Application de l'IA et des modèles d’apprentissage profond pour la détection et la classification des maladies oculaires à partir d'images de la rétine / Wissem Meraouna

Public ISBD Titre : Application de l'IA et des modèles d’apprentissage profond pour la détection et la classification des maladies oculaires à partir d'images de la rétine Type de document : document électronique Auteurs : Wissem Meraouna ; Rania Kebiche, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (77 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rétinopathie diabétique Glaucome AMD Deep Learning CNN Logique floue Régression GAN Diagnostic médical Index. décimale : 004 Informatique Résumé : Avec l’augmentation massive des données médicales, les images de la rétine sont devenues essentielles pour le dépistage précoce des maladies oculaires. Ce mémoire propose un système intelligent combinant un modèle CNN pré-entraîné (MobileNetV2), la logique floue et la régression, appliqué à la détection et la classification de trois pathologies majeures : la rétinopathie diabétique, le glaucome et la dégénérescence maculaire liée à l’âge (AMD). Pour corriger le déséquilibre entre les classes, des images réalistes ont été générées à l’aide d’un modèle GAN. Le système offre une prédiction continue accompagnée d’une interprétation floue des résultats, permettant une classification plus nuancée et une aide fiable à la décision médicale. Les résultats obtenus confirment la pertinence de l’approche proposée dans le contexte du diagnostic ophtalmologique automatisé. Note de contenu : Sommaire Introduction Générale......................................................................................... 9 1 Introduction ................................................................................................. 12 2 Historique des maladies oculaires ............................................................. 12 2.1 Les Premières Références Historiques .................................................................................. 12 2.2 Le Moyen Âge et la Renaissance ............................................................................................ 12 2.3 Les Progrès de la Médecine Moderne ................................................................................... 13 2.4 Le XXe Siècle et l'Ère Contemporaine .................................................................................... 13 2.5 Les Défis Actuels .................................................................................................................... 13 3 Imagerie médicale ....................................................................................... 14 3.1 Définition d’imagerie médicale .............................................................................................. 14 3.2 Les types d’imagerie médicale ............................................................................................... 14 4 La description du l’oeil ................................................................................ 14 5 Maladies ciblées ........................................................................................... 16 5.1 La rétinopathie diabétique .................................................................................................... 16 5.2 Le glaucome ........................................................................................................................... 17 ➢ Classification du glaucome ............................................................................................ 18 5.3 La Dégénérescence Maculaire Liée à l'Âge (DMLA) ............................................................... 18 6 Conclusion .................................................................................................... 19 1 Introduction ................................................................................................. 21 2 Intelligence artificielle ................................................................................ 21 3 L’apprentissage automatique .................................................................... 22 3.1 Les types de l’apprentissage automatique ............................................................................ 22 3.1.1 L’apprentissage supervisée ........................................................................................... 22 3.1.2 L’apprentissage non-supervisé ..................................................................................... 25 3.1.3 L’apprentissage par renforcement................................................................................ 28 4 L’apprentissage profond ............................................................................ 29 4.1 Les applications de l’apprentissage profond ......................................................................... 29 4.2 Les algorithmes de l’apprentissage profond ......................................................................... 29 4.3 Machine Learning Vs Deep Learning ..................................................................................... 30 4.4 Les réseaux de neurones ....................................................................................................... 31 4.4.1 Les neurones ................................................................................................................. 31 4.4.2 Les réseaux de neurones artificiels ............................................................................... 31 4.4.3 Réseaux de neurones convolutas pour la classification d'images ................................ 31 4.4.4 Les réseaux de neurones convolutifs ............................................................................ 32 4.4.5 Les principales couches du CNN ................................................................................... 32 4.4.6 Les différentes architectures du CNN ........................................................................... 34 4.4.7 L’apprentissage par transfert ........................................................................................ 37 4.4.8 Techniques de regularisation ....................................................................................... 38 4.4.9 L’optimisation de l’apprentissage en profondeur ........................................................ 38 1 Introduction ................................................................................................. 41 2 Modélisation des données imparfaites ...................................................... 41 2.1 Le développement de la logique humaine ............................................................................ 41 2.2 La logique binaire (Algèbre de Boole) .................................................................................... 41 2.3 Pourquoi le monde réel n'est pas en logique binaire ? ......................................................... 42 2.4 Les types d'imperfection dans les données réelles ............................................................... 42 2.4.1 Les données incertaines ................................................................................................ 43 2.4.2 Les données imprécises ................................................................................................ 43 2.4.3 Les données inconsistance ............................................................................................ 44 2.5 Théories de l'incertain ........................................................................................................... 44 2.5.1 La théorie des probabilités ........................................................................................... 44 2.5.2 Logique floue ................................................................................................................. 45 2.5.3 Définir les Sous-Ensembles Flous .................................................................................. 