Artificial intelligence based fire detection system / Maroua Cheknane

Public ISBD Titre : Artificial intelligence based fire detection system Type de document : document multimédia Auteurs : Maroua Cheknane, Auteur ; Taher Bendouma, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2023 Importance : 102 p. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Distributed networks, systems, and applications Langues : Anglais Mots-clés : AI  ML  DL  TL  Object detection  CNN  YOLO  Faster Rcnn  VGG19/16  Xception  Inception  Mobilenet  UAVs  Artificial intelligence Résumé : Fires cause great damage when they burst, and often have great destructive effects on environment and surroundings. The most effective way to limit the damage is the early detection of fire before it spreads. This work investigates the ability of Deep Learning to identify and distinguish fire, as well as reduce detection time, by applying object detection on a video or image stream. Over the previous years, object detection has advanced gradually in terms of speed and accuracy. In this work, we proposed a solution based on Deep Learning to deal with such phenomena from collecting various datasets to training them using the one-stage detector YOLOv8 and YOLOv5 and the two-stage detector Faster RCNN with VGG16/19, Xception, Inceptionv3, MobileNet, and our proposed hybrid model Xception-VGG19 which is a concatenation of both VGG19 and Xception as backbones. We gathered 6 different datasets of fire and smoke. The obtained results were satisfying using YOLOv8, with D4 which contains smoke-only images with 99% mAP@0.5 followed by D6 with 93%, D3 with 92%, and D5 with 70%. With YOLOv5 D2 43% and D1 34%. Moving forward to the two-stage detection the best outcomes were obtained by Xception-VGG19 with 44% followed by Inceptionv3 with 43%, VGG16 with 40%, VGG19 with 35%, MobileNet with 33%, and Xception with 23%. We also proposed a simulation scenario using UAVS to take down fire once detected by cameras as an extension of our work. note de thèses : Mémoire de master en informatique Artificial intelligence based fire detection system [document multimédia] / Maroua Cheknane, Auteur ; Taher Bendouma, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2023 . - 102 p. + 1 disque optique numérique (CD-ROM). Option : Distributed networks, systems, and applications Langues : Anglais Mots-clés : AI  ML  DL  TL  Object detection  CNN  YOLO  Faster Rcnn  VGG19/16  Xception  Inception  Mobilenet  UAVs  Artificial intelligence Résumé : Fires cause great damage when they burst, and often have great destructive effects on environment and surroundings. The most effective way to limit the damage is the early detection of fire before it spreads. This work investigates the ability of Deep Learning to identify and distinguish fire, as well as reduce detection time, by applying object detection on a video or image stream. Over the previous years, object detection has advanced gradually in terms of speed and accuracy. In this work, we proposed a solution based on Deep Learning to deal with such phenomena from collecting various datasets to training them using the one-stage detector YOLOv8 and YOLOv5 and the two-stage detector Faster RCNN with VGG16/19, Xception, Inceptionv3, MobileNet, and our proposed hybrid model Xception-VGG19 which is a concatenation of both VGG19 and Xception as backbones. We gathered 6 different datasets of fire and smoke. The obtained results were satisfying using YOLOv8, with D4 which contains smoke-only images with 99% mAP@0.5 followed by D6 with 93%, D3 with 92%, and D5 with 70%. With YOLOv5 D2 43% and D1 34%. Moving forward to the two-stage detection the best outcomes were obtained by Xception-VGG19 with 44% followed by Inceptionv3 with 43%, VGG16 with 40%, VGG19 with 35%, MobileNet with 33%, and Xception with 23%. We also proposed a simulation scenario using UAVS to take down fire once detected by cameras as an extension of our work. note de thèses : Mémoire de master en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 01-75	MF 01-75	CD	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

Breast cancer diagnosis using artificial intelligence approaches / Sarah Saida Boudouh

