Lakhfif, Abdelaziz, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (67 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : LSA Algerian sign language Index. décimale : 004 Informatique Résumé : In this Master thesis, we present a visual Dictionary for Algerian Sign Language (LSA :Langue des Signes Algerienne). The visual tool aims to generate 3D gestural expressions performed by 3D Humanoids (Avatars) compliant with H-Anim 2.0 in a VRML X3D environment using X3dom standards. The visual tool provides a new Flexible and open representation of copying dynamic entities in reusable JSON format. This work represents a main part in generation module in the machine translation of Arabic texts into Algerian Sign Language (LSA). The project aims for deaf people to facilitate the access to textual information written in standard Arabic. Côte titre : MAI/0717 En ligne : https://drive.google.com/file/d/1nLoQUVp7fQJwGqf_ZEdJJSmagUq8mgy1/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0717	MAI/0717	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

Analyse 2 cours avec exemples explicatifs / Louiza Derbal  

Public ISBD Titre : Analyse 2 cours avec exemples explicatifs Type de document : document électronique Auteurs : Louiza Derbal Editeur : Sétif:UFA1 Année de publication : 2021 Importance : 1 vol (102 p.) Langues : Français (fre) Catégories : Publications pédagogiques:Mathématiaue P/P Mots-clés : Analyse Note de contenu : Contents 1 Intégrales indé nies 5 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 Quelques règles de recherche de primitives . . . . . . . . . . . . . . . . . 9 1.2.1 Méthode directe d’intégration . . . . . . . . . . . . . . . . . . . . 9 1.2.2 Intégration par parties . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2.3 Changement de variables . . . . . . . . . . . . . . . . . . . . . . . 10 1.2.4 Intégration des fractions rationnelles . . . . . . . . . . . . . . . . 12 1.2.5 Calcul des intégrales de la forme f (cos x; sin x) dx où f est un polynôme ou une fonction rationnelle. . . . . . . . . . . . . . . . . 18 1.2.6 Calcul des intégrales de la forme f (ex; cosh x; sinh x) dx où f est une fraction rationnelle. . . . . . . . . . . . . . . . . . . . . . . . 24 1.2.7 Intégrales des fonctions contenant des radicaux . . . . . . . . . . 26 1.2.8 Calcul de Pn(x)exdx; où Pn(x) un polynôme d’ordre n et  2 C 30 1.2.9 Calcul de Pn(x) cos x dx et Pn(x) sin x dx; où Pn(x) un polynôme d’ordre n et  2 R . . . . . . . . . . . . . . . . . . . . 32 2 Intégrales dé nies 35 2.1 Intégrale des fonctions en escalier . . . . . . . . . . . . . . . . . . . . . . 35 2.1.1 Subdivision d’un intervalle compact . . . . . . . . . . . . . . . . . 35 2.1.2 Fonctions en escalier . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.2 Fonctions Intégrables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.2.1 Intégrale de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.2.2 Propriétés de l’intégrale . . . . . . . . . . . . . . . . . . . . . . . 47 2.2.3 Sommes de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . 54 3 Équations di¤érentielles du premier ordre 65 3.1 Introduction (dé nitions générales) . . . . . . . . . . . . . . . . . . . . . 65 3.1.1 Équations di¤érentielles linéaires . . . . . . . . . . . . . . . . . . 67 3.2 Les équations di¤éretielles du premier ordre . . . . . . . . . . . . . . . . 69 3.2.1 Types d’équations di¤érentielles du premier ordre . . . . . . . . . 70 4 Équations di¤érentielles linéaires à coe¢ cients constants du second ordre 88 4.1 Équations linéaires sans second membre . . . . . . . . . . . . . . . . . . . 89 4.2 Équations linéaires avec second membre . . . . . . . . . . . . . . . . . . 92 4.2.1 Le second membre est un polynôme de degré n . . . . . . . . . . . 93 4.2.2 Le second membre est de la forme expmx (m constante) . . . . . 95 4.2.3 Le second membre est de la forme f(x) expmx(m constante) . . . 96 4.2.4 Le second membre est du type cosmx (ou sinmx, m constante) . 97 4.2.5 Méthode de variation des constantes . . . . . . . . . . . . . . . . 99 Côte titre : PM/0046 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/6583/1/POLYCOPIE%20%2 [...] Analyse 2 cours avec exemples explicatifs [document électronique] / Louiza Derbal . - [S.l.] : Sétif:UFA1, 2021 . - 1 vol (102 p.). Langues : Français (fre) Catégories : Publications pédagogiques:Mathématiaue P/P Mots-clés : Analyse Note de contenu : Contents 1 Intégrales indé nies 5 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 Quelques règles de recherche de primitives . . . . . . . . . . . . . . . . . 9 1.2.1 Méthode directe d’intégration . . . . . . . . . . . . . . . . . . . . 9 1.2.2 Intégration par parties . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2.3 Changement de variables . . . . . . . . . . . . . . . . . . . . . . . 10 1.2.4 Intégration des fractions rationnelles . . . . . . . . . . . . . . . . 12 1.2.5 Calcul des intégrales de la forme f (cos x; sin x) dx où f est un polynôme ou une fonction rationnelle. . . . . . . . . . . . . . . . . 18 1.2.6 Calcul des intégrales de la forme f (ex; cosh x; sinh x) dx où f est une fraction rationnelle. . . . . . . . . . . . . . . . . . . . . . . . 24 1.2.7 Intégrales des fonctions contenant des radicaux . . . . . . . . . . 26 1.2.8 Calcul de Pn(x)exdx; où Pn(x) un polynôme d’ordre n et  2 C 30 1.2.9 Calcul de Pn(x) cos x dx et Pn(x) sin x dx; où Pn(x) un polynôme d’ordre n et  2 R . . . . . . . . . . . . . . . . . . . . 32 2 Intégrales dé nies 35 2.1 Intégrale des fonctions en escalier . . . . . . . . . . . . . . . . . . . . . . 35 2.1.1 Subdivision d’un intervalle compact . . . . . . . . . . . . . . . . . 35 2.1.2 Fonctions en escalier . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.2 Fonctions Intégrables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.2.1 Intégrale de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.2.2 Propriétés de l’intégrale . . . . . . . . . . . . . . . . . . . . . . . 47 2.2.3 Sommes de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . 54 3 Équations di¤érentielles du premier ordre 65 3.1 Introduction (dé nitions générales) . . . . . . . . . . . . . . . . . . . . . 65 3.1.1 Équations di¤érentielles linéaires . . . . . . . . . . . . . . . . . . 67 3.2 Les équations di¤éretielles du premier ordre . . . . . . . . . . . . . . . . 69 3.2.1 Types d’équations di¤érentielles du premier ordre . . . . . . . . . 70 4 Équations di¤érentielles linéaires à coe¢ cients constants du second ordre 88 4.1 Équations linéaires sans second membre . . . . . . . . . . . . . . . . . . . 89 4.2 Équations linéaires avec second membre . . . . . . . . . . . . . . . . . . 92 4.2.1 Le second membre est un polynôme de degré n . . . . . . . . . . . 93 4.2.2 Le second membre est de la forme expmx (m constante) . . . . . 95 4.2.3 Le second membre est de la forme f(x) expmx(m constante) . . . 96 4.2.4 Le second membre est du type cosmx (ou sinmx, m constante) . 97 4.2.5 Méthode de variation des constantes . . . . . . . . . . . . . . . . 99 Côte titre : PM/0046 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/6583/1/POLYCOPIE%20%2 [...]

