| Titre : | BUC-M 008555 |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Langues: | Anglais |
| Index. décimale : | BUC-M 008555 |
| Catégories : |
Master en informatique Speciality: Computer Networks and Distributed Systems |
| Mots-clés: | Apprentissage profond, apprentissage multi-tâches, diagnostic des mal- adies rétiniennes, rétinopathie diabétique, EfficientNet-B3, YOLOv8s, détection de lésions, Généralisation. Deep Learning, Multi-Task Learning, Retinal Disease Diagnosis, Diabetic Retinopathy, EfficientNet-B3, YOLOv8s, Lesion Detection, Generalization. |
| Résumé : |
Cette thèse propose une approche d’apprentissage profond multi-tâches pour le diagnos-
tic automatisé des maladies rétiniennes à partir d’images du fond de l’œil. Le système est basé sur un pipeline conditionnel en deux étapes combinant EfficientNet-B3 pour la clas- sification multi-label des pathologies oculaires et YOLOv8s pour la détection des lésions de rétinopathie diabétique. Le modèle de classification, entraı̂né sur l’ensemble de données ODIR-5K, active conditionnellement un pipeline de prétraitement intégrant CLAHE, Grad- CAM et SAHI lorsque une rétinopathie diabétique est détectée, avant d’effectuer la détection des lésions sur l’ensemble de données DDR. Les résultats expérimentaux démontrent une amélioration significative des performances par rapport aux approches existantes. L’intégration de visualisations interprétables basées sur la Grad-CAM améliore également l’aide à la décision clinique. Enfin, cette recherche met en évidence la capacité de généralisation d’une architecture légère et optimisée, ce qui la rend adaptée au déploiement dans des environnements médicaux à ressources limitées. This thesis proposes a multi-task deep learning approach for the automated diagnosis of retinal diseases from fundus images. The system is based on a two-stage conditional pipeline combining EfficientNet-B3 for the multi-label classification of ocular pathologies and YOLOv8s for the detection of diabetic retinopathy lesions. The classification model, trained on the ODIR-5K dataset, conditionally activates a preprocessing pipeline integrating CLAHE, Grad-CAM, and SAHI when diabetic retinopathy is detected, before performing lesion detection on the DDR dataset. Experimental results demonstrate a significant improvement in performance compared to existing approaches. The integration of interpretable Grad-CAM-based visualizations also enhances clinical decision support. Finally, this research highlights the generalization ca- pability of a lightweight and optimized architecture, making it suitable for deployment in resource-limited medical environments. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008555 Adobe Acrobat PDF |
