University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Ferradji,Mohamed Abderraouf |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheDeep Learning Algorithms for Colon Cancer Detection : A Comparative Study with Traditional machine Learning Methods / Ilhem Nabti
Titre : Deep Learning Algorithms for Colon Cancer Detection : A Comparative Study with Traditional machine Learning Methods Type de document : texte imprimé Auteurs : Ilhem Nabti, Auteur ; Zakaria Kouari ; Ferradji,Mohamed Abderraouf, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (44 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
This study presents a novel approach for colon cancer detection based
on the LC25000 dataset. We propose an ensemble model that adopt EfficientNetB0
for feature extraction and ensemble learning method for classification.
Extensive data preprocessing and augmentation techniques are
employed to enhance model generalization and robustness. Comparative
analysis with traditional machine learning and deep learning models demonstrates
superior performance of the proposed model in terms of accuracy,
precision, recall, and F1-score, with a remarkable accuracy of 99.8%.
Furthermore, the model exhibits efficient runtime performance, making it
suitable for real-world clinical applications. This research contributes to the
advancement of medical diagnostics by offering a reliable and efficient solution
for colon cancer detection.Note de contenu : Sommaire
General Introduction 1
1 Theoretical Background 2
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 AI Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Definition 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 3
1.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Algorithm and Model Evaluation Strategies . . . . . . . . . . . . . . . . . 11
1.5.1 How do we evaluate ? . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Comparing evaluation methods in deep learning and traditional machine
learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 Data representation and complexity . . . . . . . . . . . . . . . . . . 12
1.6.2 Complexity of the model . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.3 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.5 Training time and computing capabilities . . . . . . . . . . . . . . . 13
1.7 Preprocessing methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7.1 Data Cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.2 Feature Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.3 Encoding categorical variables . . . . . . . . . . . . . . . . . . . . . 14
1.7.4 Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.5 Dimensionality reduction . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.6 Deep learning and traditional machine learning preprocessing : . . 15
1.8 Machine learning and deep learning challenges in healthcare . . . . . . . . 16
1.8.1 Data representation and complexity . . . . . . . . . . . . . . . . . . 16
1.8.2 Complexity of the model . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.3 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.5 Training Time and Computing Capabilities . . . . . . . . . . . . . . 17
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Revolutionizing Healthcare : Artificial Intelligence for Colon Cancer Diagnosis
18
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 AI’s Vital Role in Human Healthcare . . . . . . . . . . . . . . . . . . . . . 18
2.3 AI’s Diverse Applications in Healthcare . . . . . . . . . . . . . . . . . . . . 19
2.3.1 • Medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 • Drug discovery and development . . . . . . . . . . . . . . . . . . 19
2.3.3 • Predictive analytics . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.4 • Colonoscopy image analysis . . . . . . . . . . . . . . . . . . . . . 20
2.4 Colon Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 AI in Colon Cancer Care . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Machine learning in Colon Cancer . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Deep learning in Colon Cancer . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Proposed Approach And Comparative Study 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 LC25000 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Dataset Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Data Preprocessing and Augmentation . . . . . . . . . . . . . . . . 30
3.3 Materiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.1 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.2 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 The proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4.1 Features extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.2 Voting Ensemble Learning with Soft Voting . . . . . . . . . . . . . 32
3.4.3 Model Training and Evaluation . . . . . . . . . . . . . . . . . . . . 33
3.5 The experimental results and Comparative Analysis . . . . . . . . . . . . . 34
3.5.1 Discussion of the experimental results . . . . . . . . . . . . . . . . . 34
3.6 Comparative analysis of the experimental results . . . . . . . . . . . . . . . 40
3.7 Challenges and Insights from ML Experiments . . . . . . . . . . . . . . . . 42
3.7.1 Data Preprocessing and Augmentation : . . . . . . . . . . . . . . . 43
3.7.2 Handling Large Datasets : . . . . . . . . . . . . . . . . . . . . . . . 43
3.7.3 Evaluation Metrics : . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.7.4 Model Interpretability : . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44Côte titre : MAI/0893 Deep Learning Algorithms for Colon Cancer Detection : A Comparative Study with Traditional machine Learning Methods [texte imprimé] / Ilhem Nabti, Auteur ; Zakaria Kouari ; Ferradji,Mohamed Abderraouf, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (44 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
This study presents a novel approach for colon cancer detection based
on the LC25000 dataset. We propose an ensemble model that adopt EfficientNetB0
for feature extraction and ensemble learning method for classification.
