Titre :	The integration of deep learning and bio-inspired principles in diagnostic aid systems for a significant improvement in healthcare
Type de document :	texte imprimé
Auteurs :	Nadjet Bouyahia, Auteur ; Ghozlane Kamel ; Hadi, Fairouz, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2024
Importance :	1 vol (82 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Content-based image retrieval Deep learning Bio-inspired Convolutional neural networks Hyperparameter optimization.
Index. décimale :	004 - Informatique
Résumé :	Content-based image retrieval (CBIR) has revolutionized medical diagnostics by enabling efficient retrieval of relevant medical images based on content . The integration of deep learning and bio-inspired principles represents a significant advancement in diagnostic aid systems, enhancing healthcare outcomes. Deep learning algorithms, particularly convolutional neural networks (CNNs), automate feature extraction and classification from medical images, leveraging large datasets for accurate pattern recognition and anomaly detection. Bio-inspired architectures enhance these deep learning models by improving learning efficiency and adaptability while optimizing hyperparameters to enhance model performance.This integration enables faster and more accurate disease detection, personalized treatment planning, and improved patient outcomes. By synergizing CBIR with deep learning and bio-inspired principles, healthcare systems are poised to leverage advanced technologies for more effective medical image analysis and diagnostic decision-making.
Note de contenu :	Sommaire List of Figures 4 List of Tables 5 List of Abbreviations 6 1 General Introduction 7 2 CBIR system 11 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3 CBIR framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3.1 Image Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2 Types of image retrieval . . . . . . . . . . . . . . . . . . . . . . 14 2.3.3 Feature Extraction Methods in CBIR . . . . . . . . . . . . . . 15 1.2.2.1 Global features . . . . . . . . . . . . . . . . . . . . . . 15 • Color feature . . . . . . . . . . . . . . . . . . . . . . . . . . 16 • Texture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 • Shape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 • Spatial information . . . . . . . . . . . . . . . . . . . . . . . 17 1.2.2.2 Local Features . . . . . . . . . . . . . . . . . . . . . . . 17 2.3.4 Query Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3.5 Similarity Measurement . . . . . . . . . . . . . . . . . . . . . . 18 2.3.5.1 Distance Measures : . . . . . . . . . . . . . . . . . . . . . 19 2.3.5.2 Similarity Metrics : . . . . . . . . . . . . . . . . . . . . . 20 2.4 Challenges and Emerging Trends in CBIR . . . . . . . . . . . . . . . . 21 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 Deep Learning 24 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2.1 The importance of deep learning . . . . . . . . . . . . . . . . . 25 3.3 Artificial Neural Networks (ANN) : . . . . . . . . . . . . . . . . . . . . 26 3.4 Theoretical foundations of deep learning . . . . . . . . . . . . . . . . . 27 3.4.1 Activation functions : . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.2 Sigmoid function : . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.3 ReLu activation function : . . . . . . . . . . . . . . . . . . . . . 28 3.4.4 Softmax activation function : . . . . . . . . . . . . . . . . . . . 28 3.4.5 Tanh function : . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.5 Convolutional Neural Network (CNN) : . . . . . . . . . . . . . . . . . . 29 •Convolutional Layer . . . . . . . . . . . . . . . . . . . . . . . 30 •Pooling layer . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 •Fully Connected Layer . . . . . . . . . . . . . . . . . . . . . . 33 3.5.1 Benefits of using CNNs for deep learning . . . . . . . . . . . . . 33 3.6 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4 Bio inspired 36 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2.1 Process for creating a nature-inspired algorithm . . . . . . . . . 37 • Why Bio-Inspired ? . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3.1 Evolutionary algorithms . . . . . . . . . . . . . . . . . . . . . . 39 A- Genetic algorithms . . . . . . . . . . . . . . . . . . . . . . . 40 B- Genetic Programming : . . . . . . . . . . . . . . . . . . . . . 40 C- Evolution Strategies : . . . . . . . . . . . . . . . . . . . . . . 41 D- Differential Evolution : . . . . . . . . . . . . . . . . . . . . . 42 4.4 Swarm intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.4.1 The principles of swarmintelligence . . . . . . . . . . . . . . . . 43 4.4.2 Variants of Swarm-based algorithms . . . . . . . . . . . . . . . 44 4.4.3 How to work : . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.4.4 Advantage of PSO . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.4.5 Ants colonies algorithm . . . . . . . . . . . . . . . . . . . . . . 46 4.5 Immune System Algorithms . . . . . . . . . . . . . . . . . . . . . . . . 48 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5 Contribution 50 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5.2 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 ...........