46 2.5.4 Logique possibiliste ....................................................................................................... 47 2.5.5 La théorie de croyance .................................................................................................. 48 2.6 Des exemples sur les défèrent logique de modélisation ....................................................... 49 3 Réseaux Antagonistes Génératifs .............................................................. 50 3.1 Architecture et fonctionnement des GANs ........................................................................... 50 3.2 Le discriminateur ................................................................................................................... 51 3.3 Le générateur ......................................................................................................................... 51 3.4 Augmentation de l’image ...................................................................................................... 52 ❖ Techniques classiques ................................................................................................. 52 ❖ Techniques avancées ................................................................................................... 52 4 Etat de l’art .................................................................................................. 53 4.1 Contexte scientifique et avancées récentes .......................................................................... 53 4.2 Quelques études notables ..................................................................................................... 53 4.3 Limites des approches existantes .......................................................................................... 53 5 Présentation générale .................................................................................. 53 6 Contribution ................................................................................................ 54 6.1 Par rapport aux faiblesses des travaux antérieurs ................................................................ 54 6.2 Intégration d’un générateur GAN .......................................................................................... 54 6.3 Ajout de la logique floue pour l'interprétation médicale ...................................................... 55 7 Pseudo Algorithme de l’approche proposée ............................................. 56 8 :8 Conclusion .............................................................................................. 56 1 Introduction ................................................................................................. 59 2 Le Dataset « OcularDisease Recognition » ............................................... 59 3 Le Transfer Learning via la plateforme MobileNetV2 ........................... 60 5 Les détails techniques d’implémentation ..................................................... 62 6 Exploration de l'Augmentation de Données via le GAN ............................ 64 Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 65 ▪ Visualisation des résultats de la classification logique Floue : ..................................... 65 ▪ Evolution de l'Apprentissage et performance du modèle ............................................ 66 Figure. IV.4 Matrice de Confusion ............................................................................................ 66 Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 67 ▪ Visualisation des résultats de la classification logique Floue : ..................................... 67 ▪ Evolution de l'Apprentissage et performance du modèle ............................................ 68 Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 69 ▪ Visualisation des résultats de la classification logique Floue : ..................................... 69 ▪ Evolution de l'Apprentissage et performance du modèle ............................................ 70 Côte titre : MAI/1019 Application de l'IA et des modèles d’apprentissage profond pour la détection et la classification des maladies oculaires à partir d'images de la rétine [document électronique] / Wissem Meraouna ; Rania Kebiche, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (77 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rétinopathie diabétique Glaucome AMD Deep Learning CNN Logique floue Régression GAN Diagnostic médical Index. décimale : 004 Informatique Résumé : Avec l’augmentation massive des données médicales, les images de la rétine sont devenues essentielles pour le dépistage précoce des maladies oculaires. Ce mémoire propose un système intelligent combinant un modèle CNN pré-entraîné (MobileNetV2), la logique floue et la régression, appliqué à la détection et la classification de trois pathologies majeures : la rétinopathie diabétique, le glaucome et la dégénérescence maculaire liée à l’âge (AMD). Pour corriger le déséquilibre entre les classes, des images réalistes ont été générées à l’aide d’un modèle GAN. Le système offre une prédiction continue accompagnée d’une interprétation floue des résultats, permettant une classification plus nuancée et une aide fiable à la décision médicale. Les résultats obtenus confirment la pertinence de l’approche proposée dans le contexte du diagnostic ophtalmologique automatisé. Note de contenu : Sommaire Introduction Générale......................................................................................... 9 1 Introduction ................................................................................................. 12 2 Historique des maladies oculaires ............................................................. 12 2.1 Les Premières Références Historiques .................................................................................. 12 2.2 Le Moyen Âge et la Renaissance ............................................................................................ 12 2.3 Les Progrès de la Médecine Moderne ................................................................................... 13 2.4 Le XXe Siècle et l'Ère Contemporaine .................................................................................... 13 2.5 Les Défis Actuels .................................................................................................................... 13 3 Imagerie médicale ....................................................................................... 14 3.1 Définition d’imagerie médicale .............................................................................................. 14 3.2 Les types d’imagerie médicale ............................................................................................... 14 4 La description du l’oeil ................................................................................ 14 5 Maladies ciblées ........................................................................................... 16 5.1 La rétinopathie diabétique .................................................................................................... 16 5.2 Le glaucome ........................................................................................................................... 17 ➢ Classification du glaucome ............................................................................................ 18 5.3 La Dégénérescence Maculaire Liée à l'Âge (DMLA) ............................................................... 18 6 Conclusion .................................................................................................... 19 1 Introduction ................................................................................................. 21 2 Intelligence artificielle ................................................................................ 21 3 L’apprentissage automatique .................................................................... 