{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/8079"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/8079","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Apprentissage profond pour la détection de la rétinopathie diabétique","abstract":"La rétinopathie diabétique est une complication due au diabète qui peut endommager la rétine du patient. Cette maladie se caractérise par une augmentation du volume des vaisseaux sanguins de la rétine. Progressivement, les vaisseaux sanguins se bouchent et privent la rétine de nutriments et d'oxygène. De nouveaux vaisseaux sanguins se développent alors autour de la rétine. Ces derniers sont très fragiles, peuvent se briser et entraîner des saignements. Dans ce cas, une perte totale ou partielle de la vision peut se produire. La détection de tels saignements exige des cliniciens expérimentés qui évaluent ces lésions en examinant les images du fond de la rétine. Cependant, cette tâche est fastidieuse, prend du temps et nécessite un effort intense en raison de la petite taille des lésions et leurs faibles contrastes. Donc, l'objectif de notre travail de recherche est de développer un système de détection automatique pour accompagner les médecins dans leur travail de diagnostic. Nous commençons cette thèse par une revue de la littérature portant sur les approches de détection de la RD en utilisant les algorithmes d'apprentissage profond. Ensuite, nous présentons le développement d'un système qui détecte automatiquement la RD dans les images du fond de l'œil avec différents niveaux de sévérité de la RD. Notre système est basé sur le réseau de neurones convolutionnels (CNN) qui est très utilisé dans diverses tâches de vision par ordinateur. Ce réseau suscite beaucoup d'intérêt dans une variété de domaines. Nous évaluons initialement différentes techniques de classification afin de les comparer aux réseaux d'apprentissage profond. Bien évidemment, nous visons à surpasser le niveau de performance des travaux présentés dans la littérature scientifique. Les modèles proposés ont été adaptés pour fonctionner de manière optimale sur des bases de données publiques. Notre système atteint des taux de classification élevés avec un area under curve (AUC) de 0,986, une sensibilité de 0,958 et une spécificité de 0,971 sur la base de données EyePACS. Pour les autres bases de données telles que MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha et UoA-DR, le AUC est de 0,963, 0,979, 0,986, 0,988, 0,964, 0,957, 0,984, 0,955, respectivement. Notre réseau est capable d'identifier efficacement les différents signes de la RD dans les images. Notre méthode intègre également la visualisation des régions pathologiques, ce qui peut aider à la validation clinique en temps réel. Mots clés: Retinopathie diabétique ; apprentissage profond ; réseau de neurones convolutionel.","abstract_html":"La rétinopathie diabétique est une complication due au diabète qui peut endommager la rétine du patient. Cette maladie se caractérise par une augmentation du volume des vaisseaux sanguins de la rétine. Progressivement, les vaisseaux sanguins se bouchent et privent la rétine de nutriments et d'oxygène. De nouveaux vaisseaux sanguins se développent alors autour de la rétine. Ces derniers sont très fragiles, peuvent se briser et entraîner des saignements. Dans ce cas, une perte totale ou partielle de la vision peut se produire. La détection de tels saignements exige des cliniciens expérimentés qui évaluent ces lésions en examinant les images du fond de la rétine. Cependant, cette tâche est fastidieuse, prend du temps et nécessite un effort intense en raison de la petite taille des lésions et leurs faibles contrastes. Donc, l'objectif de notre travail de recherche est de développer un système de détection automatique pour accompagner les médecins dans leur travail de diagnostic. Nous commençons cette thèse par une revue de la littérature portant sur les approches de détection de la RD en utilisant les algorithmes d'apprentissage profond. Ensuite, nous présentons le développement d'un système qui détecte automatiquement la RD dans les images du fond de l'œil avec différents niveaux de sévérité de la RD. Notre système est basé sur le réseau de neurones convolutionnels (CNN) qui est très utilisé dans diverses tâches de vision par ordinateur. Ce réseau suscite beaucoup d'intérêt dans une variété de domaines. Nous