Côte titre :	MAI/0889

The integration of deep learning and bio-inspired principles in diagnostic aid systems for a significant improvement in healthcare [texte imprimé] / Nadjet Bouyahia, Auteur ; Ghozlane Kamel ; Hadi, Fairouz, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (82 f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Content-based image retrieval Deep learning Bio-inspired Convolutional neural networks Hyperparameter optimization.
Index. décimale :	004 - Informatique
Résumé :	Content-based image retrieval (CBIR) has revolutionized medical diagnostics by enabling efficient retrieval of relevant medical images based on content . The integration of deep learning and bio-inspired principles represents a significant advancement in diagnostic aid systems, enhancing healthcare outcomes. Deep learning algorithms, particularly convolutional neural networks (CNNs), automate feature extraction and classification from medical images, leveraging large datasets for accurate pattern recognition and anomaly detection. Bio-inspired architectures enhance these deep learning models by improving learning efficiency and adaptability while optimizing hyperparameters to enhance model performance.This integration enables faster and more accurate disease detection, personalized treatment planning, and improved patient outcomes. By synergizing CBIR with deep learning and bio-inspired principles, healthcare systems are poised to leverage advanced technologies for more effective medical image analysis and diagnostic decision-making.
Note de contenu :	Sommaire List of Figures 4 List of Tables 5 List of Abbreviations 6 1 General Introduction 7 2 CBIR system 11 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3 CBIR framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3.1 Image Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2 Types of image retrieval . . . . . . . . . . . . . . . . . . . . . . 14 2.3.3 Feature Extraction Methods in CBIR . . . . . . . . . . . . . . 15 1.2.2.1 Global features . . . . . . . . . . . . . . . . . . . . . . 15 • Color feature . . . . . . . . . . . . . . . . . . . . . . . . . . 16 • Texture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 • Shape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 • Spatial information . . . . . . . . . . . . . . . . . . . . . . . 17 1.2.2.2 Local Features . . . . . . . . . . . . . . . . . . . . . . . 17 2.3.4 Query Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3.5 Similarity Measurement . . . . . . . . . . . . . . . . . . . . . . 18 2.3.5.1 Distance Measures : . . . . . . . . . . . . . . . . . . . . . 19 2.3.5.2 Similarity Metrics : . . . . . . . . . . . . . . . . . . . . . 20 2.4 Challenges and Emerging Trends in CBIR . . . . . . . . . . . . . . . . 21 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 Deep Learning 24 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2.1 The importance of deep learning . . . . . . . . . . . . . . . . . 25 3.3 Artificial Neural Networks (ANN) : . . . . . . . . . . . . . . . . . . . . 26 3.4 Theoretical foundations of deep learning . . . . . . . . . . . . . . . . . 27 3.4.1 Activation functions : . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.2 Sigmoid function : . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.3 ReLu activation function : . . . . . . . . . . . . . . . . . . . . . 28 3.4.4 Softmax activation function : . . . . . . . . . . . . . . . . . . . 28 3.4.5 Tanh function : . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.5 Convolutional Neural Network (CNN) : . . . . . . . . . . . . . . . . . . 29 •Convolutional Layer . . . . . . . . . . . . . . . . . . . . . . . 30 •Pooling layer . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 •Fully Connected Layer . . . . . . . . . . . . . . . . . . . . . . 33 3.5.1 Benefits of using CNNs for deep learning . . . . . . . . . . . . . 33 3.6 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4 Bio inspired 36 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2.1 Process for creating a nature-inspired algorithm . . . . . . . . . 37 • Why Bio-Inspired ? . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3.1 Evolutionary algorithms . . . . . . . . . . . . . . . . . . . . . . 39 A- Genetic algorithms . . . . . . . . . . . . . . . . . . . . . . . 40 B- Genetic Programming : . . . . . . . . . . . . . . . . . . . . . 40 C- Evolution Strategies : . . . . . . . . . . . . . . . . . . . . . . 41 D- Differential Evolution : . . . . . . . . . . . . . . . . . . . . . 42 4.4 Swarm intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.4.1 The principles of swarmintelligence . . . . . . . . . . . . . . . . 43 4.4.2 Variants of Swarm-based algorithms . . . . . . . . . . . . . . . 44 4.4.3 How to work : . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.4.4 Advantage of PSO . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.4.5 Ants colonies algorithm . . . . . . . . . . . . . . . . . . . . . . 46 4.5 Immune System Algorithms . . . . . . . . . . . . . . . . . . . . . . . . 48 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5 Contribution 50 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5.2 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 ...........
Côte titre :	MAI/0889