Extensive data preprocessing and augmentation techniques are
employed to enhance model generalization and robustness. Comparative
analysis with traditional machine learning and deep learning models demonstrates
superior performance of the proposed model in terms of accuracy,
precision, recall, and F1-score, with a remarkable accuracy of 99.8%.
Furthermore, the model exhibits efficient runtime performance, making it
suitable for real-world clinical applications. This research contributes to the
advancement of medical diagnostics by offering a reliable and efficient solution
for colon cancer detection.Note de contenu : Sommaire
General Introduction 1
1 Theoretical Background 2
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 AI Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Definition 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 3
1.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Deep Learning Architectures . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Algorithm and Model Evaluation Strategies . . . . . . . . . . . . . . . . . 11
1.5.1 How do we evaluate ? . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Comparing evaluation methods in deep learning and traditional machine
learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 Data representation and complexity . . . . . . . . . . . . . . . . . . 12
1.6.2 Complexity of the model . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.3 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.5 Training time and computing capabilities . . . . . . . . . . . . . . . 13
1.7 Preprocessing methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7.1 Data Cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.2 Feature Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.3 Encoding categorical variables . . . . . . . . . . . . . . . . . . . . . 14
1.7.4 Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.5 Dimensionality reduction . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.6 Deep learning and traditional machine learning preprocessing : . . 15
1.8 Machine learning and deep learning challenges in healthcare . . . . . . . . 16
1.8.1 Data representation and complexity . . . . . . . . . . . . . . . . . . 16
1.8.2 Complexity of the model . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.3 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.4 Interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.5 Training Time and Computing Capabilities . . . . . . . . . . . . . . 17
1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Revolutionizing Healthcare : Artificial Intelligence for Colon Cancer Diagnosis
18
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 AI’s Vital Role in Human Healthcare . . . . . . . . . . . . . . . . . . . . . 18
2.3 AI’s Diverse Applications in Healthcare . . . . . . . . . . . . . . . . . . . . 19
2.3.1 • Medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 • Drug discovery and development . . . . . . . . . . . . . . . . . . 19
2.3.3 • Predictive analytics . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.4 • Colonoscopy image analysis . . . . . . . . . . . . . . . . . . . . . 20
2.4 Colon Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 AI in Colon Cancer Care . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Machine learning in Colon Cancer . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Deep learning in Colon Cancer . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Proposed Approach And Comparative Study 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 LC25000 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Dataset Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Data Preprocessing and Augmentation . . . . . . . . . . . . . . . . 30
3.3 Materiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.1 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.2 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 The proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4.1 Features extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.2 Voting Ensemble Learning with Soft Voting . . . . . . . . . . . . . 32
3.4.3 Model Training and Evaluation . . . . . . . . . . . . . . . . . . . . 33
3.5 The experimental results and Comparative Analysis . . . . . . . . . . . . . 34
3.5.1 Discussion of the experimental results . . . . . . . . . . . . . . . . . 34
3.6 Comparative analysis of the experimental results . . . . . . . . . . . . . . . 40
3.7 Challenges and Insights from ML Experiments . . . . . . . . . . . . . . . . 42
3.7.1 Data Preprocessing and Augmentation : . . . . . . . . . . . . . . . 43
3.7.2 Handling Large Datasets : . . . . . . . . . . . . . . . . . . . . . . . 43
3.7.3 Evaluation Metrics : . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.7.4 Model Interpretability : . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44Côte titre : MAI/0893 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0893 MAI/0893 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Un ennvironement virtuel pour le support du diagnostic médical collaboratif Type de document : texte imprimé Auteurs : Merabet,Asma, Auteur ; Ferradji,Mohamed Abderraouf, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (52 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Travail collaboratif
TCAO
Diagnostic médical
Environnement
virtuel
Apprentissage profondIndex. décimale : 004 - Informatique Résumé :
Le travail collaboratif est une stratégie importante qui a connu un grand intérêt
dans certaines activités critiques comme le diagnostic médical. Cependant, pour assurer
la qualité du diagnostic médical collaboratif, il semble très important de tirer
profit des technologies de l’information et de la communication qui offrent plus de
flexibilité en termes de temps et d’espace. Dans ce mémoire, nous présentons un environnement
virtuel qui vise à supporter la collaboration à distance entre les médecins.
