University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
004 - Informatique Ouvrages de la bibliothèque en indexation 004
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Adaptation d'application multimédia a l'environnement d'exécution Type de document : texte imprimé Auteurs : Chehili, el-batoul ; DOUIDI, L, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (89f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie Logiciel
documents multimédias
différente plateforme
bootstrap
responsive design
navigateursIndex. décimale : 004 Informatique Côte titre : MAI/0183 Adaptation d'application multimédia a l'environnement d'exécution [texte imprimé] / Chehili, el-batoul ; DOUIDI, L, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (89f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie Logiciel
documents multimédias
différente plateforme
bootstrap
responsive design
navigateursIndex. décimale : 004 Informatique Côte titre : MAI/0183 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0183 MAI/0183 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Adaptation automatique des services web de qualité Type de document : texte imprimé Auteurs : SAFFIDIN, Rania ; Alti,Adel, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (52f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Service web, Ontologie, sensibilité aux contextes, Systèmes pervasifs, document multimédia, adaptation automatique et sémantique. Index. décimale : 004 Informatique Résumé :
Résumé :
Actuellement, les documents multimédia sont les aspects clés des technologies web. Ils doivent pouvoir être exécutés sur de nombreuses plates-formes (Smartphone, PDA, ordinateurs de bureau, Tablette etc.), qui a donné la naissance de nouveaux systèmes d’informations dits pervasifs. Ces différents contextes de présentation multimédia introduisent différentes contraintes sur la présentation elle-même. Par-exemple les contraintes d’utilisation et les préférences de l’utilisateur. En conséquence de ces dernières, le problème d’hétérogénéité soulève. Pour clarifier cette complexité, les documents multimédia doivent être adaptés.
Et notre travail consiste à définir une approche d’adaptation automatique et sémantique de documents multimédia basée sur les services web qui exécutent physiquement les services d’adaptation, ainsi sur une ontologie qui décrit les caractéristiques (Sémantique, Coût, Qualité ...) et c’est une extension des services Web qui permet de considérer la sensibilité aux contextes tout au long de sélection des services d’adaptation.
Note de contenu :
Table des matières
Introduction générale 1
Chapitre 1: Service Web Sémantique
1. Introduction 3
2. Service web 3
2.1. Définition des services web 3
2.2. Principaux objectifs 4
2.3. Architecture des services web 4
2.4. Standards utilisés pour les services web 5
2.5. Processus d’invocation d’un service web 6
2.6. Les avantages et les inconvénients des services web 7
3. Ontologies et web service sémantique 8
3.1. Présentation des ontologies 8
3.2. Langages du web sémantique 8
3.3. Les annotations sémantiques 10
3.4. Service web sémantique 10
3.5. Approches proposées pour les services Web sémantiques 11
4. Contexte et sensibilité aux contextes 12
4.1. Définition du contexte 13
4.2. Catégories du contexte 13
4.2.1. Contexte utilisateur 13
4.2.2. Contexte de l’environnement 14
4.2.3. Contexte dispositif 14
4.2.4. Contexte du service 14
5. Conclusion 14
Chapitre 2: Etat de domaine
1. Introduction 16
2. Problématique 16
3. Approches existantes 16
3.1. Adaptation côté serveur 17
3.2. Adaptation côté client 17
3.3. Adaptation intermédiaire 18
4. Discussion et proposition 20
5. Conclusion 21
Chapitre 3: Conception
1. Introduction 22
2. Le modèle fonctionnel du système d'adaptation 22
3. Approche automatique d’adaptation des données multimédia 23
3.1. Architecture générale 23
3.1.1. Profil utilisateur 24
3.1.2. Description des caractéristiques de document multimédia 25
3.1.3. Ontologie développée 25
3.2. Construction automatique d’adaptation automatique des services 32
4. Conclusion 34
Chapitre 4: Implémentation
1. Introduction 35
2. Outils de développement 35
2.1. Editeur d’ontologie 35
2.2. Le langage SWRL 35
2.3. NetBeans 36
2.4. Le langage Java 36
3. Implémentation du système 37
3.1. Validation 46
4. Conclusion 51
Conclusion générale 52
Côte titre : MAI/0040 Adaptation automatique des services web de qualité [texte imprimé] / SAFFIDIN, Rania ; Alti,Adel, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (52f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Service web, Ontologie, sensibilité aux contextes, Systèmes pervasifs, document multimédia, adaptation automatique et sémantique. Index. décimale : 004 Informatique Résumé :
Résumé :
Actuellement, les documents multimédia sont les aspects clés des technologies web. Ils doivent pouvoir être exécutés sur de nombreuses plates-formes (Smartphone, PDA, ordinateurs de bureau, Tablette etc.), qui a donné la naissance de nouveaux systèmes d’informations dits pervasifs. Ces différents contextes de présentation multimédia introduisent différentes contraintes sur la présentation elle-même. Par-exemple les contraintes d’utilisation et les préférences de l’utilisateur. En conséquence de ces dernières, le problème d’hétérogénéité soulève. Pour clarifier cette complexité, les documents multimédia doivent être adaptés.