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
PM/0046	PM/0046	imprimé / autre	Bibliothèque des sciences	Français	Disponible Disponible

Analysis Of A Shear Beam Model With Suspenders In Thermoelasticity Of Type III / Meriem Kramou

Permalink

Analytical Solution Of A Nonlinear Sis Epidemic Model Using The Laplace Differential Transform Method / Besma Achouri

Permalink

Application mobile e-learning. / Mahdi Bouchilaoune

Permalink

Application mobile e-learning. / Mahdi Bouchilaoune

Permalink

Application mobile pour la collecte et l’exploitation des données relatives aux accidents de la route en Algérie / Mohamed Mouatez Benazza  

Permalink

Une application mobile SIR FIAMANE sur Les accidents de la route en Algérie / Mohamed Mahdaoui

Permalink

Application mobile et site web ”EVENTEASE” / Dhikra Boussaha

Permalink

”Application of Deep Learning for the Automated Detection and Classification of Medical Pathologies from High-Resolution Medical Images” / Mohamed Abdessamed Krache

Permalink

Application de secourisme à base d’agents / Achref El Hocine Demdoum

Permalink

Apprentissage Automatique dans l’Internet des Objets Industriels / Hadil Yousra Arare  

Permalink

---

1 2 3 4 5 6 (1 - 15 / 166) Par page : 25 50 100 Tout afficher