évaluons initialement différentes techniques de classification afin de les comparer aux réseaux d'apprentissage profond. Bien évidemment, nous visons à surpasser le niveau de performance des travaux présentés dans la littérature scientifique. Les modèles proposés ont été adaptés pour fonctionner de manière optimale sur des bases de données publiques. Notre système atteint des taux de classification élevés avec un area under curve (AUC) de 0,986, une sensibilité de 0,958 et une spécificité de 0,971 sur la base de données EyePACS. Pour les autres bases de données telles que MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha et UoA-DR, le AUC est de 0,963, 0,979, 0,986, 0,988, 0,964, 0,957, 0,984, 0,955, respectivement. Notre réseau est capable d'identifier efficacement les différents signes de la RD dans les images. Notre méthode intègre également la visualisation des régions pathologiques, ce qui peut aider à la validation clinique en temps réel. Mots clés: Retinopathie diabétique ; apprentissage profond ; réseau de neurones convolutionel.","abstract_has_math":false,"creators":["Chetoui, Mohamed"],"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":["Akhloufi, Moulay Abdellatif"],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-07-24T03:09:40Z","subjects":["Réseaux de neurones convolutifs.","Apprentissage profond.","Réseaux neuronaux (Informatique)","Rétine","Maladies","Diagnostic","Exploration de données (Informatique).","Intelligence artificielle en médecine.","Imagerie pour le diagnostic","Informatique."],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2014"],"render_values":[{"text":"umir:2014","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/8079","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Akhloufi, Moulay Abdellatif"]},{"key":"dc:creator","label":"Author","values":["Chetoui, Mohamed"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:12:57Z","2025-05-13T20:29:11Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:12:57Z","2025-05-13T20:29:11Z"]},{"key":"dc:date.issued","label":"Date","values":["2020"]},{"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":["Réseaux de neurones convolutifs.","Apprentissage profond.","Réseaux neuronaux (Informatique)","Rétine","Maladies","Diagnostic","Exploration de données (Informatique).","Intelligence artificielle en médecine.","Imagerie pour le diagnostic","Informatique."]}]},{"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:2014"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/8079"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La rétinopathie diabétique est une complication due au diabète qui peut endommager la rétine du patient. Cette maladie se caractérise par une augmentation du volume des vaisseaux sanguins de la rétine. Progressivement, les vaisseaux sanguins se bouchent et privent la rétine de nutriments et d'oxygène. De nouveaux vaisseaux sanguins se développent alors autour de la rétine. Ces derniers sont très fragiles, peuvent se briser et entraîner des saignements. Dans ce cas, une perte totale ou partielle de la vision peut se produire. La détection de tels saignements exige des cliniciens expérimentés qui évaluent ces lésions en examinant les images du fond de la rétine. Cependant, cette tâche est fastidieuse, prend du temps et nécessite un effort intense en raison de la petite taille des lésions et leurs faibles contrastes. Donc, l'objectif de notre travail de recherche est de développer un système de détection automatique pour accompagner les médecins dans leur travail de diagnostic. Nous commençons cette thèse par une revue de la littérature portant sur les approches de détection de la RD en utilisant les algorithmes d'apprentissage profond. Ensuite, nous présentons le développement d'un système qui détecte automatiquement la RD dans les images du fond de l'œil avec différents niveaux de sévérité de la RD. Notre système est basé sur le réseau de neurones convolutionnels (CNN) qui est très utilisé dans diverses tâches de vision par ordinateur. Ce réseau suscite beaucoup d'intérêt dans une variété de domaines. Nous évaluons initialement différentes techniques de classification afin de les comparer aux réseaux d'apprentissage profond. Bien évidemment, nous visons à surpasser le niveau de performance des travaux présentés dans la littérature scientifique. Les modèles proposés ont été adaptés pour