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

Analyse de sentiment dans les réseaux sociaux, nouvelle stratégie a base d'ensemble de classifieurs / Keddad, walid  

Public ISBD Titre : Analyse de sentiment dans les réseaux sociaux, nouvelle stratégie a base d'ensemble de classifieurs Type de document : texte imprimé Auteurs : Keddad, walid ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (64f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données Technologies Web réseaux sociaux Analyse de sentiment Index. décimale : 004 Informatique Résumé : Abstract Twitter sentiment analysis, the process of automatically extracting sentiment conveyed by Twitter data, is a field that has seen a dramatic increase in research in recent years. The goal of this master thesis is to develop a new machine learning model based on ensemble learning to classify Twitter messages with respect to their sentiment. Sentiment can be divided into three classes: positive, negative and neutral. To compare our new model, several machine learning methods were used during experimentation sessions: Artificial Neural Network, Multinomial Naive Bayes, Support Vector Machines, Random Forest, Logistic Regression and others. Besides, we tried to compare different techniques for preprocessing natural language in order to find those that have an impact on building accurate classifiers. To this purpose we applied Bag-of-Words model (vector of unigrams), Bag-of-N-grams model (vector of bigrams and vector of trigrams) to represent text data in suitable numeric format. Bag-of-unigrams and Bag-of-bigrams models showed the best results for all methods and influenced in a positive way the overall accuracy. The best performance was achieved by our new model, for both two class (positive and negative) and three class (positive, negative and neutral) classification. Our new model achieved an accuracy of 90.06% on two class classification and 78.21% on three class classification. Note de contenu : Contents 1 Introduction 1 1.1 Research Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Background 3 2.1 Social Media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Twitter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4 Machine Learning types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.5 Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.5.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 7 2.5.2 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5.3 Decision Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.4 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.5 Ensemble methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3 Literature Review 21 3.1 Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.2 Sentiment Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.3 Levels of Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.4 Sentiment Analysis Difficulties . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.5 Different Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.5.1 Lexicon based method . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.5.2 Machine learning method . . . . . . . . . . . . . . . . . . . . . . . . 25 3.6 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4 Datasets and implementation frameworks 29 4.1 Data Collection and Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 29 4.1.1 Description of Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.1.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.1.3 Features Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.1.4 Final Data representation . . . . . . . . . . . . . . . . . . . . . . . . 41 4.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.3 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2.4 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5 Experiments and results 46 5.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.2 Proposed ensemble classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.3.1 Two Classes: Positive and Negative . . . . . . . . . . . . . . . . . . . 47 5.3.2 Three Classes: Positive, Negative and Neutral . . . . . . . . . . . . . 51 6 Discussion 55 6.1 Two Classes: Positive and Negative . . . . . . . . . . . . . . . . . . . . . . . 55 6.2 Three Classes: Positive, Negative and Neutral . . . . . . . . . . . . . . . . . 56 7 Conclusion 58 Côte titre : MAI/0205 En ligne : https://drive.google.com/file/d/1xz1H6CxpjAAAQRHw1Bdejyxbgg4aoJVH/view?usp=shari [...] Format de la ressource électronique : pdf Analyse de sentiment dans les réseaux sociaux, nouvelle stratégie a base d'ensemble de classifieurs [texte imprimé] / Keddad, walid ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (64f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données Technologies Web réseaux sociaux Analyse de sentiment Index. décimale : 004 Informatique Résumé : Abstract Twitter sentiment analysis, the process of automatically extracting sentiment conveyed by Twitter data, is a field that has seen a dramatic increase in research in recent years. The goal of this master thesis is to develop a new machine learning model based on ensemble learning to classify Twitter messages with respect to their sentiment. Sentiment can be divided into three classes: positive, negative and neutral. To compare our new model, several machine learning methods were used during experimentation sessions: Artificial Neural Network, Multinomial Naive Bayes, Support Vector Machines, Random Forest, Logistic Regression and others. Besides, we tried to compare different techniques for preprocessing natural language in order to find those that have an impact on building accurate classifiers. To this purpose we applied Bag-of-Words model (vector of unigrams), Bag-of-N-grams model (vector of bigrams and vector of trigrams) to represent text data in suitable numeric format. Bag-of-unigrams and Bag-of-bigrams models showed the best results for all methods and influenced in a positive way the overall accuracy. The best performance was achieved by our new model, for both two class (positive and negative) and three class (positive, negative and neutral) classification. Our new model achieved an accuracy of 90.06% on two class classification and 78.21% on three class classification. Note de contenu : Contents 1 Introduction 1 1.1 Research Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Background 3 2.1 Social Media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.1.1 Twitter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4 Machine Learning types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.5 Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.5.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 7 2.5.2 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5.3 Decision Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.4 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.5 Ensemble methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3 Literature Review 21 3.1 Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.2 Sentiment Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.3 Levels of Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.4 Sentiment Analysis Difficulties . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.5 Different Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.5.1 Lexicon based method . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.5.2 Machine learning method . . . . . . . . . . . . . . . . . . . . . . . . 25 3.6 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4 Datasets and implementation frameworks 29 4.1 Data Collection and Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 29 4.1.1 Description of Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.1.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.1.3 Features Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.1.4 Final Data representation . . . . . . . . . . . . . . . . . . . . . . . . 41 4.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.3 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2.4 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5 Experiments and results 46 5.1 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.2 Proposed ensemble classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.3.1 Two Classes: Positive and Negative . . . . . . . . . . . . . . . . . . . 47 5.3.2 Three Classes: Positive, Negative and Neutral . . . . . . . . . . . . . 51 6 Discussion 55 6.1 Two Classes: Positive and Negative . . . . . . . . . . . . . . . . . . . . . . . 55 6.2 Three Classes: Positive, Negative and Neutral . . . . . . . . . . . . . . . . . 56 7 Conclusion 58 Côte titre : MAI/0205 En ligne : https://drive.google.com/file/d/1xz1H6CxpjAAAQRHw1Bdejyxbgg4aoJVH/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0205	MAI/0205	Mémoire	Bibliothèque des sciences	Français	Disponible Disponible

