Deep Learning Algorithms for Colon Cancer Detection : A Comparative Study with Traditional machine Learning Methods / Ilhem Nabti

Public ISBD 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Côte 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Côte titre : MAI/0893

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0893	MAI/0893	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)