https://repository.esi-sba.dz/jspui/handle/123456789/606 Wed, 01 Jul 2026 09:15:27 GMT 2026-07-01T09:15:27Z https://repository.esi-sba.dz/jspui/handle/123456789/885 Titre: Dispositif m´edical scalable bas´e sur l’intelligence artificielle pour le diagnostic assist´e du cancer par num´erisation optimis´ee des lames et synchronisation des analyses radiologiques et histologiques Auteur(s): BENSALEM, AHmed ILies Résumé: This project aims to develop a comprehensive medical system for fast, accurate, and automated breast cancer diagnosis by combining hardware innovation and advanced artificial intelligence. On the hardware side, a three-axis mechanical platform was designed to simultaneously scan and digitize multiple histological slides at high resolution, significantly reducing cost and preparation time, making it suitable for routine clinical use. On the software side, the architecture integrates deep learning models trained on two complementary datasets: CBIS-DDSM for radiological mammograms detecting masses and microcalcifications, and BRACS for histopathological slide images enabling tumor subtype classification. Results show the YOLOv11 detection model locates anomalies with average precision around 75%, high sensitivity, and spatial overlap IoU near 70%. The downstream ResNet- 50 model achieves fine multi-class tumor classification with over 95% accuracy, sensitivity and specificity above 90%, and a high F1-score, demonstrating an excellent ability to distinguish pathological states. The methodology relies on progressive elimination of diagnostic hypotheses, improving coherence and reducing uncertainty at each analysis step. This complete system standardizes diagnosis, reduces inter-observer variability, and shortens turnaround time. It serves as a powerful adjunct to medical judgment, especially for intraoperative or routine clinical decision-making, enhancing therapeutic management.*** Le projet d´ecrit dans ce m´emoire vise `a d´evelopper un syst`eme m´edical complet pour le diagnostic rapide, pr´ecis et automatis´e du cancer du sein, en combinant des innovations mat´erielles et des avanc´ees en intelligence artificielle. D’un cˆot´e, la plateforme mat´erielle con¸cue inclut une solution m´ecanique `a trois axes capable de scanner et num´eriser simultan´ement plusieurs lames histologiques en haute r´esolution. Cette automatisation r´eduit consid´erablement les coˆuts et le temps de pr´eparation, rendant le dispositif adapt´e `a une utilisation clinique r´eguli`ere. Sur le plan logiciel, l’architecture int`egre des mod`eles de deep learning entraˆın´es sur deux bases de donn´ees compl´ementaires. La base CBIS-DDSM fournit des images radiologiques mammographiques pour d´etecter masses et micro-calcifications, tandis que la base BRACS contient des images pathologiques de coupe histologique pour la classification tumorale. Les r´esultats montrent que le mod`ele de d´etection YOLOv11 localise les anomalies avec une pr´ecision moyenne d’environ 75%, une sensibilit´e ´elev´ee et un recouvrement spatial IoU proche de 70%. Le mod`ele ResNet-50 en aval r´ealise une classification fine des soustypes tumoraux avec plus de 95% de pr´ecision, une sensibilit´e et sp´ecificit´e sup´erieures `a 90%, et un F1-score ´elev´e, ce qui traduit une excellente capacit´e `a distinguer les diff´erents ´etats pathologiques. La m´ethodologie adopt´ee repose sur une ´elimination progressive des hypoth`eses diagnostiques, ce qui am´eliore la coh´erence et r´eduit l’incertitude `a chaque ´etape d’analyse. Ce syst`eme complet propose une standardisation du diagnostic, r´eduit la variabilit´e interobservateurs et raccourcit les d´elais d’obtention du diagnostic. De plus, il repr´esente un outil puissant en compl´ement du jugement m´edical, particuli`erement adapt´e au contexte Description: Encadrant: Mr Rahmoun Abdelatif – Co-encadrante: Mme Aid-Boudries Malika Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/885 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/883 Titre: Visual Anomaly Detection in the Agri-Food Industrial Inspection Using Hyperspectral Imaging Auteur(s): IGUERNAISSI, ABderraouf RIad Résumé: Automated visual inspection for quality control is vital in the food industry, yet detecting anomalies such as defects, contamination, or surface irregularities in food products remains challenging, especially with limited labeled data. Conventional manual or rule-based inspection methods using RGB images often struggle with reliability and speed due to their limited spectral information, motivating the use of advanced deep learning techniques with hyperspectral imaging (HSI) for enhanced anomaly detection. This thesis presents a deep learning-based visual anomaly detection system that leverages hyperspectral images as input to address these challenges in food quality assessment. Unlike traditional RGB imaging, hyperspectral images capture detailed spectral information across hundreds of wavelengths, enabling the detection of subtle chemical compositions, moisture content variations, and internal defects that are invisible to conventional imaging systems. The proposed system employs convolutional neural network (CNN) and transformerbased models specifically designed to process the rich spectral-spatial information contained in HSI data, and it leverages transfer learning techniques to learn effectively from a small set of annotated hyperspectral samples of food defects and surface anomalies. The multidimensional nature of hyperspectral data provides superior discriminative power for identifying food quality issues compared to RGB-based approaches. These findings demonstrate the effectiveness of hyperspectral imaging combined with deep learning for automated quality control verification in food processing and manufacturing settings, and highlight the superior potential of HSI-based systems to enhance food inspection processes and ensure food safety standards.