{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/8212"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/8212","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Techniques d'apprentissage profond pour la détection de maladies thoraciques sur des images radiograpahiques","abstract":"Les images radiographiques du thorax sont un outil de diagnostic essentiel pour identifier un large éventail de maladies thoraciques. Les radiologues utilisent ces images pour inspecter visuellement les poumons, le cœur et d’autres structures afin d’identifier toute anomalie ou signe de maladie. La capacité de détecter et de diagnostiquer les maladies pulmonaires et les maladies du cœur, telles que le cancer du poumon, la pneumonie, la tuberculose et la cardiomégalie, fait des images radiographiques un outil essentiel pour les radiologues. De plus, ces images sont non invasives, ce qui en fait une méthode idéale pour examiner les organes internes du thorax. Cependant, les radiologues peuvent être confrontés à plusieurs difficultés lors de l’examen des images radiographiques, notamment la qualité des images qui peut être médiocre, les structures et les organes qui peuvent se chevaucher et cacher des anomalies, les similitudes entre les signes des maladies, et le manque d’expertise et de concentration chez les radiologues. Ces défis peuvent rendre le diagnostic visuel des maladies thoraciques sujet à l’erreur humaine. En revanche, les techniques d’apprentissage profond peuvent être utilisés pour aider les radiologues à détecter les maladies thoraciques dans les images radiographiques. Dans ce travail, nous avons présenté une revue de littérature des récentes avancées de modèles d’apprentissage profond pour la détection des maladies thoraciques à l’aide de la radiographie. Ensuite, nous avons proposé une nouvelle approche basée sur la détection des maladies thoraciques en deux étapes. Dans la première étape, nous détection d’organe infecté (cœur ou poumon). Dans la deuxième étape, nous détectons la présence d’une maladie spécifique. À cette fin, nous avons consolidé un ensemble de données de 26 316 images radiographiques provenant de deux ensembles de données publics (CheXpert et VinDr-CXR). Toutes les images extraites des deux ensembles de données ont été diagnostiquées avec une seule maladie chacune (chaque image a une seule étiquette). Les images dans notre ensemble de données appartiennent à huit classes (normal, cardiomégalie, hypertrophie du cardiomédiastin, hypertrophie de l’aorte, atélectasie, fibrose pulmonaire, pneumothorax et épanchement pleural) et à trois groupes (normal, maladie cardiaque et maladie pulmonaire). Nous avons appliqué différentes techniques d’augmentation des données pour accroître le nombre d’échantillons des images. Nous avons ensuite développé une architecture d’apprentissage d’ensemble composée de trois réseaux de neurones convolutifs différents pour extraire les caractéristiques des maladies sur les images radiographiques. Cette architecture a obtenu des performances intéressantes pour l’approche de classification en deux étapes. Mots-clés : Détection des maladies thoraciques; Images radiographiques; Apprentissage profond; Apprentissage d’ensemble; réseaux de neurones convolutifs.","abstract_html":"Les images radiographiques du thorax sont un outil de diagnostic essentiel pour identifier un large éventail de maladies thoraciques. Les radiologues utilisent ces images pour inspecter visuellement les poumons, le cœur et d’autres structures afin d’identifier toute anomalie ou signe de maladie. La capacité de détecter et de diagnostiquer les maladies pulmonaires et les maladies du cœur, telles que le cancer du poumon, la pneumonie, la tuberculose et la cardiomégalie, fait des images radiographiques un outil essentiel pour les radiologues. De plus, ces images sont non invasives, ce qui en fait une méthode idéale pour examiner les organes internes du thorax. Cependant, les radiologues peuvent être confrontés à plusieurs difficultés lors de l’examen des images radiographiques, notamment la qualité des images qui peut être médiocre, les structures et les organes qui peuvent se chevaucher et cacher des anomalies, les similitudes entre les signes des maladies, et le manque d’expertise et de concentration chez les radiologues. Ces défis peuvent rendre le diagnostic visuel des maladies thoraciques sujet à l’erreur humaine. En revanche, les techniques d’apprentissage profond peuvent être utilisés pour aider les radiologues à détecter les maladies thoraciques dans les images radiographiques. Dans ce travail, nous avons présenté une revue de littérature des récentes avancées de modèles