https://repository.esi-sba.dz/jspui/handle/123456789/7 2026-10-11T16:31:51Z 2026-10-11T16:31:51Z OURRED, ISlem CHaraf EDdine OUDDANE, YOucef FAhed https://repository.esi-sba.dz/jspui/handle/123456789/1024 2026-10-11T09:05:10Z 2026-01-01T00:00:00Z

Titre: Design of a Hybrid Clinical Pre-Analysis Module for Rare Disease Diagnostic Support Auteur(s): OURRED, ISlem CHaraf EDdine; OUDDANE, YOucef FAhed Résumé: Rare diseases affect over 400 million people worldwide and are characterized by a prolonged diagnostic journey that averages 4.7 years. Clinical data in Electronic Medical Records is predominantly unstructured, making it difficult for healthcare professionals to efficiently extract and organize the relevant information needed for diagnosis. This thesis proposes the design of a hybrid clinical pre-analysis module that combines the contextual understanding of pre-trained biomedical language models with the precision of rule-based systems and standardized medical ontologies. The system implements a complete pipeline that processes raw clinical text through five stages: preprocessing with language detection and de-identification, bilingual Named Entity Recognition using an ensemble of specialized models, clinical validation with negation detection, multi-level normalization against HPO, ORDO, and UMLS ontologies, and structured output generation following the Phenopackets standard (ISO 4454). The system was evaluated on 112 clinical cases across five datasets, including 17 real hospital reports from the Hôpital pédiatrique de Canastel (Children’s Hospital) of Oran. On these French clinical reports, the system achieved an F1 score of 60.0% for phenotype extraction, 88.2% accuracy for disease identification, and 100% successful Phenopacket generation*** Les maladies rares touchent plus de 400 millions de personnes dans le monde et se caractérisent par un parcours diagnostique prolongé dont la durée moyenne est de 4,7 ans. Les données cliniques contenues dans les dossiers médicaux électroniques sont majoritairement non structurées, ce qui rend difficile pour les professionnels de santé l’extraction et l’organisation efficaces des informations pertinentes nécessaires au diagnostic. Ce mémoire propose la conception d’un module de pré-analyse clinique hybride combinant la compréhension contextuelle de modèles de langage biomédicaux pré-entraînés avec la précision de systèmes à base de règles et d’ontologies médicales standardisées. Le système implémente un pipeline complet qui traite le texte clinique brut à travers cinq étapes : le prétraitement avec détection de langue et dé-identification, la reconnaissance d’entités nommées bilingue utilisant un ensemble de modèles spécialisés, la validation clinique avec détection de négation, la normalisation multi-niveaux selon les ontologies HPO, ORDO et UMLS, et la génération de sortie structurée suivant le standard Phenopackets (ISO 4454). Le système a été évalué sur 112 cas cliniques répartis sur cinq jeux de données, incluant 17 rapports hospitaliers réels de l’Hôpital pédiatrique de Canastel d’Oran. Sur ces rapports cliniques français, le système atteint un score F1 de 60,0% pour l’extraction de phénotypes, une précision de 88,2% pour l’identification des maladies, et un taux de 100% pour la génération de Phenopackets. Description: Encadreur : Dr. Mezrar Samiha /Co-Encadreur :Pr. Keskes Nabil / Co-Encadreur : Dr. Kornyshova Elena /Co-Encadreur: Dr. Pons Olivier

2026-01-01T00:00:00Z RAHMOUN, WAssim https://repository.esi-sba.dz/jspui/handle/123456789/1023 2026-10-11T08:56:56Z 2026-01-01T00:00:00Z