Cette proposition se base principalement sur les études cognitives effectuées dans le
domaine médical. De plus, pour soutenir la prise de décision médicale dans certains
types de maladies, nous avons intégré un système intelligent dans notre environnement
en utilisant les technologies d’apprentissage profond.Côte titre : MAI/0396 En ligne : https://drive.google.com/file/d/1kEYej0aPGFxhOtiutQZ4vI7stAbv_bc9/view?usp=shari [...] Format de la ressource électronique : Un ennvironement virtuel pour le support du diagnostic médical collaboratif [texte imprimé] / Merabet,Asma, Auteur ; Ferradji,Mohamed Abderraouf, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (52 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Travail collaboratif
TCAO
Diagnostic médical
Environnement
virtuel
Apprentissage profondIndex. décimale : 004 - Informatique Résumé :
Le travail collaboratif est une stratégie importante qui a connu un grand intérêt
dans certaines activités critiques comme le diagnostic médical. Cependant, pour assurer
la qualité du diagnostic médical collaboratif, il semble très important de tirer
profit des technologies de l’information et de la communication qui offrent plus de
flexibilité en termes de temps et d’espace. Dans ce mémoire, nous présentons un environnement
virtuel qui vise à supporter la collaboration à distance entre les médecins.
Cette proposition se base principalement sur les études cognitives effectuées dans le
domaine médical. De plus, pour soutenir la prise de décision médicale dans certains
types de maladies, nous avons intégré un système intelligent dans notre environnement
en utilisant les technologies d’apprentissage profond.Côte titre : MAI/0396 En ligne : https://drive.google.com/file/d/1kEYej0aPGFxhOtiutQZ4vI7stAbv_bc9/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0396 MAI/0396 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Smart Web application to support medical diagnosis decision making Type de document : texte imprimé Auteurs : Faycal Zetoutou, Auteur ; Zakaria Nedjem Eddine Mahdadi, Auteur ; Ferradji,Mohamed Abderraouf, Directeur de thèse Année de publication : 2023 Importance : 1 vol (64 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Artificial Intelligence
Machine LearningIndex. décimale : 004 Informatique Résumé : Despite the impressive research results related to the application of artificial intelligence in the
medical field, its exploitation in the real clinical setting, especially in diagnostic decision making,
remains very limited. Therefore, our objective in this work is to develop a smart web application
that supports medical professionals in making efficient diagnostic decisions. Based on deep learning
techniques and intelligent prediction models, the proposed system provides doctors with accurate
predictions that aim to promote their medical diagnostic skills and enhance the patient healthcare
quality. Furthermore, this smart web application highlights the importance of collaboration in medical
diagnosis while facilitating efficient interaction and knowledge sharing among medical professionals.Côte titre : MAI/0711 En ligne : https://drive.google.com/file/d/1ovs5Z4fZ6gJD2GjmSnxvFi99F4mjm4Rc/view?usp=drive [...] Format de la ressource électronique : Smart Web application to support medical diagnosis decision making [texte imprimé] / Faycal Zetoutou, Auteur ; Zakaria Nedjem Eddine Mahdadi, Auteur ; Ferradji,Mohamed Abderraouf, Directeur de thèse . - 2023 . - 1 vol (64 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Artificial Intelligence
Machine LearningIndex. décimale : 004 Informatique Résumé : Despite the impressive research results related to the application of artificial intelligence in the
medical field, its exploitation in the real clinical setting, especially in diagnostic decision making,
remains very limited. Therefore, our objective in this work is to develop a smart web application
that supports medical professionals in making efficient diagnostic decisions. Based on deep learning
techniques and intelligent prediction models, the proposed system provides doctors with accurate
predictions that aim to promote their medical diagnostic skills and enhance the patient healthcare
quality. Furthermore, this smart web application highlights the importance of collaboration in medical
diagnosis while facilitating efficient interaction and knowledge sharing among medical professionals.Côte titre : MAI/0711 En ligne : https://drive.google.com/file/d/1ovs5Z4fZ6gJD2GjmSnxvFi99F4mjm4Rc/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0711 MAI/0711 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