Apprentissage et extraction des connaissances dans les bases de données spatiotemporelles / Mekroud,Noureddine

Public ISBD Titre : Apprentissage et extraction des connaissances dans les bases de données spatiotemporelles Type de document : document électronique Auteurs : Mekroud,Noureddine, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2026 Importance : 1 vol (108 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Règles d’association Données spatiotemporelles Images ISH Expression génétique Logique floue et possibiliste Index. décimale : 004 - Informatique Résumé : L’imperfection est une caractéristique commune dans presque toutes les données du monde réel, même si elles cachent généralement des connaissances cruciales et d’un intérêt majeur. L’utilisation de théories de l’incertitude pour modéliser les zones d’expression génique (Exp_Gen) dans les embryons permettra d’extraire les relations cachées entre les gènes, tout en tenant compte de l’imprécision possible des limites de ces zones et de la force nuancée de ces expressions. Dans cette thèse, nous proposons une modélisation floue et possibiliste des données spatio-temporelles issues de séquences d’images ISH (In Situ Hybridization) représentant les zones d’Exp_Gen à différentes phases de développement embryonnaire de l’espèce modèle souris d’Edinburgh. Après une série d’étapes de prétraitement sur ces images pour améliorer l’extraction des caractéristiques, nous proposons une adaptation de l’algorithme Apriori à la logique floue et possibiliste pour l’extraction de deux types de règles d’association (RA), qui représenteront en Primal les relations spatiales entre les zones d’Exp_Gen dans l’embryon, et en Dual les relations temporelles ainsi que les relations entre les gènes qui co-expriment dans ces séquences d’images ISH. Enfin, une analyse des AR spatiotemporelles floues et possibilistes extraites sera fournie afin de déterminer la modélisation la plus adéquate. De plus, l’interprétation biologique des résultats obtenus confirme leur adéquation aux principes de la biologie génétique. Les connaissances extraites aideront les biologistes à mieux comprendre les interactions entre gènes, à identifier les ensembles de gènes qui co-expriment et ayant le même rôle fonctionnel, et enfin à modéliser l’expression génétique normale pour détecter les expressions génétiques anormales susceptibles de provoquer des maladies génétiques. Note de contenu : Sommaire Introduction générale ..................................................... 12 Chapitre I : La Bio-informatique ET Les images d’expression genetique ............... 15 â… .1 Introduction .............................................. 15 Partie 1 : La Bio-Informatique ........................................................ 16 â… .2 Notions biologiques de base ............................................................ 16 â… .2.1 Les diverses définitions de la Bio-informatique ................................................. 16 â… .2.2 Historique de la Bio-informatique ...................................................................... 18 â… .2.3 Théories fondamentales de la biologie moléculaire ............................................ 20 â… .2.4 Les objectifs et domaines d’application de la bio-informatique ......................... 22 â… .3 Les banques de données biologiques ................................................................................. 23 â… .3.1 Les banques de données généralistes .................................................................. 24 â… .3.2 Banques de données spécialistes ......................................................................... 24 â… .3.3 Les séquences d’images d’expression génétique ................................................ 24 Partie 2 : Les images d’expression génétique ....................................................................... 25 â… .4 L’imagerie in vivo d’expression génétique ........................................................................ 25 â… .4.1 La banque Drosofila FlyBase .............................................................................. 25 â… .4.2 La banque Zebra Fish ......................................................................................... 26 â… .4.3 La banque Edinburgh Mouse .............................................................................. 26 â… .5 Pourquoi choisir l’Atlas EMAGE ....................................................................................... 27 â… .6 Etat de l’art : travaux de recherche sur les données d’Exp_Gen ....................................... 28 â… .6.1 Micro Array data .................................................................................................. 28 â… .6.1.1 Features selection ................................................................................ 28 â… .6.1.2 Clustering & mesures de similarité-distance ..................................... 29 â… .6.2 mRNAseq ............................................................................................................ 29 â… .6.3 Les images ISH ................................................................................................... 30 â… .7 Conclusion ......................................................................................................................... 31 Chapitre II : Extraction des Connaissances à partir des Données & Règles d’Association 32 â…¡.1 Introduction ....................................................................................................................... 32 Partie 1 : Principes de base de l’ECD ................................................................................... 33 â…¡.2 Notions de base de l’ECD ................................................................................................. 33 â…¡.2.1 Définition de l’ECD ........................................................................................... 33 â…¡.2.2 Des données aux connaissance .......................................................................... 34 â…¡.2.3 Le processus d’ECD .......................................................................................... 35 â…¡.3 Le Machine Learning ........................................................................................................ 36 â…¡.3.1 Qu’est-ce que le Machine Learning .................................................................. 36 â…¡.3.2 Principales tâches du Machine Learning ............................................................ 36 â…¡.3.3 Le Machine Learning comme levier de l’IA ...................................................... 38 â…¡.3.4 Algorithmes de Machine Learning .................................................................... 39 Partie 2 : Autour et alentour des Règles d’Association ........................................................ 40 â…¡.4 Les méthodes de recherche d’associations ........................................................................ 40 â…¡.4.1 Présentation générale ......................................................................................... 40 â…¡.4.2 Développement historique de la recherche d’associations ................................. 40 II.5 Concepts fondamentaux des règles d’association.............................................................. 41 II.5.1 Notions de base ................................................................................................... 41 II.5.1.1 Item .................................................................................................... 41 II.5.1.2 Itemset ............................................................................................... 