22 3.1 Les types de l’apprentissage automatique ............................................................................ 22 3.1.1 L’apprentissage supervisée ........................................................................................... 22 3.1.2 L’apprentissage non-supervisé ..................................................................................... 25 3.1.3 L’apprentissage par renforcement................................................................................ 28 4 L’apprentissage profond ............................................................................ 29 4.1 Les applications de l’apprentissage profond ......................................................................... 29 4.2 Les algorithmes de l’apprentissage profond ......................................................................... 29 4.3 Machine Learning Vs Deep Learning ..................................................................................... 30 4.4 Les réseaux de neurones ....................................................................................................... 31 4.4.1 Les neurones ................................................................................................................. 31 4.4.2 Les réseaux de neurones artificiels ............................................................................... 31 4.4.3 Réseaux de neurones convolutas pour la classification d'images ................................ 31 4.4.4 Les réseaux de neurones convolutifs ............................................................................ 32 4.4.5 Les principales couches du CNN ................................................................................... 32 4.4.6 Les différentes architectures du CNN ........................................................................... 34 4.4.7 L’apprentissage par transfert ........................................................................................ 37 4.4.8 Techniques de regularisation ....................................................................................... 38 4.4.9 L’optimisation de l’apprentissage en profondeur ........................................................ 38 1 Introduction ................................................................................................. 41 2 Modélisation des données imparfaites ...................................................... 41 2.1 Le développement de la logique humaine ............................................................................ 41 2.2 La logique binaire (Algèbre de Boole) .................................................................................... 41 2.3 Pourquoi le monde réel n'est pas en logique binaire ? ......................................................... 42 2.4 Les types d'imperfection dans les données réelles ............................................................... 42 2.4.1 Les données incertaines ................................................................................................ 43 2.4.2 Les données imprécises ................................................................................................ 43 2.4.3 Les données inconsistance ............................................................................................ 44 2.5 Théories de l'incertain ........................................................................................................... 44 2.5.1 La théorie des probabilités ........................................................................................... 44 2.5.2 Logique floue ................................................................................................................. 45 2.5.3 Définir les Sous-Ensembles Flous .................................................................................. 46 2.5.4 Logique possibiliste ....................................................................................................... 47 2.5.5 La théorie de croyance .................................................................................................. 48 2.6 Des exemples sur les défèrent logique de modélisation ....................................................... 49 3 Réseaux Antagonistes Génératifs .............................................................. 50 3.1 Architecture et fonctionnement des GANs ........................................................................... 50 3.2 Le discriminateur ................................................................................................................... 51 3.3 Le générateur ......................................................................................................................... 51 3.4 Augmentation de l’image ...................................................................................................... 52 ❖ Techniques classiques ................................................................................................. 52 ❖ Techniques avancées ................................................................................................... 52 4 Etat de l’art .................................................................................................. 53 4.1 Contexte scientifique et avancées récentes .......................................................................... 53 4.2 Quelques études notables ..................................................................................................... 53 4.3 Limites des approches existantes .......................................................................................... 53 5 Présentation générale .................................................................................. 53 6 Contribution ................................................................................................ 54 6.1 Par rapport aux faiblesses des travaux antérieurs ................................................................ 54 6.2 Intégration d’un générateur GAN .......................................................................................... 54 6.3 Ajout de la logique floue pour l'interprétation médicale ...................................................... 55 7 Pseudo Algorithme de l’approche proposée ............................................. 56 8 :8 Conclusion .............................................................................................. 56 1 Introduction ................................................................................................. 59 2 Le Dataset « OcularDisease Recognition » ............................................... 59 3 Le Transfer Learning via la plateforme MobileNetV2 ........................... 60 5 Les détails techniques d’implémentation ..................................................... 62 6 Exploration de l'Augmentation de Données via le GAN ............................ 64 Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 65 ▪ Visualisation des résultats de la classification logique Floue : ..................................... 65 ▪ Evolution de l'Apprentissage et performance du modèle ............................................ 66 Figure. IV.4 Matrice de Confusion ............................................................................................ 66 Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 67 ▪ Visualisation des résultats de la classification logique Floue : ..................................... 67 ▪ Evolution de l'Apprentissage et performance du modèle ............................................ 68 Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 69 ▪ Visualisation des résultats de la classification logique Floue : ..................................... 69 ▪ Evolution de l'Apprentissage et performance du modèle ............................................ 70 Côte titre : MAI/1019

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/1019	MAI/1019	Mémoire	Bibliothèque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)