fonctionner de manière optimale sur des bases de données publiques. Notre système atteint des taux de classification élevés avec un area under curve (AUC) de 0,986, une sensibilité de 0,958 et une spécificité de 0,971 sur la base de données EyePACS. Pour les autres bases de données telles que MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha et UoA-DR, le AUC est de 0,963, 0,979, 0,986, 0,988, 0,964, 0,957, 0,984, 0,955, respectivement. Notre réseau est capable d'identifier efficacement les différents signes de la RD dans les images. Notre méthode intègre également la visualisation des régions pathologiques, ce qui peut aider à la validation clinique en temps réel. Mots clés: Retinopathie diabétique ; apprentissage profond ; réseau de neurones convolutionel."]},{"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 profond pour la détection de la rétinopathie diabétique"]}]}],"canonical_facts":{"dc:contributor.advisor":["Akhloufi, Moulay Abdellatif"],"dc:creator":["Chetoui, Mohamed"],"dc:date.accessioned":["2024-12-20T18:12:57Z","2025-05-13T20:29:11Z"],"dc:date.available":["2024-12-20T18:12:57Z","2025-05-13T20:29:11Z"],"dc:date.issued":["2020"],"dc:description.abstract":["La rétinopathie diabétique est une complication due au diabète qui peut endommager la rétine du patient. Cette maladie se caractérise par une augmentation du volume des vaisseaux sanguins de la rétine. Progressivement, les vaisseaux sanguins se bouchent et privent la rétine de nutriments et d'oxygène. De nouveaux vaisseaux sanguins se développent alors autour de la rétine. Ces derniers sont très fragiles, peuvent se briser et entraîner des saignements. Dans ce cas, une perte totale ou partielle de la vision peut se produire. La détection de tels saignements exige des cliniciens expérimentés qui évaluent ces lésions en examinant les images du fond de la rétine. Cependant, cette tâche est fastidieuse, prend du temps et nécessite un effort intense en raison de la petite taille des lésions et leurs faibles contrastes. Donc, l'objectif de notre travail de recherche est de développer un système de détection automatique pour accompagner les médecins dans leur travail de diagnostic. Nous commençons cette thèse par une revue de la littérature portant sur les approches de détection de la RD en utilisant les algorithmes d'apprentissage profond. Ensuite, nous présentons le développement d'un système qui détecte automatiquement la RD dans les images du fond de l'œil avec différents niveaux de sévérité de la RD. Notre système est basé sur le réseau de neurones convolutionnels (CNN) qui est très utilisé dans diverses tâches de vision par ordinateur. Ce réseau suscite beaucoup d'intérêt dans une variété de domaines. Nous évaluons initialement différentes techniques de classification afin de les comparer aux réseaux d'apprentissage profond. Bien évidemment, nous visons à surpasser le niveau de performance des travaux présentés dans la littérature scientifique. Les modèles proposés ont été adaptés pour fonctionner de manière optimale sur des bases de données publiques. Notre système atteint des taux de classification élevés avec un area under curve (AUC) de 0,986, une sensibilité de 0,958 et une spécificité de 0,971 sur la base de données EyePACS. Pour les autres bases de données telles que MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha et UoA-DR, le AUC est de 0,963, 0,979, 0,986, 0,988, 0,964, 0,957, 0,984, 0,955, respectivement. Notre réseau est capable d'identifier efficacement les différents signes de la RD dans les images. Notre méthode intègre également la visualisation des régions pathologiques, ce qui peut aider à la validation clinique en temps réel. Mots clés: Retinopathie diabétique ; apprentissage profond ; réseau de neurones convolutionel."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier.other":["umir:2014"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/8079"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Réseaux de neurones convolutifs.","Apprentissage profond.","Réseaux neuronaux (Informatique)","Rétine","Maladies","Diagnostic","Exploration de données (Informatique).","Intelligence artificielle en médecine.","Imagerie pour le diagnostic","Informatique."],"dc:title":["Apprentissage profond pour la détection de la rétinopathie diabétique"],"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":"2026-07-24T03:09:40Z"}