1. A propos du document

1. Auteur : Narimane Zighed
2. Type : Thèse de doctorat
3. Langue : Français
4. Licence : Thèse académique - Université Badji Mokhtar Annaba

2. Courte description du document

Thèse sur l'optimisation des réseaux de neurones pour la classification d'images médicales, explorant les architectures CNN et les techniques d'apprentissage profond appliquées au diagnostic assisté par ordinateur.

3. Longue description du document

Cette thèse de doctorat présente des recherches approfondies dans le domaine de l'intelligence artificielle appliquée à l'imagerie médicale. Le travail se concentre sur l'optimisation des réseaux de neurones convolutifs (CNN) pour la classification automatique d'images médicales, avec pour objectif d'assister les professionnels de santé dans le diagnostic.

La recherche aborde les défis spécifiques liés au traitement d'images médicales, notamment la limitation des données annotées, la variabilité inter-opérateur et la nécessité d'une grande précision diagnostique. L'auteure propose des méthodes innovantes pour l'augmentation des données et la génération d'images synthétiques afin d'enrichir les jeux d'entraînement disponibles.

Le document explore en détail différentes architectures de réseaux neuronaux adaptées aux caractéristiques particulières des images médicales. Des approches d'apprentissage transfert sont étudiées, utilisant des modèles pré-entraînés sur des bases de données généralistes et les adaptant au domaine médical spécifique. Les techniques de fine-tuning et d'ajustement des hyperparamètres sont analysées systématiquement.

Une partie importante de la thèse est consacrée à l'optimisation des performances des modèles, incluant des méthodes de régularisation pour éviter le surapprentissage, des techniques de sélection de features et l'implémentation de mécanismes d'attention pour améliorer la focalisation sur les régions anatomiques pertinentes.

Les validations expérimentales sont menées sur plusieurs types d'images médicales, démontrant l'efficacité des approches proposées en termes de précision classification, de robustesse et de généralisation. La thèse contribue significativement au domaine du diagnostic assisté par ordinateur et ouvre des perspectives importantes pour l'automatisation partielle des processus diagnostiques en radiologie et en imagerie médicale.

Ce travail de recherche représente une avancée notable dans l'application de l'apprentissage profond au secteur de la santé, combinant rigueur méthodologique et applications concrètes ayant un impact potentiel direct sur l'amélioration des soins médicaux.

Voir ou télécharger le document sur le site d'origine

Ce document est hébergé par une source externe. Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l'auteur ou l'hébergeur officiel.