Et notre travail consiste à définir une approche d’adaptation automatique et sémantique de documents multimédia basée sur les services web qui exécutent physiquement les services d’adaptation, ainsi sur une ontologie qui décrit les caractéristiques (Sémantique, Coût, Qualité ...) et c’est une extension des services Web qui permet de considérer la sensibilité aux contextes tout au long de sélection des services d’adaptation.
Note de contenu :
Table des matières
Introduction générale 1
Chapitre 1: Service Web Sémantique
1. Introduction 3
2. Service web 3
2.1. Définition des services web 3
2.2. Principaux objectifs 4
2.3. Architecture des services web 4
2.4. Standards utilisés pour les services web 5
2.5. Processus d’invocation d’un service web 6
2.6. Les avantages et les inconvénients des services web 7
3. Ontologies et web service sémantique 8
3.1. Présentation des ontologies 8
3.2. Langages du web sémantique 8
3.3. Les annotations sémantiques 10
3.4. Service web sémantique 10
3.5. Approches proposées pour les services Web sémantiques 11
4. Contexte et sensibilité aux contextes 12
4.1. Définition du contexte 13
4.2. Catégories du contexte 13
4.2.1. Contexte utilisateur 13
4.2.2. Contexte de l’environnement 14
4.2.3. Contexte dispositif 14
4.2.4. Contexte du service 14
5. Conclusion 14
Chapitre 2: Etat de domaine
1. Introduction 16
2. Problématique 16
3. Approches existantes 16
3.1. Adaptation côté serveur 17
3.2. Adaptation côté client 17
3.3. Adaptation intermédiaire 18
4. Discussion et proposition 20
5. Conclusion 21
Chapitre 3: Conception
1. Introduction 22
2. Le modèle fonctionnel du système d'adaptation 22
3. Approche automatique d’adaptation des données multimédia 23
3.1. Architecture générale 23
3.1.1. Profil utilisateur 24
3.1.2. Description des caractéristiques de document multimédia 25
3.1.3. Ontologie développée 25
3.2. Construction automatique d’adaptation automatique des services 32
4. Conclusion 34
Chapitre 4: Implémentation
1. Introduction 35
2. Outils de développement 35
2.1. Editeur d’ontologie 35
2.2. Le langage SWRL 35
2.3. NetBeans 36
2.4. Le langage Java 36
3. Implémentation du système 37
3.1. Validation 46
4. Conclusion 51
Conclusion générale 52
Côte titre : MAI/0040 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0040 MAI/0040 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Adaptive flow-level scheduling for the IoT-MAC Type de document : texte imprimé Auteurs : Rahma Zeghouda, Auteur ; Khadidja Anani, Auteur ; Gherbi ,Chirihane, Directeur de thèse Année de publication : 2022 Importance : 1 vol (70 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
Due to the recent progress in the field of microelectronics and the emergence of wireless
communication technologies, the Heterogenous sensor networks have emerged. Moreover,
one of the major problems of this type of network is the lifetime of the networkwhich
usually operate using batteries ,also its productivity. To solve this problem,several works
within the literature have targeted the matter of network lifetime maximization and at
different design levels : deployment, sensor scheduling, communication load balancing,
transmission rate selection, transmission power selection, routing.
Research on scheduling sensor activity start with the assumption that sensors have
two operating modes : active mode where sensing, communication and computation is
performed ; and sleep mode where the sensor consumes a really bit of energy .Activity
scheduling consists of keeping only a subset of sensors in active mode and might be performed
in a very distributed way where a sensor communicates with its neighbors to make
your mind up whether it should shut down or not.
We proposed the TMSH protocol (TDMA-Mac Scheduling in HWSNs). Our suggestion
involves a better clustering algorithm based on three factors : energy residual, the
number of neighbors, and distance to BS. This adopted clustering will produce a distributed
and loadbalanced clusters .Our proposed TMSH depends on a TDMA allocating
process in order to increase throughput and reduce delays. It also uses the multihop routing
mechanism and inter-cluster.
Simulation experiments have been conducted to examine the performance of TMSH
using the NS3 simulator. The results demonstrate that the TMSH protocol performs better
in terms of network lifetime, throughput , energy consumption, the number of CHs,
and transmission delay.Côte titre : MAI/0645 En ligne : https://drive.google.com/file/d/1bDBAGVUeyVw0PlVik3eBuca1SSySDA5z/view?usp=share [...] Format de la ressource électronique : Adaptive flow-level scheduling for the IoT-MAC [texte imprimé] / Rahma Zeghouda, Auteur ; Khadidja Anani, Auteur ; Gherbi ,Chirihane, Directeur de thèse . - 2022 . - 1 vol (70 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé :
Due to the recent progress in the field of microelectronics and the emergence of wireless
communication technologies, the Heterogenous sensor networks have emerged. Moreover,
one of the major problems of this type of network is the lifetime of the networkwhich
usually operate using batteries ,also its productivity. To solve this problem,several works
within the literature have targeted the matter of network lifetime maximization and at
different design levels : deployment, sensor scheduling, communication load balancing,
transmission rate selection, transmission power selection, routing.