41 II.5.1.3 K-Itemset ........................................................................................... 41 II.5.1.4 Support d’un itemset .......................................................................... 41 II.5.1.5 Règle d’association ............................................................................ 41 II.5.1.6 Confiance d’une règle d’association .................................................. 41 II.5.1.7 Itemset fréquent ................................................................................. 41 II.5.2 Les étapes de l’extraction de règles d’association .............................................. 42 II.5.3 Espace de recherche ou le treillis des itemsets ................................................... 43 II.5.4 Mesures d’évaluation et de validation ................................................................ 44 II.6 Divers algorithmes d’induction des règles d’association .................................................. 46 II.6.1 Algorithme C5.0 ................................................................................................. 46 II.6.2 Le GRI (Generalised Rule Induction) ................................................................. 46 II.6.3 Algorithmes fondés sur le support et la confiance .............................................. 46 II.7 Algorithme Apriori pour l’extraction des règles d’association ......................................... 48 II.7.1 Recherche des itemsets fréquents ....................................................................... 48 II.7.2 Génération des règles d’association .................................................................... 50 II.7.3 Exemple illustratif sur le fonctionnement de l’algorithme Apriori .................... 51 II.8 Les avantages et inconvénients de l’algorithme Apriori ................................................... 53 II.9 Domaines d’Applications des règles d’association ........................................................... 54 II.10 Les axes d’extension des algorithmes d’extraction des règles d’associations ................. 55 II.10.1 Extensions basées sur la nature des règles extraites ......................................... 55 II.10.1.1 Les règles d’associations quantitatives ............................................ 55 II.10.1.2 Les règles d’association généralisées .............................................. 56 II.10.1.3 Les motifs sequentiels ..................................................................... 56 II.10.2 Extensions basées sur la logique de modelisation ............................................ 56 II.10.2.1 Les règles d’association floues ........................................................ 57 II.10.2.2 Les règles d’association possibilistes .............................................. 57 II.10.2.3 Les règles d’association évidentielles .............................................. 57 II.11 Conclusion ....................................................................................................................... 58 Chapitre III : Adaptation des règles d’association aux théories de l’incertain .................... 59 III.1 Introduction ...................................................................................................................... 59 Partie 1 : Théories de l’incertain ............................................................................................ 60 III.2 De la logique binaire aux logiques de l’incertain ............................................................. 60 III.2.1 Le développement de la logique humaine ......................................................... 60 III.2.2 La logique binaire .............................................................................................. 60 Iâ…¡.2.2.1 Algèbre de Boole .............................................................................. 60 â…¡I.2.2.2 Pourquoi le monde réel n’est pas en logique binaire ....................... 61 â…¡I.2.3 Les types d’imperfection dans les données réelles ........................................... 61 â…¡I.2.3.1 Les données incertaines ................................................................... 62 â…¡I.2.3.2 Les données imprécises ................................................................... 62 â…¡I.2.3.3 Les données incomplètes ................................................................. 62 â…¡I.2.3.4 Les données inconsistantes .............................................................. 62 â…¡I.3 Les logiques de modélisation dans l’incertain ................................................................ 63 Iâ…¡.3.1 La logique probabiliste et le théorème de Bayes .............................................. 63 â…¡I.3.2 La logique floue ................................................................................................ 64 â…¡I.3.2.1 Généralités ....................................................................................... 64 â…¡I.3.2.2 Caractérisation des Sous-Ensembles Flous ..................................... 65 â…¡I.3.2.3 Fonctions d’appartenance ................................................................ 65 â…¡I.3.3 La logique possibiliste ...................................................................................... 66 Iâ…¡.3.3.1 Les distributions de possibilité ........................................................ 66 Iâ…¡.3.3.2 Les mesures de possibilité et de nécessité ....................................... 66 â…¡I.3.4 La logique évidentielle (théorie de croyance) .................................................. 68 â…¡I.3.4.1 Notions de base ............................................................................... 68 â…¡I.3.4.2 Mesures de croyance et de plausibilité ............................................ 69 â…¡I.4 Comparatif entre les déférentes logiques de modélisation .............................................. 70 Partie 2 : Adaptation de l’algorithme Apriori aux logiques de l’incertain ........................... 71 III.5 Les règles d’association floues ......................................................................................... 71 III.5.1 Présentation générale ......................................................................................... 71 III.5.2 Concepts et définitions de base ......................................................................... 71 III.5.2.1 Item flou ........................................................................................... 71 III.5.2.2 Itemset flou ....................................................................................... 71 III.5.2.3 Redéfinition de l’union et de la cardinalité des ensembles ............. 72 III.5.2.4 Le degré d’appartenance d’un itemset flou ...................................... 72 III.5.2.5 Le support d’un itemset flou ............................................................ 73 III.5.2.6 Les règle d’association floues .......................................................... 74 III.5.2.7 La confiance d’une règle d’association floue ................................... 74 III.5.3 Extraction de règles d’association floues .......................................................... 74 III.5.4 Exemple d’extraction de règles d’association floues ........................................ 75 â…¡I.6 Etat de l’art : travaux sur les Exp_Gen basés sur les RA ................................................. 77 Iâ…¡.6.1 Sélection des RA pertinentes basée sur des mesures d’intérêt subjectifs ......... 77 Iâ…¡.6.2 Sélection des RA pertinentes basée sur des mesures d’intérêt objectifs .......... 77 â…¡I.7 Conclusion ....................................................................................................................... 