Public ISBD Titre : Breast cancer diagnosis using artificial intelligence approaches Type de document : document multimédia Auteurs : Sarah Saida Boudouh, Auteur ; Mustapha Bouakkaz, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2024 Importance : 125 p. Note générale : Option : Data sciences Langues : Anglais Mots-clés : Breast cancer  Machine learning  Deep learning  Transfer learning  Preprocessing  Mammography Résumé : Breast cancer among women has now taken the lead as the most prevalent type of cancer worldwide, surpassing lung cancer. While there are numerous methods available for detecting and diagnosing breast cancer, mammography stands out as the most efiective and widely employed technique. Regardless, it remains a significant challenge due to the diversity of breast tumor types and subtypes, as well as the complexity of their microenvironment. Thus, an area that requires further analysis is the development of a reliable and eficient breast cancer detection strategy with the aim of improving patient survival rates. Computer-Aided Diagnosis (CAD) systems for breast cancer are mainly based on machine and deep learning approaches. However, despite the variety of studies conducted that matter, still, several drawbacks exist due to multiple reasons. Hence, aiming to address these issues by providing solutions that can help specialists in the decision-making process, we first had to understand the existing gaps in the literature. Thus, we presented a new classification of over 100 papers and recently published studies along with a new view of used methods, steps, and strategies. Secondly, based on the founding limitations, we proposed our Tumor Mammography Pre-processing and Classification (TumMPC) approach. It includes several studies centered around a new mammography pre-processing strategy. These studies are verified through a succeeding classification stage to assess their eficacy, resulting in an accurate breast tumor classifiers with 99.83% accuracy. After proposing such a reliable step of determining the existence or absence of a breast tumor in mammogram images, the following was investigating the tumor types and subtypes. Accordingly, we suggested our Dual-View Mammography Pre-processing and Classification (DuoVMPC) approach. It resulted in accurate dual-view Convolutional Neural Network (CNN) classifier that simultaneously interprets the MedioLateral Oblique (MLO) and Cranial Caudal (CC) views of a mammogram. The proposed strategy included pre-processing stage and classification stage, in which the classes were Malignant Mass, Benign Mass, Malignant Calcification, and Benign Calcication, improving the existing accuracy into 95.86%. However, in the obtained outcomes, we noticed that each breast tumor sub-type was suited by a specific pre-processing strategy. Therefore, the investigation of each sub-type as a separate study provides a further reliable and accurate classifiers. Meanwhile, the breast Masses are highly accruing compared to the breast Calcifications. Thus, we proposed our Hybrid Mass Mammography Pre-processing and Classification (HybMMPC) approach. We introduced a pre-processing stage diverged into three sub-strategies, containing various filters for further extracting the Masses Region Of Interest (ROI), removing noise, and enhancing the image. Following a classification stage based on transfer learning was implemented to facilitate the feature extraction process. NevertheviAbstract less, instead of employing the traditional fine-tuning phase, we introduced a hybrid model that involves concatenating two recent feature extractor CNNs with various modifications. We managed to increase accuracy as well, reaching the highest accuracy of 98.13%. The experimental outcomes demonstrate that the proposed approaches outperform the currently top-ranked techniques used for breast cancer detection in terms of classification accuracy, thereby contributing to the development of more reliable CAD systems. note de thèses : Thése de doctorat en informatique Breast cancer diagnosis using artificial intelligence approaches [document multimédia] / Sarah Saida Boudouh, Auteur ; Mustapha Bouakkaz, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2024 . - 125 p. Option : Data sciences Langues : Anglais Mots-clés : Breast cancer  Machine learning  Deep learning  Transfer learning  Preprocessing  Mammography Résumé : Breast cancer among women has now taken the lead as the most prevalent type of cancer worldwide, surpassing lung cancer. While there are numerous methods available for detecting and diagnosing breast cancer, mammography stands out as the most efiective and widely employed technique. Regardless, it remains a significant challenge due to the diversity of breast tumor types and subtypes, as well as the complexity of their microenvironment. Thus, an area that requires further analysis is the development of a reliable and eficient breast cancer detection strategy with the aim of improving patient survival rates. Computer-Aided Diagnosis (CAD) systems for breast cancer are mainly based on machine and deep learning approaches. However, despite the variety of studies conducted that matter, still, several drawbacks exist due to multiple reasons. Hence, aiming to address these issues by providing solutions that can help specialists in the decision-making process, we first had to understand the existing gaps in the literature. Thus, we presented a new classification of over 100 papers and recently published studies along with a new view of used methods, steps, and strategies. Secondly, based on the founding limitations, we proposed our Tumor Mammography Pre-processing and Classification (TumMPC) approach. It includes several studies centered around a new mammography pre-processing strategy. These studies are verified through a succeeding classification stage to assess their eficacy, resulting in an accurate breast tumor classifiers with 99.83% accuracy. After proposing such a reliable step of determining the existence or absence of a breast tumor in mammogram images, the following was investigating the tumor types and subtypes. Accordingly, we suggested our Dual-View Mammography Pre-processing and Classification (DuoVMPC) approach. It resulted in accurate dual-view Convolutional Neural Network (CNN) classifier that simultaneously interprets the MedioLateral Oblique (MLO) and Cranial Caudal (CC) views of a mammogram. The proposed strategy included pre-processing stage and classification stage, in which the classes were Malignant Mass, Benign Mass, Malignant Calcification, and Benign Calcication, improving the existing accuracy into 95.86%. However, in the obtained outcomes, we noticed that each breast tumor sub-type was suited by a specific pre-processing strategy. Therefore, the investigation of each sub-type as a separate study provides a further reliable and accurate classifiers. Meanwhile, the breast Masses are highly accruing compared to the breast Calcifications. Thus, we proposed our Hybrid Mass Mammography Pre-processing and Classification (HybMMPC) approach. We introduced a pre-processing stage diverged into three sub-strategies, containing various filters for further extracting the Masses Region Of Interest (ROI), removing noise, and enhancing the image. Following a classification stage based on transfer learning was implemented to facilitate the feature extraction process. NevertheviAbstract less, instead of employing the traditional fine-tuning phase, we introduced a hybrid model that involves concatenating two recent feature extractor CNNs with various modifications. We managed to increase accuracy as well, reaching the highest accuracy of 98.13%. The experimental outcomes demonstrate that the proposed approaches outperform the currently top-ranked techniques used for breast cancer detection in terms of classification accuracy, thereby contributing to the development of more reliable CAD systems. note de thèses : Thése de doctorat en informatique

