| Titre : | Comparative analysis of deep learnin models for infectious and non infectious disease classification |
| Auteurs : | farhi mohamed, Auteur ; zerrouki kadda, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 62 ص |
| Accompagnement : | CD |
| Langues: | Anglais |
| Index. décimale : | BUC-M 008540 |
| Catégories : | |
| Mots-clés: | Deep learning, CNN, chest X-ray, medical image classification, COVID-19, lung cancer, pneumonia, tuberculosis, transfer learning, Tversky loss. Deep learning, CNN, radiographie thoracique, classification d’images médi- cales, COVID-19, cancer du poumon, pneumonie, tuberculose, transfer learning, perte de Tversky |
| Résumé : |
This thesis compares four CNN architectures ResNet18, ResNet50, DenseNet121 and
EfficientNet-B3 for classifying pulmonary diseases on chest X-rays. Four pathologies are studied : COVID-19, lung cancer, pneumonia and tuberculosis. A dual evaluation is conducted : multiclass classification (4 diseases) and binary classification (infectious vs non-infectious). A standardized two-phase training protocol is used. Phase 1 (5 epochs) applies weigh- ted cross-entropy with label smoothing. Phase 2 (25 epochs) uses a Tversky loss ( (α = 0.7, β = 0.3)) α=0.7,β=0.3) combined with a confusion penalty specifically targeting the pneumonia-cancer pair (λ = 0.5), along with a dual threshold prediction strategy. Results show no single model dominates all classes. EfficientNet-B3 achieves high recall for COVID (99%) and cancer (92%) but misclassifies 73% of pneumonias as cancer. ResNet18 is best for pneumonia (41% recall). Pneumonia-cancer confusion remains the main error source for all models, accounting for 88% to 96% of total errors, persisting despite the penalty. For binary classification, all models achieve 76-77% accuracy. DenseNet121 offers the best overall compromise. EfficientNet-B3 maximizes recall for non-infectious cases (92%) at the expense of infectious cases (70%). Ce mémoire compare quatre architectures CNN ResNet18, ResNet50, DenseNet121 et EfficientNet-B3 pour la classification de pathologies pulmonaires sur radiographies thoraciques. Quatre pathologies sont étudiées : le COVID-19, le cancer du poumon, la pneumonie et la tuberculose. Une double évaluation est menée : classification multiclasse (4 pathologies) et classification binaire (infectieux vs non infectieux). Un protocole d’entraînement standardisé en deux phases est utilisé. La phase 1 (5 époques) applique une entropie croisée pondérée avec lissage des étiquettes. La phase 2 (25 époques) utilise une perte de Tversky (α = 0, 7, β = 0, 3) combinée à une pénalité de confusion ciblant spécifiquement la paire pneumonie-cancer (λ = 0, 5), ainsi qu’une stratégie de prédiction à double seuil. Les résultats montrent qu’aucun modèle ne domine toutes les classes. EfficientNet-B3 atteint un rappel élevé pour le COVID (99%) et le cancer (92%) mais classifie 73% des pneumonies comme cancer. ResNet18 est le meilleur pour la pneumonie (rappel 41%). La confusion entre pneumonie et cancer reste la principale source d’erreur pour tous les modèles, représentant 88% à 96% des erreurs totales, et persiste malgré la pénalité. En classification binaire, tous les modèles atteignent une accuracy de 76-77%. Dense- Net121 offre le meilleur compromis global. EfficientNet-B3 maximise le rappel pour les cas non infectieux (92%) au détriment des cas infectieux (70%). |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008540 Adobe Acrobat PDF |