78 Chapitre IV : Approche proposée & interprétation biologique des résultats ...................... 79 IV.1 Introduction ..................................................................................................................... 79 Partie 1 : Approche proposée ................................................................................................. 80 IV.2 Justification de l’approche proposée ............................................................................... 80 IV.2.1 Présentation générale ........................................................................................ 80 IV.2.2 Critique des travaux antecedants ...................................................................... 80 IV.2.3 Proposition ....................................................................................................... 81 IV.3 Adaptation proposée de l’Apriori aux théories de l’incertain ......................................... 82 IV.3.1 Concepts de la théorie des SEF adaptés à notre approche ............................... 82 IV.3.2 Concepts de la logique possibiliste adaptés à notre approche ........................... 83 IV.3.3 Concepts de l’algorithme Apriori à adapter ..................................................... 83 IV.4. Modélisation de l’approche proposée ............................................................................ 84 IV.4.1 Le modèle en SEF proposé ............................................................................... 84 IV.4.2 Le modèle possibiliste proposé ........................................................................ 85 IV.4.3 Pseudo-algorithme de l’approche proposée ..................................................... 85 IV.4.4 Contribution ..................................................................................................... 87 Partie 2 : Implémentation de l’approche & interprétation biologique des résultats ........... 89 IV.5 Spécificités des données d’application ............................................................................ 89 IV.5.1 Pourquoi limiter l’étude à une sous-partie du DataSet Emage ......................... 89 IV.5.2 Eliminer le biais (les gènes dominants) dans le dataset étudié ........................ 89 IV.5.3 Outil de validation biologique des résultats : la plateforme String-DB ........... 90 IV.6 Vectorisation des images ISH via les deux modélisations .............................................. 91 IV.6.1 Etapes du processus de vectorisation ............................................................... 91 IV.6.2 Exemples de tables résultantes de la vectorisation des images ISH ................. 93 IV.6.3 Réglage des paramètres et Génération des tables de transaction ..................... 94 IV.7 Analyse et interprétation biologique des résultats .......................................................... 94 IV.7.1 Analyse et discussion sur les RA spatiales extraites en Primal ....................... 94 IV.7.2 Intérêt de la dualité dans l’approche proposée ................................................. 96 IV.7.3 Interprétation biologique des résultats obtenus en Dual ................................... 97 IV.7.3.1 Vision globale des résultats de la modélisation floue proposée ...... 97 IV.7.3.2 Vision globale des résultats de modélisation possibiliste proposée 98 IV.8 Conclusion .................................................................................................................... 100 Conclusion générale ............................................................................................................. 101 Annexe : Contributions scientifiques .................................................................................. 102 Bibliographie ........................................................................................................................ 103 Côte titre : DI/0103 Apprentissage et extraction des connaissances dans les bases de données spatiotemporelles [document électronique] / Mekroud,Noureddine, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2026 . - 1 vol (108 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Règles d’association Données spatiotemporelles Images ISH Expression génétique Logique floue et possibiliste Index. décimale : 004 - Informatique Résumé : L’imperfection est une caractéristique commune dans presque toutes les données du monde réel, même si elles cachent généralement des connaissances cruciales et d’un intérêt majeur. L’utilisation de théories de l’incertitude pour modéliser les zones d’expression génique (Exp_Gen) dans les embryons permettra d’extraire les relations cachées entre les gènes, tout en tenant compte de l’imprécision possible des limites de ces zones et de la force nuancée de ces expressions. Dans cette thèse, nous proposons une modélisation floue et possibiliste des données spatio-temporelles issues de séquences d’images ISH (In Situ Hybridization) représentant les zones d’Exp_Gen à différentes phases de développement embryonnaire de l’espèce modèle souris d’Edinburgh. Après une série d’étapes de prétraitement sur ces images pour améliorer l’extraction des caractéristiques, nous proposons une adaptation de l’algorithme Apriori à la logique floue et possibiliste pour l’extraction de deux types de règles d’association (RA), qui représenteront en Primal les relations spatiales entre les zones d’Exp_Gen dans l’embryon, et en Dual les relations temporelles ainsi que les relations entre les gènes qui co-expriment dans ces séquences d’images ISH. Enfin, une analyse des AR spatiotemporelles floues et possibilistes extraites sera fournie afin de déterminer la modélisation la plus adéquate. De plus, l’interprétation biologique des résultats obtenus confirme leur adéquation aux principes de la biologie génétique. Les connaissances extraites aideront les biologistes à mieux comprendre les interactions entre gènes, à identifier les ensembles de gènes qui co-expriment et ayant le même rôle fonctionnel, et enfin à modéliser l’expression génétique normale pour détecter les expressions génétiques anormales susceptibles de provoquer des maladies génétiques. Note de contenu : Sommaire Introduction générale ..................................................... 12 Chapitre I : La Bio-informatique ET Les images d’expression genetique ............... 15 â… .1 Introduction .............................................. 15 Partie 1 : La Bio-Informatique ........................................................ 16 â… .2 Notions biologiques de base ............................................................ 16 â… .2.1 Les diverses définitions de la Bio-informatique ................................................. 16 â… .2.2 Historique de la Bio-informatique ...................................................................... 18 â… .2.3 Théories fondamentales de la biologie moléculaire ............................................ 20 â… .2.4 Les objectifs et domaines d’application de la bio-informatique ......................... 22 â… .3 Les banques de données biologiques ................................................................................. 23 â… .3.1 Les banques de données généralistes .................................................................. 24 â… .3.2 Banques de données spécialistes ......................................................................... 24 â… .3.3 Les séquences d’images d’expression génétique ................................................ 24 Partie 2 : Les images d’expression génétique ....................................................................... 