d’apprentissage profond pour la détection des maladies thoraciques à l’aide de la radiographie. Ensuite, nous avons proposé une nouvelle approche basée sur la détection des maladies thoraciques en deux étapes. Dans la première étape, nous détection d’organe infecté (cœur ou poumon). Dans la deuxième étape, nous détectons la présence d’une maladie spécifique. À cette fin, nous avons consolidé un ensemble de données de 26 316 images radiographiques provenant de deux ensembles de données publics (CheXpert et VinDr-CXR). Toutes les images extraites des deux ensembles de données ont été diagnostiquées avec une seule maladie chacune (chaque image a une seule étiquette). Les images dans notre ensemble de données appartiennent à huit classes (normal, cardiomégalie, hypertrophie du cardiomédiastin, hypertrophie de l’aorte, atélectasie, fibrose pulmonaire, pneumothorax et épanchement pleural) et à trois groupes (normal, maladie cardiaque et maladie pulmonaire). Nous avons appliqué différentes techniques d’augmentation des données pour accroître le nombre d’échantillons des images. Nous avons ensuite développé une architecture d’apprentissage d’ensemble composée de trois réseaux de neurones convolutifs différents pour extraire les caractéristiques des maladies sur les images radiographiques. Cette architecture a obtenu des performances intéressantes pour l’approche de classification en deux étapes. Mots-clés : Détection des maladies thoraciques; Images radiographiques; Apprentissage profond; Apprentissage d’ensemble; réseaux de neurones convolutifs.","abstract_has_math":false,"creators":["Ait Nasser, Adnane"],"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 A"],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-24T03:10:02Z","subjects":["Thorax","Maladies","Radiographie","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:2806"],"render_values":[{"text":"umir:2806","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/8212","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Akhloufi, Moulay A"]},{"key":"dc:creator","label":"Author","values":["Ait Nasser, Adnane"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:15:51Z","2025-05-13T20:25:33Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:15:51Z","2025-05-13T20:25:33Z"]},{"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":["Thorax","Maladies","Radiographie","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:2806"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/8212"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Les images radiographiques du thorax sont un outil de diagnostic essentiel pour identifier un large éventail de maladies thoraciques. Les radiologues utilisent ces images pour inspecter visuellement les poumons, le cœur et d’autres structures afin d’identifier toute anomalie ou signe de maladie. La capacité de détecter et de diagnostiquer les maladies pulmonaires et les maladies du cœur, telles que le cancer du poumon, la pneumonie, la tuberculose et la cardiomégalie, fait des images radiographiques un outil essentiel pour les radiologues. De plus, ces images sont non invasives, ce qui en fait une méthode idéale pour examiner les organes internes du thorax. Cependant, les radiologues peuvent être confrontés à plusieurs difficultés lors de l’examen des images radiographiques, notamment la qualité des images qui peut être médiocre, les structures et les organes qui peuvent se chevaucher et cacher des anomalies, les similitudes entre les signes des maladies, et le manque d’expertise et de concentration chez les radiologues. Ces défis peuvent rendre le diagnostic visuel des maladies thoraciques sujet à l’erreur humaine. En revanche, les techniques d’apprentissage profond peuvent être utilisés pour aider les radiologues à détecter les maladies thoraciques dans les images radiographiques. Dans ce travail, nous avons présenté une revue de littérature des récentes avancées de modèles d’apprentissage profond pour la détection des maladies thoraciques à l’aide de la radiographie. Ensuite, nous avons proposé une nouvelle approche basée sur la détection des maladies thoraciques en deux étapes. Dans la première étape, nous détection d’organe infecté (cœur ou poumon). Dans la deuxième étape, nous détectons la présence d’une maladie spécifique. À cette fin, nous avons consolidé un ensemble de données de 26 316 images radiographiques provenant de deux ensembles de données publics (CheXpert et VinDr-CXR). Toutes les images extraites des deux ensembles de données ont été diagnostiquées avec une seule maladie chacune (chaque image a une seule étiquette). Les images dans notre ensemble de données appartiennent à huit classes (normal, cardiomégalie, hypertrophie du cardiomédiastin, hypertrophie de l’aorte, atélectasie, fibrose pulmonaire, pneumothorax et épanchement pleural) et à trois groupes (normal, maladie cardiaque et maladie pulmonaire). Nous avons appliqué différentes techniques d’augmentation des données pour accroître le nombre d’échantillons des images. Nous avons ensuite développé une architecture d’apprentissage d’ensemble composée de trois réseaux de neurones convolutifs différents pour extraire les caractéristiques des maladies sur les images radiographiques. Cette architecture a obtenu des performances intéressantes pour l’approche de classification en deux étapes. Mots-clés : Détection des maladies thoraciques; Images radiographiques; Apprentissage profond; Apprentissage d’ensemble; 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":["Techniques d'apprentissage profond pour la détection de maladies thoraciques sur des images radiograpahiques"]}]}],"canonical_facts":{"dc:contributor.advisor":["Akhloufi, Moulay A"],"dc:creator":["Ait Nasser, Adnane"],"dc:date.accessioned":["2024-12-20T18:15:51Z","2025-05-13T20:25:33Z"],"dc:date.available":["2024-12-20T18:15:51Z","2025-05-13T20:25:33Z"],"dc:date.issued":["2023"],"dc:description.abstract":["Les images radiographiques du thorax sont un outil de diagnostic essentiel pour identifier un large éventail de maladies thoraciques. Les radiologues utilisent ces images pour inspecter visuellement les poumons, le cœur et d’autres structures afin d’identifier toute anomalie ou signe de maladie. La capacité de détecter et de diagnostiquer les maladies pulmonaires et les maladies du cœur, telles que le cancer du poumon, la pneumonie, la tuberculose et la cardiomégalie, fait des images radiographiques un outil essentiel pour les radiologues. De plus, ces images sont non invasives, ce qui en fait une méthode idéale pour examiner les organes internes du thorax. Cependant, les radiologues peuvent être confrontés à plusieurs difficultés lors de l’examen des images radiographiques, notamment la qualité des images qui peut être médiocre, les structures et les organes qui peuvent se chevaucher et cacher des anomalies, les similitudes entre les signes des maladies, et le manque d’expertise et de concentration chez les radiologues. Ces défis peuvent rendre le diagnostic visuel des maladies thoraciques sujet à l’erreur humaine. En revanche, les techniques d’apprentissage profond peuvent être utilisés pour aider les radiologues à détecter les maladies thoraciques dans les images radiographiques. Dans ce travail, nous avons présenté une revue de littérature des récentes avancées de modèles d’apprentissage profond pour la détection des maladies thoraciques à l’aide de la radiographie. Ensuite, nous avons proposé une nouvelle approche basée sur la détection des maladies thoraciques en deux étapes. Dans la première étape, nous détection d’organe infecté (cœur ou poumon). Dans la deuxième étape, nous détectons la présence d’une maladie spécifique. À cette fin, nous avons consolidé un ensemble de données de 26 316 images radiographiques provenant de deux ensembles de données publics (CheXpert et VinDr-CXR). Toutes les images extraites des deux ensembles de données ont été diagnostiquées avec une seule maladie chacune (chaque image a une seule étiquette). Les images dans notre ensemble de données appartiennent à huit classes (normal, cardiomégalie, hypertrophie du cardiomédiastin, hypertrophie de l’aorte, atélectasie, fibrose pulmonaire, pneumothorax et épanchement pleural) et à trois groupes (normal, maladie cardiaque et maladie pulmonaire). Nous avons appliqué différentes techniques d’augmentation des données pour accroître le nombre d’échantillons des images. Nous avons ensuite développé une architecture d’apprentissage d’ensemble composée de trois réseaux de neurones convolutifs différents pour extraire les caractéristiques des maladies sur les images radiographiques. Cette architecture a obtenu des performances intéressantes pour l’approche de classification en deux étapes. Mots-clés : Détection des maladies thoraciques; Images radiographiques; Apprentissage profond; Apprentissage d’ensemble; réseaux de neurones convolutifs."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier.other":["umir:2806"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/8212"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Thorax","Maladies","Radiographie","Apprentissage profond","Réseaux de neurones convolutifs"],"dc:title":["Techniques d'apprentissage profond pour la détection de maladies thoraciques sur des images radiograpahiques"],"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"}