Conception et mise en œuvre d'un entrepôt de données pour l'analyse du cursus universitaire des étudiants / Sarah Saida Boudouh

Public ISBD Titre : Conception et mise en œuvre d'un entrepôt de données pour l'analyse du cursus universitaire des étudiants Type de document : texte manuscrit Auteurs : Sarah Saida Boudouh, Auteur ; Hadjer Guellouma, Auteur ; Benameur Ziani, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2020 Importance : 38 p. Format : 30 cm. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Systèmes d'information et de décision Langues : Français Mots-clés : Systèmes décisionnels  Entrepôt de données  Modélisation multidimensionnelle  Schéma en étoile  Requêtes OLAP  Cursus universitaire Résumé : La qualité de la formation dans le secteur de l'enseignement supérieur constitue un enjeu fondamental pour la société. L'analyse des résultats obtenus par les étudiants du- rant leur cursus universitaire est l'un des principaux déterminants de l'évaluation de la qualité de l'enseignement. Le travail présenté dans ce mémoire a pour objectif de po- ser quelques jalons pour identifier les facteurs susceptibles d'influencer le parcours des étudiants à l'université Algérienne. Au contraire des études empiriques traditionnelles basées sur les questionnaires, notre démarche s'appuie sur une technique d'entreposage de données. L'objectif prin- cipal est la conception d'un entrepôt de données pour pouvoir intégrer toutes les don- nées relatives au parcours universitaire des étudiants dans un système qui servira de support à des outils d'analyse. L'entreposage de ces données constitue une étape impor- tante pour offrir aux décideurs de nouvelles connaissances utiles identifiant des facteurs explicatifs de la réussite et de l'échec chez les étudiants. Ceci va les aider a mettre en place des mesures améliorant la qualité de la formation et favorisant par conséquence la réussite des étudiants. Notre démarche se compose de deux phases de réalisation. La première est une phase conceptuelle pour la structuration et la modélisation des données d'intérêt sous la forme d'une constellation de faits et de dimensions. La deuxième phase est technique et concerne la création et l'alimentation de l'entrepôt grace à un processus ETL (Extract Transform Load ) pour l'extraction, la transformation et chargement des données. Les données sources sont issues de l'archive du département d'informatique de l'université Amar Télidji de Laghouat. Enfin, pour valider notre proposition, nous avons présenté les résultats de quelques requêtes analytiques OLAP note de thèses : Mémoire de master en infomatique Conception et mise en œuvre d'un entrepôt de données pour l'analyse du cursus universitaire des étudiants [texte manuscrit] / Sarah Saida Boudouh, Auteur ; Hadjer Guellouma, Auteur ; Benameur Ziani, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2020 . - 38 p. ; 30 cm. + 1 disque optique numérique (CD-ROM). Option : Systèmes d'information et de décision Langues : Français Mots-clés : Systèmes décisionnels  Entrepôt de données  Modélisation multidimensionnelle  Schéma en étoile  Requêtes OLAP  Cursus universitaire Résumé : La qualité de la formation dans le secteur de l'enseignement supérieur constitue un enjeu fondamental pour la société. L'analyse des résultats obtenus par les étudiants du- rant leur cursus universitaire est l'un des principaux déterminants de l'évaluation de la qualité de l'enseignement. Le travail présenté dans ce mémoire a pour objectif de po- ser quelques jalons pour identifier les facteurs susceptibles d'influencer le parcours des étudiants à l'université Algérienne. Au contraire des études empiriques traditionnelles basées sur les questionnaires, notre démarche s'appuie sur une technique d'entreposage de données. L'objectif prin- cipal est la conception d'un entrepôt de données pour pouvoir intégrer toutes les don- nées relatives au parcours universitaire des étudiants dans un système qui servira de support à des outils d'analyse. L'entreposage de ces données constitue une étape impor- tante pour offrir aux décideurs de nouvelles connaissances utiles identifiant des facteurs explicatifs de la réussite et de l'échec chez les étudiants. Ceci va les aider a mettre en place des mesures améliorant la qualité de la formation et favorisant par conséquence la réussite des étudiants. Notre démarche se compose de deux phases de réalisation. La première est une phase conceptuelle pour la structuration et la modélisation des données d'intérêt sous la forme d'une constellation de faits et de dimensions. La deuxième phase est technique et concerne la création et l'alimentation de l'entrepôt grace à un processus ETL (Extract Transform Load ) pour l'extraction, la transformation et chargement des données. Les données sources sont issues de l'archive du département d'informatique de l'université Amar Télidji de Laghouat. Enfin, pour valider notre proposition, nous avons présenté les résultats de quelques requêtes analytiques OLAP note de thèses : Mémoire de master en infomatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 02-34	MF 02-34	Thése	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