25 â… .4 L’imagerie in vivo d’expression génétique ........................................................................ 25 â… .4.1 La banque Drosofila FlyBase .............................................................................. 25 â… .4.2 La banque Zebra Fish ......................................................................................... 26 â… .4.3 La banque Edinburgh Mouse .............................................................................. 26 â… .5 Pourquoi choisir l’Atlas EMAGE ....................................................................................... 27 â… .6 Etat de l’art : travaux de recherche sur les données d’Exp_Gen ....................................... 28 â… .6.1 Micro Array data .................................................................................................. 28 â… .6.1.1 Features selection ................................................................................ 28 â… .6.1.2 Clustering & mesures de similarité-distance ..................................... 29 â… .6.2 mRNAseq ............................................................................................................ 29 â… .6.3 Les images ISH ................................................................................................... 30 â… .7 Conclusion ......................................................................................................................... 31 Chapitre II : Extraction des Connaissances à partir des Données & Règles d’Association 32 â…¡.1 Introduction ....................................................................................................................... 32 Partie 1 : Principes de base de l’ECD ................................................................................... 33 â…¡.2 Notions de base de l’ECD ................................................................................................. 33 â…¡.2.1 Définition de l’ECD ........................................................................................... 33 â…¡.2.2 Des données aux connaissance .......................................................................... 34 â…¡.2.3 Le processus d’ECD .......................................................................................... 35 â…¡.3 Le Machine Learning ........................................................................................................ 36 â…¡.3.1 Qu’est-ce que le Machine Learning .................................................................. 36 â…¡.3.2 Principales tâches du Machine Learning ............................................................ 36 â…¡.3.3 Le Machine Learning comme levier de l’IA ...................................................... 38 â…¡.3.4 Algorithmes de Machine Learning .................................................................... 39 Partie 2 : Autour et alentour des Règles d’Association ........................................................ 40 â…¡.4 Les méthodes de recherche d’associations ........................................................................ 40 â…¡.4.1 Présentation générale ......................................................................................... 40 â…¡.4.2 Développement historique de la recherche d’associations ................................. 40 II.5 Concepts fondamentaux des règles d’association.............................................................. 41 II.5.1 Notions de base ................................................................................................... 41 II.5.1.1 Item .................................................................................................... 41 II.5.1.2 Itemset ............................................................................................... 41 II.5.1.3 K-Itemset ........................................................................................... 41 II.5.1.4 Support d’un itemset .......................................................................... 41 II.5.1.5 Règle d’association ............................................................................ 41 II.5.1.6 Confiance d’une règle d’association .................................................. 41 II.5.1.7 Itemset fréquent ................................................................................. 41 II.5.2 Les étapes de l’extraction de règles d’association .............................................. 42 II.5.3 Espace de recherche ou le treillis des itemsets ................................................... 43 II.5.4 Mesures d’évaluation et de validation ................................................................ 44 II.6 Divers algorithmes d’induction des règles d’association .................................................. 46 II.6.1 Algorithme C5.0 ................................................................................................. 46 II.6.2 Le GRI (Generalised Rule Induction) ................................................................. 46 II.6.3 Algorithmes fondés sur le support et la confiance .............................................. 46 II.7 Algorithme Apriori pour l’extraction des règles d’association ......................................... 48 II.7.1 Recherche des itemsets fréquents ....................................................................... 48 II.7.2 Génération des règles d’association .................................................................... 50 II.7.3 Exemple illustratif sur le fonctionnement de l’algorithme Apriori .................... 51 II.8 Les avantages et inconvénients de l’algorithme Apriori ................................................... 53 II.9 Domaines d’Applications des règles d’association ........................................................... 54 II.10 Les axes d’extension des algorithmes d’extraction des règles d’associations ................. 55 II.10.1 Extensions basées sur la nature des règles extraites ......................................... 55 II.10.1.1 Les règles d’associations quantitatives ............................................ 55 II.10.1.2 Les règles d’association généralisées .............................................. 56 II.10.1.3 Les motifs sequentiels ..................................................................... 56 II.10.2 Extensions basées sur la logique de modelisation ............................................ 56 II.10.2.1 Les règles d’association floues ........................................................ 57 II.10.2.2 Les règles d’association possibilistes .............................................. 57 II.10.2.3 Les règles d’association évidentielles .............................................. 57 II.11 Conclusion ....................................................................................................................... 58 Chapitre III : Adaptation des règles d’association aux théories de l’incertain .................... 59 III.1 Introduction ...................................................................................................................... 59 Partie 1 : Théories de l’incertain ............................................................................................ 60 III.2 De la logique binaire aux logiques de l’incertain ............................................................. 60 III.2.1 Le développement de la logique humaine ......................................................... 60 III.2.2 La logique binaire .............................................................................................. 60 Iâ…¡.2.2.1 Algèbre de Boole .............................................................................. 60 â…¡I.2.2.2 Pourquoi le monde réel n’est pas en logique binaire ....................... 