Titre: Robust Federated Learning under Statistical Heterogeneity Auteur(s): RAHMOUN, WAssim Résumé: The rapid growth of IoT devices has created a data environment that conventional, centralised ML is poorly equipped to handle: data that is distributed across billions of devices, sensitive in nature, and subject to privacy regulations that restrict how it can be collected and stored. FL addresses this by training a shared model across distributed clients without ever centralising their raw data, making it a natural fit for IoT deployments. This thesis is structured in two parts. The first establishes the conceptual and technical foundations needed to understand FL in this context, covering the IoT network architecture that motivates it, the ML and DL principles it builds on, the FL protocol and its main algorithmic variants, and the SI and evolutionary optimisation techniques increasingly used to address its combinatorial design problems. The second surveys the state of the art on robust FL across four central challenges: statistical heterogeneity, client selection, model clustering, and security threats. A comparative discussion brings these four areas together under a common set of evaluation criteria, revealing recurring structural gaps in the literature, most notably a persistent trade-off between robustness to heterogeneous data and resilience to malicious participants, an underuse of hierarchical architectures despite their demonstrated advantages, and a lack of frameworks that treat client selection, clustering, and aggregation as a jointly designed pipeline rather than independent components.*** L’émergence rapide de IoT a engendré un environnement de données que le ML centralisé traditionnel est mal équipé pour prendre en charge : des données dispersées sur des milliards d’appareils, de nature sensible, et soumises à des réglementations sur la vie privée qui encadrent strictement leur collecte et leur stockage. Le FL répond à ce défi en entraînant un modèle partagé auprès de clients distribués sans jamais centraliser leurs données brutes, ce qui en fait une approche naturellement adaptée aux déploiements IoT. Ce mémoire s’articule en deux parties. La première pose les fondements conceptuels et techniques nécessaires à la compréhension de FL dans ce contexte : l’architecture des réseauxIoT qui en motive l’usage, les principes de ML et de DL sur lesquels il s’appuie, le protocole fédéré FL et ses principales variantes algorithmiques, ainsi que les techniques d’intelligence en essaim SI et d’optimisation évolutionnaire de plus en plus mobilisées pour traiter ses problèmes de conception combinatoire. La seconde adresse un état de l’art de FL robuste autour de quatre défis centraux : l’hétérogénéité statistique, la sélection des clients, le regroupement de modèles et les menaces de sécurité. Une discussion comparative réunit ces quatre axes sous un ensemble commun de critères d’évaluation et met en lumière des failles structurelles récurrentes dans la littérature, notamment un compromis persistant entre la robustesse aux données hétérogènes et la résilience face aux participants malveillants, une sous-utilisation des architectures hiérarchiques malgré leurs avantages, et l’absence des approches qui traitent la sélection des clients, le regroupement et l’agrégation comme un pipeline conçu de manière unifiée plutôt que comme des composantes indépendantes. Description: Encadreur : Dr. Dif Nassima / Co-Encadreur : Dr. Ouchani Samir

2026-01-01T00:00:00Z SAADI, AHmed https://repository.esi-sba.dz/jspui/handle/123456789/1022 2026-10-11T08:42:36Z 2026-01-01T00:00:00Z

Titre: Multi-Expert Pipelines and Vision-Language Models for Automated Telecom Infrastructure Inspection Verification Auteur(s): SAADI, AHmed Résumé: Automating the verification of telecommunications infrastructure inspections requires the use of computer vision and multimodal reasoning. Currently, in the maintenance process, field inspectors collect photographs, numerical readings, and compliance data from many locations, while a relatively small number of human specialists are responsible for verifying the submitted reports. This approach causes bottlenecks, especially as the number of sites being checked increases and when the verification process requires analysing heterogeneous visual and numerical evidence. The thesis starts with the formalisation of the problem of inspection verification and the definition of the main obstacles to automation. These consist of the variety of checklists used for inspection, the lack of annotated data, the variability of outdoor photography, the necessity to detect tiny objects and analyse low-contrast display readings, and the known problems of general-purpose vision-language systems with counting, spatial reasoning, and OCR tasks. Overall, all discussed aspects show that telecom inspection verification involves more than an image classification task. The study evaluates relevant datasets, task-specific computer vision models, vision-language models, and multi-agent inspection frameworks. The analysis confirms that specialised models can be efficient for specific subtasks like object detection, corrosion segmentation, and meter reading, but they require structured labelling and have limited generalisation capabilities when it comes to the full range of inspection checklist elements. Vision-language models allow increased flexibility via natural language commands but might produce unreliable outputs in domain-specific and spatially complex inspection situations. Thus, the study highlights the necessity of comparing taskdecomposed specialist models with fine-tuned vision-language models for future telecom inspection systems. The study lays down both the theoretical and technical groundwork for creating automated inspection verification systems in telecommunications infrastructure. This thesis argues that a reliable system should combine the efficiency of specialist computer vision models with the flexibility of multimodal reasoning while keeping human verification for cases of uncertainty and high risk.*** L’automatisation de la vérification des inspections de l’infrastructure de télécommunications nécessite l’utilisation de la vision par ordinateur et du raisonnement multimodal. Dans le processus actuel de maintenance, les inspecteurs sur le terrain collectent des photographies, des mesures numériques et des données de conformité provenant de nombreux sites, tandis qu’un nombre relativement limité de spécialistes humains est chargé de vérifier les rapports soumis. Cette situation crée des goulots d’étranglement, surtout lorsque le nombre de sites à contrôler augmente et lorsque la vérification exige l’analyse de preuves visuelles et numériques hétérogènes. Le mémoire commence par la formalisation du problème de vérification des inspections et par la définition des principaux obstacles à son automatisation. Ces obstacles comprennent la variété des listes de contrôle utilisées, le manque de données annotées, la variabilité des images prises en environnement extérieur, la nécessité de détecter de petits objets et d’analyser des affichages à faible contraste, ainsi que les limites connues des modèles vision-langage généralistes dans les tâches de comptage, de raisonnement spatial et d’OCR. Ces aspects montrent que la vérification des inspections télécoms va bien au-delà d’une simple tâche de classification d’images. L’étude examine des ensembles de données pertinents, des modèles de vision par ordinateur spécialisés, des modèles vision-langage et des architectures multi-agents pour l’inspection. L’analyse montre que les modèles spécialisés peuvent être efficaces pour des sous-tâches précises, comme la détection d’objets, la segmentation de la corrosion et la lecture des compteurs, mais qu’ils nécessitent des annotations structurées et généralisent difficilement à l’ensemble des éléments des listes de contrôle. Les modèles vision-langage offrent plus de flexibilité grâce aux instructions en langage naturel, mais peuvent produire des résultats peu fiables dans des situations spécifiques au domaine ou spatialement complexes. En général, cette étude fournit une base théorique et technique pour le développement de systèmes automatisés de vérification des inspections dans l’infrastructure de télécommunications. Elle soutient qu’un système fiable devrait combiner l’efficacité des modèles spécialistes de vision par ordinateur avec la flexibilité du raisonnement multimodal, tout en conservant la vérification humaine pour les cas d’incertitude et de risque élevé. Description: Supervisor : Dr. DIF Nassima

