{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/7672"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/7672","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Apprentissage ensembliste profond pour la détection du mélanome","abstract":"Le mélanome est un des cancers de la peau qui peut se révéler mortel s’il n’est pas traité à temps. Les personnes atteintes de cette maladie consultent souvent un spécialiste lorsque la maladie se trouve dans un état avancé. Dans ce travail, on propose de développer un outil permettant de détecter assez rapidement tout signe de la maladie. Des techniques récentes ont utilisé des modèles d’apprentissage profond comme les réseaux de neurones convolutifs (CNN). Les résultats obtenus avec ces méthodes présentent un grand potentiel pour résoudre ce problème. Dans cette thèse, nous avons commencé par faire une étude comparative des modèles d’apprentissage profond afin d’identifier les modèles qui donnent de meilleurs résultats. Nous avons déduit que le réseau EfficientnetB7 donne les meilleurs résultats. Une fois la comparaison faite, nous avons proposé dans un deuxième temps une technique qui utilise conjointement plusieurs réseaux profonds et des données représentées à différentes échelles. Diverses stratégies telles que l’augmentation d’image, la perte focale, l’épilation numérique ainsi que la régularisation multi-pénalité (multi-penalty) ont été exploitées pour améliorer les performances. Nous avons obtenu avec notre méthode le score le plus élevé en termes d’AUC. Par la suite, nous avons proposé une autre architecture basée cette fois ci sur une combinaison regroupant deux familles de réseaux profonds : la famille ces CNN et la famille des Transformers. Ici aussi, diverses stratégies ont été utilisées comme l’apprentissage par transfert, la perte focale, le recadrage d’image, le suréchantillonnage (Upsampling) et la pondération de classe (Class Weighting). Nous avons aussi utilisé une technique qui permet une convergence plus rapide. Nous avons déduit que les résultats obtenus par l’utilisation d’une architecture regroupant les familles CNN et les Transformers donne de meilleurs résultats en termes de précision et de spécificité en comparaison avec l’utilisation de réseaux séparément. Mots-clés : Détection du mélanome; Apprentissage profond; Réseaux de neurones convolutifs.","abstract_html":"Le mélanome est un des cancers de la peau qui peut se révéler mortel s’il n’est pas traité à temps. Les personnes atteintes de cette maladie consultent souvent un spécialiste lorsque la maladie se trouve dans un état avancé. Dans ce travail, on propose de développer un outil permettant de détecter assez rapidement tout signe de la maladie. Des techniques récentes ont utilisé des modèles d’apprentissage profond comme les réseaux de neurones convolutifs (CNN). Les résultats obtenus avec ces méthodes présentent un grand potentiel pour résoudre ce problème. Dans cette thèse, nous avons commencé par faire une étude comparative des modèles d’apprentissage profond afin d’identifier les modèles qui donnent de meilleurs résultats. Nous avons déduit que le réseau EfficientnetB7 donne les meilleurs résultats. Une fois la comparaison faite, nous avons proposé dans un deuxième temps une technique qui utilise conjointement plusieurs réseaux profonds et des données représentées à différentes échelles. Diverses stratégies telles que l’augmentation d’image, la perte focale, l’épilation numérique ainsi que la régularisation multi-pénalité (multi-penalty) ont été exploitées pour améliorer les performances. Nous avons obtenu avec notre méthode le score le plus élevé en termes d’AUC. Par la suite, nous avons proposé une autre architecture basée cette fois ci sur une combinaison regroupant deux familles de réseaux profonds : la famille ces CNN et la famille des Transformers. Ici aussi, diverses stratégies ont été utilisées comme l’apprentissage par transfert, la perte focale, le recadrage d’image, le suréchantillonnage (Upsampling) et la pondération de classe (Class Weighting). Nous avons aussi utilisé une technique qui permet une convergence plus rapide. Nous avons déduit que les résultats obtenus par l’utilisation d’une architecture regroupant les familles CNN et les Transformers donne de meilleurs résultats en termes de précision et de spécificité en comparaison avec l’utilisation de réseaux séparément. Mots-clés : Détection du mélanome; Apprentissage profond; Réseaux de neurones convolutifs.","abstract_has_math":false,"creators":["Guergueb, Takfarines"],"institution":"Université de Moncton","degree_name":"Maîtrise ès sciences (informatique)","degree_level":"2e cycle","degree_discipline":"Faculté des sciences","degree_department":null,"school":null,"contributors":[],"advisors":["Hervet, Éric"],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-24T03:10:02Z","subjects":["Mélanome","Peau","Cancer","Diagnostic","Appareils et matériel","Apprentissage profond","Réseaux de neurones convolutifs"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2854"],"render_values":[{"text":"umir:2854","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/7672","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Hervet, Éric"]},{"key":"dc:creator","label":"Author","values":["Guergueb, Takfarines"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:05:30Z","2025-05-13T20:17:53Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:05:30Z","2025-05-13T20:17:53Z"]},{"key":"dc:date.issued","label":"Date","values":["2023"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté des sciences"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences (informatique)"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Mélanome","Peau","Cancer","Diagnostic","Appareils et matériel","Apprentissage profond","Réseaux de neurones convolutifs"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2854"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/7672"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Le mélanome est un des cancers de la peau qui peut se révéler mortel s’il n’est pas traité à temps. Les personnes atteintes de cette maladie consultent souvent un spécialiste lorsque la maladie se trouve dans un état avancé. Dans ce travail, on propose de développer un outil permettant de détecter assez rapidement tout signe de la maladie. Des techniques récentes ont utilisé des modèles d’apprentissage profond comme les réseaux de neurones convolutifs (CNN). Les résultats obtenus avec ces méthodes présentent un grand potentiel pour résoudre ce problème. Dans cette thèse, nous avons commencé par faire une étude comparative des modèles d’apprentissage profond afin d’identifier les modèles qui donnent de meilleurs résultats. Nous avons déduit que le réseau EfficientnetB7 donne les meilleurs résultats. Une fois la comparaison faite, nous avons proposé dans un deuxième temps une technique qui utilise conjointement plusieurs réseaux profonds et des données représentées à différentes échelles. Diverses stratégies telles que l’augmentation d’image, la perte focale, l’épilation numérique ainsi que la régularisation multi-pénalité (multi-penalty) ont été exploitées pour améliorer les performances. Nous avons obtenu avec notre méthode le score le plus élevé en termes d’AUC. Par la suite, nous avons proposé une autre architecture basée cette fois ci sur une combinaison regroupant deux familles de réseaux profonds : la famille ces CNN et la famille des Transformers. Ici aussi, diverses stratégies ont été utilisées comme l’apprentissage par transfert, la perte focale, le recadrage d’image, le suréchantillonnage (Upsampling) et la pondération de classe (Class Weighting). Nous avons aussi utilisé une technique qui permet une convergence plus rapide. Nous avons déduit que les résultats obtenus par l’utilisation d’une architecture regroupant les familles CNN et les Transformers donne de meilleurs résultats en termes de précision et de spécificité en comparaison avec l’utilisation de réseaux séparément. Mots-clés : Détection du mélanome; Apprentissage profond; Réseaux de neurones convolutifs."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic"]},{"key":"dc:title","label":"Title","values":["Apprentissage ensembliste profond pour la détection du mélanome"]}]}],"canonical_facts":{"dc:contributor.advisor":["Hervet, Éric"],"dc:creator":["Guergueb, Takfarines"],"dc:date.accessioned":["2024-12-20T18:05:30Z","2025-05-13T20:17:53Z"],"dc:date.available":["2024-12-20T18:05:30Z","2025-05-13T20:17:53Z"],"dc:date.issued":["2023"],"dc:description.abstract":["Le mélanome est un des cancers de la peau qui peut se révéler mortel s’il n’est pas traité à temps. Les personnes atteintes de cette maladie consultent souvent un spécialiste lorsque la maladie se trouve dans un état avancé. Dans ce travail, on propose de développer un outil permettant de détecter assez rapidement tout signe de la maladie. Des techniques récentes ont utilisé des modèles d’apprentissage profond comme les réseaux de neurones convolutifs (CNN). Les résultats obtenus avec ces méthodes présentent un grand potentiel pour résoudre ce problème. Dans cette thèse, nous avons commencé par faire une étude comparative des modèles d’apprentissage profond afin d’identifier les modèles qui donnent de meilleurs résultats. Nous avons déduit que le réseau EfficientnetB7 donne les meilleurs résultats. Une fois la comparaison faite, nous avons proposé dans un deuxième temps une technique qui utilise conjointement plusieurs réseaux profonds et des données représentées à différentes échelles. Diverses stratégies telles que l’augmentation d’image, la perte focale, l’épilation numérique ainsi que la régularisation multi-pénalité (multi-penalty) ont été exploitées pour améliorer les performances. Nous avons obtenu avec notre méthode le score le plus élevé en termes d’AUC. Par la suite, nous avons proposé une autre architecture basée cette fois ci sur une combinaison regroupant deux familles de réseaux profonds : la famille ces CNN et la famille des Transformers. Ici aussi, diverses stratégies ont été utilisées comme l’apprentissage par transfert, la perte focale, le recadrage d’image, le suréchantillonnage (Upsampling) et la pondération de classe (Class Weighting). Nous avons aussi utilisé une technique qui permet une convergence plus rapide. Nous avons déduit que les résultats obtenus par l’utilisation d’une architecture regroupant les familles CNN et les Transformers donne de meilleurs résultats en termes de précision et de spécificité en comparaison avec l’utilisation de réseaux séparément. Mots-clés : Détection du mélanome; Apprentissage profond; Réseaux de neurones convolutifs."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier.other":["umir:2854"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/7672"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Mélanome","Peau","Cancer","Diagnostic","Appareils et matériel","Apprentissage profond","Réseaux de neurones convolutifs"],"dc:title":["Apprentissage ensembliste profond pour la détection du mélanome"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté des sciences"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences (informatique)"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:10:02Z"}