61 â…¡I.2.3 Les types d’imperfection dans les données réelles ........................................... 61 â…¡I.2.3.1 Les données incertaines ................................................................... 62 â…¡I.2.3.2 Les données imprécises ................................................................... 62 â…¡I.2.3.3 Les données incomplètes ................................................................. 62 â…¡I.2.3.4 Les données inconsistantes .............................................................. 62 â…¡I.3 Les logiques de modélisation dans l’incertain ................................................................ 63 Iâ…¡.3.1 La logique probabiliste et le théorème de Bayes .............................................. 63 â…¡I.3.2 La logique floue ................................................................................................ 64 â…¡I.3.2.1 Généralités ....................................................................................... 64 â…¡I.3.2.2 Caractérisation des Sous-Ensembles Flous ..................................... 65 â…¡I.3.2.3 Fonctions d’appartenance ................................................................ 65 â…¡I.3.3 La logique possibiliste ...................................................................................... 66 Iâ…¡.3.3.1 Les distributions de possibilité ........................................................ 66 Iâ…¡.3.3.2 Les mesures de possibilité et de nécessité ....................................... 66 â…¡I.3.4 La logique évidentielle (théorie de croyance) .................................................. 68 â…¡I.3.4.1 Notions de base ............................................................................... 68 â…¡I.3.4.2 Mesures de croyance et de plausibilité ............................................ 69 â…¡I.4 Comparatif entre les déférentes logiques de modélisation .............................................. 70 Partie 2 : Adaptation de l’algorithme Apriori aux logiques de l’incertain ........................... 71 III.5 Les règles d’association floues ......................................................................................... 71 III.5.1 Présentation générale ......................................................................................... 71 III.5.2 Concepts et définitions de base ......................................................................... 71 III.5.2.1 Item flou ........................................................................................... 71 III.5.2.2 Itemset flou ....................................................................................... 71 III.5.2.3 Redéfinition de l’union et de la cardinalité des ensembles ............. 72 III.5.2.4 Le degré d’appartenance d’un itemset flou ...................................... 72 III.5.2.5 Le support d’un itemset flou ............................................................ 73 III.5.2.6 Les règle d’association floues .......................................................... 74 III.5.2.7 La confiance d’une règle d’association floue ................................... 74 III.5.3 Extraction de règles d’association floues .......................................................... 74 III.5.4 Exemple d’extraction de règles d’association floues ........................................ 75 â…¡I.6 Etat de l’art : travaux sur les Exp_Gen basés sur les RA ................................................. 77 Iâ…¡.6.1 Sélection des RA pertinentes basée sur des mesures d’intérêt subjectifs ......... 77 Iâ…¡.6.2 Sélection des RA pertinentes basée sur des mesures d’intérêt objectifs .......... 77 â…¡I.7 Conclusion ....................................................................................................................... 78 Chapitre IV : Approche proposée & interprétation biologique des résultats ...................... 79 IV.1 Introduction ..................................................................................................................... 79 Partie 1 : Approche proposée ................................................................................................. 80 IV.2 Justification de l’approche proposée ............................................................................... 80 IV.2.1 Présentation générale ........................................................................................ 80 IV.2.2 Critique des travaux antecedants ...................................................................... 80 IV.2.3 Proposition ....................................................................................................... 81 IV.3 Adaptation proposée de l’Apriori aux théories de l’incertain ......................................... 82 IV.3.1 Concepts de la théorie des SEF adaptés à notre approche ............................... 82 IV.3.2 Concepts de la logique possibiliste adaptés à notre approche ........................... 83 IV.3.3 Concepts de l’algorithme Apriori à adapter ..................................................... 83 IV.4. Modélisation de l’approche proposée ............................................................................ 84 IV.4.1 Le modèle en SEF proposé ............................................................................... 84 IV.4.2 Le modèle possibiliste proposé ........................................................................ 85 IV.4.3 Pseudo-algorithme de l’approche proposée ..................................................... 85 IV.4.4 Contribution ..................................................................................................... 87 Partie 2 : Implémentation de l’approche & interprétation biologique des résultats ........... 89 IV.5 Spécificités des données d’application ............................................................................ 89 IV.5.1 Pourquoi limiter l’étude à une sous-partie du DataSet Emage ......................... 89 IV.5.2 Eliminer le biais (les gènes dominants) dans le dataset étudié ........................ 89 IV.5.3 Outil de validation biologique des résultats : la plateforme String-DB ........... 90 IV.6 Vectorisation des images ISH via les deux modélisations .............................................. 91 IV.6.1 Etapes du processus de vectorisation ............................................................... 91 IV.6.2 Exemples de tables résultantes de la vectorisation des images ISH ................. 93 IV.6.3 Réglage des paramètres et Génération des tables de transaction ..................... 94 IV.7 Analyse et interprétation biologique des résultats .......................................................... 94 IV.7.1 Analyse et discussion sur les RA spatiales extraites en Primal ....................... 94 IV.7.2 Intérêt de la dualité dans l’approche proposée ................................................. 96 IV.7.3 Interprétation biologique des résultats obtenus en Dual ................................... 97 IV.7.3.1 Vision globale des résultats de la modélisation floue proposée ...... 97 IV.7.3.2 Vision globale des résultats de modélisation possibiliste proposée 98 IV.8 Conclusion .................................................................................................................... 100 Conclusion générale ............................................................................................................. 101 Annexe : Contributions scientifiques .................................................................................. 102 Bibliographie ........................................................................................................................ 103 Côte titre : DI/0103