Détection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur / Rahil Chellali

Public ISBD Titre : Détection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur Type de document : document multimédia Auteurs : Rahil Chellali, Auteur ; Rihab Mechikel, Auteur ; Mustapha Bouakkaz, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2023 Importance : 56 p. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Systèmes d’information et de décision Langues : Français Mots-clés : Cancer du sein  échographie  Réseaux neuronaux convolutionnels  Apprentissage profond  Apprentissage par transfert  InceptionV3  Xception  VGG16  ResNet50V2  EfcientNetB7  DenseNet201 Résumé : le cancer du sein est l’une des causes de décès les plus fréquentes chez les femmes. Il est essentiel de détecter la maladie tôt avant qu’elle ait une chance de se propager en raison de son diagnostic tardif. Il existe plusieurs méthodes pour la détection et le diagnostic du cancer du sein, échographique est la technique la plus efcace. Dans cette étude, notre but est de proposer un modèle précis pour la détection du cancer du sein en images échographiques, basé sur les réseaux neuronaux convolutionnels. Un ensemble de données de 780 images d’échographie mammaire (133 normales, 437 bénignes et 210 malignes) a été utilisé. Des techniques de pré-traitement des images et d’apprentissage profond ont été utilisées, y compris l’apprentissage par transfert. Notre stratégie de prétraitement comprenait la détection et l’extraction de la région d’intérêt. Après cela, six modèles CNN pré-formés ont été modifiés et adaptés à notre problème InceptionV3, Xception, VGG16, ResNet50V2, EfcientNetB7 et DenseNet201. Les résultats obtenus ont été satisfaisants, en particulier pour la classification des images échographiques du sein en normales et anormales, Xception, ResNet50V2 et DensNet201 ont atteint l’accuracy la plus élevée de 100 %. Bien que les autres modèles aient obtenu d’excellents résultats, EfcientNetB7 était le modèle le plus approprié pour notre tâche avec une accuracy de 92 % pour la classification des cas bénins et malins, et de 94 % pour la classification multiple des cas normaux, bénins et malins. note de thèses : Mémoire de master en informatique Détection du cancer du sein dans les images échographiques basée sur approches de prétraitement et d’apprentissage en profondeur [document multimédia] / Rahil Chellali, Auteur ; Rihab Mechikel, Auteur ; Mustapha Bouakkaz, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2023 . - 56 p. + 1 disque optique numérique (CD-ROM). Option : Systèmes d’information et de décision Langues : Français Mots-clés : Cancer du sein  échographie  Réseaux neuronaux convolutionnels  Apprentissage profond  Apprentissage par transfert  InceptionV3  Xception  VGG16  ResNet50V2  EfcientNetB7  DenseNet201 Résumé : le cancer du sein est l’une des causes de décès les plus fréquentes chez les femmes. Il est essentiel de détecter la maladie tôt avant qu’elle ait une chance de se propager en raison de son diagnostic tardif. Il existe plusieurs méthodes pour la détection et le diagnostic du cancer du sein, échographique est la technique la plus efcace. Dans cette étude, notre but est de proposer un modèle précis pour la détection du cancer du sein en images échographiques, basé sur les réseaux neuronaux convolutionnels. Un ensemble de données de 780 images d’échographie mammaire (133 normales, 437 bénignes et 210 malignes) a été utilisé. Des techniques de pré-traitement des images et d’apprentissage profond ont été utilisées, y compris l’apprentissage par transfert. Notre stratégie de prétraitement comprenait la détection et l’extraction de la région d’intérêt. Après cela, six modèles CNN pré-formés ont été modifiés et adaptés à notre problème InceptionV3, Xception, VGG16, ResNet50V2, EfcientNetB7 et DenseNet201. Les résultats obtenus ont été satisfaisants, en particulier pour la classification des images échographiques du sein en normales et anormales, Xception, ResNet50V2 et DensNet201 ont atteint l’accuracy la plus élevée de 100 %. Bien que les autres modèles aient obtenu d’excellents résultats, EfcientNetB7 était le modèle le plus approprié pour notre tâche avec une accuracy de 92 % pour la classification des cas bénins et malins, et de 94 % pour la classification multiple des cas normaux, bénins et malins. note de thèses : Mémoire de master en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 02-52	MF 02-52	CD	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