2026-01-01T00:00:00Z LEBAILI, MOhamed OUail SENHADJI, MOhamed SAid https://repository.esi-sba.dz/jspui/handle/123456789/1021 2026-10-11T08:37:10Z 2026-01-01T00:00:00Z

Titre: Digital Twins for Intelligent Irrigation in Precision Agriculture: Foundations and, State of the Art Auteur(s): LEBAILI, MOhamed OUail; SENHADJI, MOhamed SAid Résumé: Agriculture is increasingly affected by water scarcity, climate variability, soil degradation, and the growing demand for food production. Irrigation management is one of the most critical factors in this context, because traditional irrigation practices are often based on fixed schedules, manual observation, or empirical experience. Such approaches can lead to water waste, plant stress, and reduced productivity. In response, this thesis presents the design and deployment of Agrio, a Digital Twinbased intelligent irrigation platform for precision agriculture. The proposed system integrates a physical smart farming prototype, Libelium Smart Agriculture sensing equipment, XBee radio-frequency communication, a Raspberry Pi gateway, HiveMQ/MQTT messaging, a FastAPI backend, a PostgreSQL database, a Random Forest-based machine learning service, a Digital Twin state and simulation layer, a Next.js web dashboard, a Flutter mobile application, a WeMos actuator, and a water pump. The platform receives real sensor data from a controlled prototype environment, normalizes and stores the measurements, updates the virtual state of the irrigation zone, predicts irrigation need, simulates future moisture evolution, generates recommendations, supports human validation, schedules irrigation actions, and controls the physical pump through MQTT commands. The Master 2 contribution of this work is the scientific study of Digital Twins in agriculture, with a focus on their maturity levels, enabling technologies, irrigation applications, and limitations. The engineering contribution is the implementation of an end-to-end cyber-physical prototype that connects sensing, communication, backend processing, artificial intelligence, simulation, user interfaces, deployment, and actuation. The results show that the system goes beyond a classical IoT monitoring dashboard by providing synchronization, prediction, what-if simulation, recommendation, scheduling, and physical control. The current implementation remains a prototype tested in a controlled environment, and future work should extend it to long-term field validation, stronger agronomic calibration, cybersecurity, and advanced optimization techniques*** L’agriculture moderne fait face à des défis importants liés à la rareté de l’eau, aux variations climatiques et à la nécessité d’optimiser la production agricole. Dans ce contexte, l’irrigation intelligente constitue une application centrale de l’agriculture de précision. Ce mémoire présente la conception et le déploiement d’Agrio, une plateforme d’irrigation intelligente basée sur le concept de jumeau numérique. Le système proposé combine un prototype physique, un kit Libelium Smart Agriculture, une communication radiofréquence XBee, une passerelle Raspberry Pi, la messagerie MQTT/HiveMQ, un backend FastAPI, une base de données PostgreSQL, un service d’apprentissage automatique basé sur Random Forest, une couche de simulation du jumeau numérique, un tableau de bord web, une application mobile Flutter, un actionneur WeMos et une pompe d’eau. La contribution scientifique porte sur l’étude de l’état de l’art des jumeaux numériques en agriculture et leur positionnement par rapport aux systèmes d’irrigation intelligents existants. La contribution d’ingénierie réside dans la mise en oeuvre d’une chaîne complète reliant les capteurs, la communication IoT, le traitement backend, la prédiction, la simulation, la recommandation, la validation humaine et le contrôle physique de l’irrigation. Les résultats montrent que le système dépasse la simple visualisation IoT en intégrant la synchronisation, la prédiction, la simulation et l’action Description: Encadreur : Pr. MALKI Mimoun / Co-Encadreur : Dr. MALKI Abdelhamid

2026-01-01T00:00:00Z