Apprentissage automatique et sélection de caractéristiques pour la classification des images médicale

Simple item page
dc.contributor.authorGherghout, Youcef
dc.date.accessioned2026-04-22T13:56:46Z
dc.date.available2026-04-22T13:56:46Z
dc.date.issued2024
dc.description.abstractDans cette thèse, une approche innovante de classification des images médicales repose sur l’intégration des réseaux de files d’attente dans les réseaux de neurones à rétropropagation (BPNN), où chaque composante des couches du réseau est associée à une file d’attente dynamique. Dans cette architecture, chaque neurone ne se contente pas de stocker un seul état activé, mais conserve un historique de ses activations passées sous forme de file d’attente. L’apprentissage devient ainsi adaptatif, car un réseau ouvert met à jour ses couches cachées en intégrant progressivement les informations agrégées de l’autre réseau. Cela permet d’introduire une mémoire adaptative qui améliore l’apprentissage en intégrant l’évolution temporelle des caractéristiques extraites. L’entraînement repose sur deux BPNN fermés, chacun apprenant sur une partie de la base de données. Les états intermédiaires des neurones sont enregistrés et transférés via la file d’attente à un réseau ouvert, qui adapte ses poids en fonction des états cumulés. Cette structure permet une rétropropagation enrichie en tenant compte des tendances d’apprentissage plutôt que des mises à jour instantanées uniquement. Par ailleurs, une sélection optimisée des caractéristiques est réalisée pour améliorer la robustesse du modèle,en extrayant des attributs texturaux (GLCM, LBP, GRLM) et morphologiques (circularité, compacité, descripteurs de Fourier), suivie d’une réduction de dimension via MRMR ou RELIEF,qui permet d’éliminer les redondances et de maximiser la séparation des classes. L’optimisation de la fonction coût MSE via la descente de gradient garantit une convergence efficace du modèle. Cette approche améliore la robustesse, la précision et la généralisation du réseau, tout en préservant l’interprétabilité des résultats pour une application clinique fiable.
dc.formatPDF
dc.identifier.urihttps://dspace.univ-annaba.dz//handle/123456789/4674
dc.language.isofr
dc.publisherUniversité Badji Mokhtar Annaba
dc.subjectapprentissage automatique; sélection de caractéristiques; caractéristiques morphologiques
dc.titleApprentissage automatique et sélection de caractéristiques pour la classification des images médicale
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Thèse doctorat en sciences GHERGHOUT - youcef Gher.pdf
Size:
8.7 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Thèses de doctorat