La détection de la maladie d’Alzheimer avec l’apprentissage profond / Imane Bouzidi

Public ISBD Titre : La détection de la maladie d’Alzheimer avec l’apprentissage profond Type de document : document multimédia Auteurs : Imane Bouzidi, Auteur ; Rofaida Makhloufi, Auteur ; Mustapha Bouakkaz, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2023 Importance : 69 p. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Système d’information et de décision Langues : Français Mots-clés : Maladie d’Alzheimer (MA)  Détection  DL  CNN  IRM  ResNet50  VGG16  VGG19 Résumé : La maladie d’alzheimer est une maladie qui affect la mémoire et les fonctions cognitives, elle menace la vie des gens dans le monde entier, donc il faut faire un diagnostic précoce pour tarder les complications qu’elle engendre. Dans ce mémoire une approche basée sur le deep learning et les réseaux de neurones convolutifs (CNN) pour la détection et la classification de cette maladie. La classification se fait en quatre classes, pour cela on fait entraînement de six modèles (ResNet50, VGG16, VGG19, Inception, Xception et MobileNet) avec une base do données qui contient des images IRM. Le modèle VGG19 a atteint la plus haute accuracy 100% dans la phase entraînement, même chose pour la phase du test avec 93.66% de précision. note de thèses : Mémoire de master en informatique La détection de la maladie d’Alzheimer avec l’apprentissage profond [document multimédia] / Imane Bouzidi, Auteur ; Rofaida Makhloufi, Auteur ; Mustapha Bouakkaz, Directeur de thèse ; Sarah Saida Boudouh, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2023 . - 69 p. + 1 disque optique numérique (CD-ROM). Option : Système d’information et de décision Langues : Français Mots-clés : Maladie d’Alzheimer (MA)  Détection  DL  CNN  IRM  ResNet50  VGG16  VGG19 Résumé : La maladie d’alzheimer est une maladie qui affect la mémoire et les fonctions cognitives, elle menace la vie des gens dans le monde entier, donc il faut faire un diagnostic précoce pour tarder les complications qu’elle engendre. Dans ce mémoire une approche basée sur le deep learning et les réseaux de neurones convolutifs (CNN) pour la détection et la classification de cette maladie. La classification se fait en quatre classes, pour cela on fait entraînement de six modèles (ResNet50, VGG16, VGG19, Inception, Xception et MobileNet) avec une base do données qui contient des images IRM. Le modèle VGG19 a atteint la plus haute accuracy 100% dans la phase entraînement, même chose pour la phase du test avec 93.66% de précision. note de thèses : Mémoire de master en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 02-53	MF 02-53	CD	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

Query Optimization using Machine Learning Techniques / Fatima Zahra Chellama

Permalink

La reconnaissance de l’écriture manuscrite dans les prescriptions médicales basées sur des techniques d’apprentissage profond / Amira Belhanafi

Permalink

---

page 1/1