*** L’inspection visuelle automatisée pour le contrôle de la qualité est essentielle dans l’industrie agroalimentaire. Toutefois, la détection d’anomalies telles que les défauts, la contamination ou les irrégularités de surface demeure un défi, en particulier lorsque les données annotées sont limitées. Les méthodes traditionnelles d’inspection manuelle ou basées sur des règles, utilisant des images RGB, se révèlent souvent insuffisantes en termes de fiabilité et de rapidité à cause de la faible richesse spectrale. Cela motive l’adoption de techniques avancées d’apprentissage profond associées à l’imagerie hyperspectrale (HSI) pour améliorer la détection d’anomalies. Ce mémoire présente un système de détection d’anomalies visuelles basé sur l’apprentissage profond qui exploite les images hyperspectrales pour relever ces défis dans l’évaluation de la qualité des aliments. Contrairement aux images RGB classiques, les images hyperspectrales capturent des informations spectrales détaillées sur des centaines de longueurs d’onde, permettant ainsi de détecter des variations chimiques, de l’humidité ou encore des défauts internes invisibles aux systèmes classiques. Le système proposé intègre des modèles de réseaux de neurones convolutionnels (CNN) et de transformeurs spécifiquement conçus pour exploiter la richesse spectrale et spatiale des données HSI, et s’appuie sur l’apprentissage par transfert afin d’apprendre efficacement à partir d’un nombre limité d’échantillons annotés d’anomalies alimentaires. La nature multidimensionnelle des données hyperspectrales fournit un pouvoir discriminant supérieur pour identifier les problèmes de qualité par rapport aux approches basées sur RGB. Ces résultats démontrent l’efficacité de l’imagerie hyperspectrale combinée à l’apprentissage profond pour l’automatisation du contrôle qualité dans les chaînes de production alimentaire et mettent en évidence le potentiel de ces systèmes pour renforcer les processus d’inspection et garantir les normes de sécurité alimentaire. Description: Supervisor : Ms. TAOULI Amina / Co-Supervisor : Mr. BECHAR Mohamed El Amine Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/883 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/882 Titre: Development of a Speech-to-Text (STT) System for the Breton Language Auteur(s): ZEMOURI, OUassim Résumé: This thesis explores Automatic Speech Recognition (ASR) for Breton, a low-resource language with significant dialectal variation. We evaluate several ASR models including OpenAI’s Whisper models, focusing on Whisper-Large, across two datasets: Mozilla Common Voice 21 and La Banque Sonore des Dialectes Bretons (BSDB). Experiments were conducted with and without text cleaning, using Word Error Rate (WER) and Character Error Rate (CER) as evaluation metrics. Due to resource limitations, full fine-tuning of Whisper proved challenging, leading to the use of Parameter-Efficient Fine-Tuning (PEFT) methods such as LoRA. A finetuned Whisper-Small model was produced, demonstrating the effectiveness of PEFT for under-resourced languages. This work underlines the potential of modern ASR models and efficient adaptation techniques to improve speech recognition for Breton language and offers insights applicable to other low-resource languages Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/882 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/881 Titre: Solution For Fake Profile Detection In Social Media Auteur(s): BENOUNENE, ABdelrahmane Résumé: A serious issue that threatens digital interactions’ security and trust is the spread of fake profiles on social media sites. In order to solve this problem, this research suggests an AI-powered method for identifying fake profiles using sophisticated image analysis. To improve detection accuracy, the system combines picture normalization, parametric analysis, and metaheuristic optimization using computational intelligence approaches. The process entails a thorough analysis of cutting-edge techniques in machine learning models, picture preprocessing, and fake profile detection, followed by the creation and deployment of an ideal detection framework. One of the main achievements is the creation of a context-aware model that effectively analyzes profile photos by fusing machine learning methods with metaheuristic techniques. Real-world datasets are used to validate the suggested approach, which aims for excellent performance in detecting fake accounts. In order to promote a more secure and dependable online environment, our initiative aims to close technical gaps in current approaches. It is anticipated that the study’s findings would offer practical advice for enhancing social media security protocols and lessening the negative effects of fake profiles on society. *** La diffusion de faux profils sur les sites de médias sociaux est un problème grave qui menace la sécurité et la confiance dans les interactions numériques. Afin de résoudre ce problème, cette recherche propose une méthode basée sur l’IA pour identifier les faux profils à l’aide d’une analyse d’image sophistiquée. Pour améliorer la précision de la détection, le système combine la normalisation des images, l’analyse paramétrique et l’optimisation métaheuristique à l’aide d’approches d’intelligence informatique. Le processus comprend une analyse approfondie des techniques de pointe en matière de modèles d’apprentissage automatique, de prétraitement des images et de détection des faux profils, suivie de la création et du déploiement d’un cadre de détection idéal. L’une des principales réalisations est la création d’un modèle contextuel qui analyse efficacement les photos de profil en combinant des méthodes d’apprentissage automatique et des techniques métaheuristiques. Des ensembles de données réelles sont utilisés pour valider l’approche proposée, qui vise d’excellentes performances dans la détection des faux comptes. Afin de promouvoir un environnement en ligne plus sûr et plus fiable, notre initiative vise à combler les lacunes techniques des approches actuelles. Les résultats de l’étude devraient offrir des conseils pratiques pour améliorer les protocoles de sécurité des médias sociaux et réduire les effets négatifs des faux profils sur la société. Description: Supervisor : Mr. Mahammed Nadir / Co-Supervisor : Ms. Saidi Imene Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/881 2025-01-01T00:00:00Z