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DI/0103	DI/0103	Thèse	Bibliothèque des sciences	Français	Disponible Disponible

Attention-Based Deep Convolutional Neural Network Versus Transfer Learning for Medical Image Classification and Disease Diagnosis / Maroua Azouz  

Public ISBD Titre : Attention-Based Deep Convolutional Neural Network Versus Transfer Learning for Medical Image Classification and Disease Diagnosis Type de document : texte imprimé Auteurs : Maroua Azouz, Auteur ; Nour Deghoul, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Année de publication : 2022 Importance : 1 vol (94 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Transfer Learning Image Classification ViT Index. décimale : 004 Informatique Résumé : Cancer is a disease in which some of the body’s cells grow uncontrollably and spread to other parts of the body. recently the most two common type of diseases in our city Setif are Skin cancer and nodules in thyroid gland cancer. Skin Cancer Is the Cancer You Can See, this sentence is the the motto of Skin Cancer Foundation .When strange grains appear in the patient’s skin, he cannot differentiate whether it is cancer or just simple skin ulcers, so in most cases it is not detected except in advanced stages of the disease . Most patients with nodules in the thyroid gland are afraid to turning these nodes into cancerous masses, and with the spread of this disease in recent years, this question has become a concern for all patients. Recently, the world has become highly focused on deep learning and classification of medical images by building stable models in computer aided diagnosis [8], most often the model is using Convolutional neural networks. Now we propose a model based on the attention mechanism that based on the most important features in the image. The attention mechanism contributes to increasing the effectiveness of the model and achieving a better classification. The aim of this study is to improve the accuracy of a computer-aided diagnosis approach that medical professionals can easily use as an aid. In this thesis, we proposed the use of the transformer and transfer-learning mechanism to detect and classify skin cancer diseases and the type of thyroid nodules(benign or malignant). We collected features from three types of pre-trained models, EfficientNetB7, VGGNet16, Xception as feature extraction roles. Then as using the features as input to Vision Transformer (ViT) and then using neural networks for classification.As a result, the proposed approach achieved accuracy of 83.74% for skin dataset and 76.18% for thyroid dataset, and an other similar model using CNN model proposed by us is achieve 92.95% of accuracy for skin dataset and 88.18% of accuracy for thyroid dataset . We proposed, also the of use transfer learning for develop the pre trained model and applied the same datasets on ResNet50 and our new ResNet50,these models achieve 67.66%, 98.89% respectively for skin cancer data set and they achieve 67.03%, 90.97% respectively by the use of thyroid dataset. Côte titre : MAI/0587 En ligne : https://drive.google.com/file/d/1x9lI7fG4IlSYzf0xGs-E7AL9ynLyGu1h/view?usp=share [...] Format de la ressource électronique : pdf Attention-Based Deep Convolutional Neural Network Versus Transfer Learning for Medical Image Classification and Disease Diagnosis [texte imprimé] / Maroua Azouz, Auteur ; Nour Deghoul, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - 2022 . - 1 vol (94 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Transfer Learning Image Classification ViT Index. décimale : 004 Informatique Résumé : Cancer is a disease in which some of the body’s cells grow uncontrollably and spread to other parts of the body. recently the most two common type of diseases in our city Setif are Skin cancer and nodules in thyroid gland cancer. Skin Cancer Is the Cancer You Can See, this sentence is the the motto of Skin Cancer Foundation .When strange grains appear in the patient’s skin, he cannot differentiate whether it is cancer or just simple skin ulcers, so in most cases it is not detected except in advanced stages of the disease . Most patients with nodules in the thyroid gland are afraid to turning these nodes into cancerous masses, and with the spread of this disease in recent years, this question has become a concern for all patients. Recently, the world has become highly focused on deep learning and classification of medical images by building stable models in computer aided diagnosis [8], most often the model is using Convolutional neural networks. Now we propose a model based on the attention mechanism that based on the most important features in the image. The attention mechanism contributes to increasing the effectiveness of the model and achieving a better classification. The aim of this study is to improve the accuracy of a computer-aided diagnosis approach that medical professionals can easily use as an aid. In this thesis, we proposed the use of the transformer and transfer-learning mechanism to detect and classify skin cancer diseases and the type of thyroid nodules(benign or malignant). We collected features from three types of pre-trained models, EfficientNetB7, VGGNet16, Xception as feature extraction roles. Then as using the features as input to Vision Transformer (ViT) and then using neural networks for classification.As a result, the proposed approach achieved accuracy of 83.74% for skin dataset and 76.18% for thyroid dataset, and an other similar model using CNN model proposed by us is achieve 92.95% of accuracy for skin dataset and 88.18% of accuracy for thyroid dataset . We proposed, also the of use transfer learning for develop the pre trained model and applied the same datasets on ResNet50 and our new ResNet50,these models achieve 67.66%, 98.89% respectively for skin cancer data set and they achieve 67.03%, 90.97% respectively by the use of thyroid dataset. Côte titre : MAI/0587 En ligne : https://drive.google.com/file/d/1x9lI7fG4IlSYzf0xGs-E7AL9ynLyGu1h/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0587	MAI/0587	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

