Veuillez utiliser cette adresse pour citer ce document :
http://dspace1.univ-tlemcen.dz/handle/112/24863
Titre: | L’intelligence Artificielle au Service de l’E-santé : Applications Pour le Diagnostic des Maladies de la Peau |
Auteur(s): | M'hamediI, Mohammed |
Mots-clés: | maladies de peau, dermatologie, cancer de la peau, mélanome malin, CNN, apprentissage par transfert augmentation des donnée, architecture hybride, LSTM. |
Date de publication: | 27-fév-2025 |
Editeur: | University of tlemcen |
Collection/Numéro: | 811 Doct Info; |
Résumé: | Les affections cutanées, dont les cancers de la peau, représentent un défi important pour la santé publique. L’apparence souvent trompeuse des lésions souligne l’importance d’un diagnostic précis par un dermatologue. Parmi les cancers de la peau, le mélanome malin se distingue par sa gravité et sa capacité à se métastaser rapidement. Bien qu’il soit moins fréquent que d’autres types de cancer cutané, comme le carcinome basocellulaire et le carcinome spinocellulaire, il nécessite une attention particulière en raison de son pronostic. La dermoscopie est un outil essentiel pour les dermatologues car elle permet de détecter les mélanomes à un stade précoce, ce qui est crucial pour un traitement efficace. La combinaison de la dermoscopie et de l’intelligence artificielle offre de nouvelles perspectives pour un diagnostic plus précis et plus rapide du mélanome. Les algorithmes d’apprentissage profond, entraînés sur des datasets d’images de haute qualité, peuvent aider les dermatologues à détecter les mélanomes à un stade précoce, améliorant ainsi les chances de guérison des patients. Cette thèse présente le développement d’un système d’aide au diagnostic du cancer de la peau basé sur l’apprentissage profond, visant à classifier précisément le Mélanome malin. L’étude explore diverses architectures de réseaux neuronaux convolutifs (CNN), en intégrant l’apprentissage par transfert pour tirer parti des modèles pré-entraînés, l’augmentation de données pour enrichir les ensembles d’entraînement, et des architectures hybrides CNN-LSTM pour améliorer les performances du modèle. L'évaluation expérimentale a démontré que l’architecture MobileNetV2-LSTM offre les meilleures performances en termes d’exactitude, sensibilité et spécificité, surpassant les approches existantes dans la littérature. L’objectif est d’améliorer la détection précoce du mélanome grâce à des méthodes computationnelles avancées, ce qui pourrait potentiellement augmenter les taux de survie des patients. |
URI/URL: | http://dspace1.univ-tlemcen.dz/handle/112/24863 |
Collection(s) : | Doctorat LMD RSD |
Fichier(s) constituant ce document :
Fichier | Description | Taille | Format | |
---|---|---|---|---|
Lintelligence_Artificielle_au_Service_de_l_E_sante_Applications_Pour_le_Diagnostic_des_Maladies_de_la_Peau.pdf | 4,12 MB | Adobe PDF | Voir/Ouvrir |
Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.