Research on scheduling sensor activity start with the assumption that sensors have
two operating modes : active mode where sensing, communication and computation is
performed ; and sleep mode where the sensor consumes a really bit of energy .Activity
scheduling consists of keeping only a subset of sensors in active mode and might be performed
in a very distributed way where a sensor communicates with its neighbors to make
your mind up whether it should shut down or not.
We proposed the TMSH protocol (TDMA-Mac Scheduling in HWSNs). Our suggestion
involves a better clustering algorithm based on three factors : energy residual, the
number of neighbors, and distance to BS. This adopted clustering will produce a distributed
and loadbalanced clusters .Our proposed TMSH depends on a TDMA allocating
process in order to increase throughput and reduce delays. It also uses the multihop routing
mechanism and inter-cluster.
Simulation experiments have been conducted to examine the performance of TMSH
using the NS3 simulator. The results demonstrate that the TMSH protocol performs better
in terms of network lifetime, throughput , energy consumption, the number of CHs,
and transmission delay.Côte titre : MAI/0645 En ligne : https://drive.google.com/file/d/1bDBAGVUeyVw0PlVik3eBuca1SSySDA5z/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0645 MAI/0645 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleAdaptive Network-based Fuzzy Inference Systems (ANFIS) optimization based on Particle Swarm Optimization (PSO) / Abdellah Djoudi
Titre : Adaptive Network-based Fuzzy Inference Systems (ANFIS) optimization based on Particle Swarm Optimization (PSO) Type de document : texte imprimé Auteurs : Abdellah Djoudi, Auteur ; Sebti, Rabah, Auteur ; Mohamed Abderraouf Ferradji, Directeur de thèse Année de publication : 2022 Importance : 1 vol (48 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Neuronal network (NN) Index. décimale : 004 Informatique Résumé :
Adaptive Network-based Fuzzy Inference System (ANFIS) is a kind of artificial neural networks that is used to find the relationships between input and output parameters in different domains. but, the optimization of ANFIS parameters represents an important problem that has been recently addressed by researchers.
In this work, we try to optimize the parameters of Adaptive Network-based Fuzzy Inference System (ANFIS) using an optimization method which is called Particle Swarm Optimization (PSO). The new model is named as ANFIS-PSO. PSO is a metaheuristic algorithm that is based on the swarm intelligence concept (such as the flocking of birds) for solving complex optimization problems.
The experimental results showed a significant improvement by applying the hybrid model (ANFIS-PSO), which shows and confirms the accuracy of the composite model and its ability to improve performance in search of more accurate resultsCôte titre : MAI/0581 En ligne : https://drive.google.com/file/d/1XPxFMkKMzacZHEf9u9o0ntH7yfM46T3v/view?usp=share [...] Format de la ressource électronique : Adaptive Network-based Fuzzy Inference Systems (ANFIS) optimization based on Particle Swarm Optimization (PSO) [texte imprimé] / Abdellah Djoudi, Auteur ; Sebti, Rabah, Auteur ; Mohamed Abderraouf Ferradji, Directeur de thèse . - 2022 . - 1 vol (48 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Neuronal network (NN) Index. décimale : 004 Informatique Résumé :
Adaptive Network-based Fuzzy Inference System (ANFIS) is a kind of artificial neural networks that is used to find the relationships between input and output parameters in different domains. but, the optimization of ANFIS parameters represents an important problem that has been recently addressed by researchers.
In this work, we try to optimize the parameters of Adaptive Network-based Fuzzy Inference System (ANFIS) using an optimization method which is called Particle Swarm Optimization (PSO). The new model is named as ANFIS-PSO. PSO is a metaheuristic algorithm that is based on the swarm intelligence concept (such as the flocking of birds) for solving complex optimization problems.
The experimental results showed a significant improvement by applying the hybrid model (ANFIS-PSO), which shows and confirms the accuracy of the composite model and its ability to improve performance in search of more accurate resultsCôte titre : MAI/0581 En ligne : https://drive.google.com/file/d/1XPxFMkKMzacZHEf9u9o0ntH7yfM46T3v/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0581 MAI/0581 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleAdvancing Medical Image Analysis: Integrating U-Net, SegFormer, and SAM Models for Enhanced Semantic Segmentation / Taranim Attallah
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 SegmentationIndex. 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47Côte 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 SegmentationIndex. 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47Côte titre : MAI/0953 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0953 MAI/0953 Mémoire Bibliothéque des sciences Anglais Disponible
DisponiblePermalinkPermalinkPermalinkPermalink
PermalinkPermalink
Permalink
Permalink
PermalinkPermalink