Biomedical Data Analysis by Deep Architectures / Tcheir ,Abir  

Public ISBD Titre : Biomedical Data Analysis by Deep Architectures Type de document : texte imprimé Auteurs : Tcheir ,Abir, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : OVID-19 chestX-ray DeepLearning Attentionmaps Index. décimale : 004 - Informatique Résumé : OVID-19causeslunginflammationandlesions,andchestX-rayimagesareremarkably suitable fordifferentiatingthenewdiseasefrompatientswithotherlungdiseases. In thispaper,weproposeacomputermodeltoclassifyX-rayimagesofpatientsdiagnosed with COVID-19.Thedatasetsutilizedinthisexperimentaretwo.Firstly,adatasetof9545X-ray images including4045imageswithconfirmedCovid-19disease,and5500imagesofNonCovid-19. Secondly,adatasetof13677X-rayimagesincluding3424imageswithconfirmedCovid-19disease, 1345 imageswithconfirmedviralpneumonia,and8908imagesofnormalconditions.Theresults suggest thatDeepLearningwithX-rayimagingmayextractsignificantbiomarkersrelated to theCovid-19disease,Thisworkhasconsideredthewellknownpre-trainedarchitectures, suchasEfficientNetB0,DenseNet121,Vgg16,ResNet50,InceptionV3andMobileNetV2forthe experimental evaluation. The performanceoftheconsideredarchitecturesisevaluatedbycomputingthecommonper- formance measures.TheresultoftheexperimentalevaluationconfirmsthattheEfficientNetB0 pre-trained transferlearning-basedmodelofferedbetterclassificationaccuracy(98.40%)onthe considered imagedataset1classificationand(97.20%)ontheconsideredimagedataset2,were also generatedAttentionmapsforprediction,whichrepresentsakeyexplanatorystepaimedat increasing confidenceinthefinaldecision. Côte titre : MAI/0528 En ligne : https://drive.google.com/file/d/1pF3-IE1TmVOr85fp2nF7Z0Wrn9T3QRSk/view?usp=shari [...] Format de la ressource électronique : pdf Biomedical Data Analysis by Deep Architectures [texte imprimé] / Tcheir ,Abir, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (59 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : OVID-19 chestX-ray DeepLearning Attentionmaps Index. décimale : 004 - Informatique Résumé : OVID-19causeslunginflammationandlesions,andchestX-rayimagesareremarkably suitable fordifferentiatingthenewdiseasefrompatientswithotherlungdiseases. In thispaper,weproposeacomputermodeltoclassifyX-rayimagesofpatientsdiagnosed with COVID-19.Thedatasetsutilizedinthisexperimentaretwo.Firstly,adatasetof9545X-ray images including4045imageswithconfirmedCovid-19disease,and5500imagesofNonCovid-19. Secondly,adatasetof13677X-rayimagesincluding3424imageswithconfirmedCovid-19disease, 1345 imageswithconfirmedviralpneumonia,and8908imagesofnormalconditions.Theresults suggest thatDeepLearningwithX-rayimagingmayextractsignificantbiomarkersrelated to theCovid-19disease,Thisworkhasconsideredthewellknownpre-trainedarchitectures, suchasEfficientNetB0,DenseNet121,Vgg16,ResNet50,InceptionV3andMobileNetV2forthe experimental evaluation. The performanceoftheconsideredarchitecturesisevaluatedbycomputingthecommonper- formance measures.TheresultoftheexperimentalevaluationconfirmsthattheEfficientNetB0 pre-trained transferlearning-basedmodelofferedbetterclassificationaccuracy(98.40%)onthe considered imagedataset1classificationand(97.20%)ontheconsideredimagedataset2,were also generatedAttentionmapsforprediction,whichrepresentsakeyexplanatorystepaimedat increasing confidenceinthefinaldecision. Côte titre : MAI/0528 En ligne : https://drive.google.com/file/d/1pF3-IE1TmVOr85fp2nF7Z0Wrn9T3QRSk/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0528	MAI/0528	Mémoire	Bibliothèque des sciences	Français	Disponible Disponible

Catégorisation Automatique Contextuelle de Documents Semi-structurés Multilingues / Gadri, said  

Permalink

Community Detection with Deep Graph Neural Networks / Imad Eddine Kettaf  

Permalink

Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra  

Permalink

Deep Feature Learning (Extraction and Generation) Using a Bidirectional LSTM-CNN and Deep Generative Models Applied to Physiological Signals (EEG/ECG) Classification / Hichem Betiche  

Permalink

Deep Learning for Medical Object Detection and Segmentation / Ouassim boukhennoufa  

Permalink

Deep learning models for arrhythmia classification and coronary artery diseases detection / Khaoula Tobbal  

Permalink

Deep Learning Models for Colorectal Cancer Detection and Classification / Mohamed Islem Belhaddad  

Permalink

Deep Vision Transformer for Heart Disease Classification and Prediction / Oualid Akkouche  

Permalink

Enhancing Deep Learning with Quantum Computing: Exploring Hybrid Algorithms for Image Classification / Sabrina Lazeli

Permalink

Enhancing Medical Image Segmentation with FastAI and Vision Transformers: A Hybrid Approach / Rahma Hebbir

Permalink

---

1 2 3 (1 - 15 / 39) Par page : 25 Tout afficher