http://dspace.univ-djelfa.dz:8080/xmlui/handle/123456789/120 Fri, 23 Oct 2026 19:40:00 GMT 2026-10-23T19:40:00Z http://dspace.univ-djelfa.dz:8080/xmlui/bitstream/id/81/ http://dspace.univ-djelfa.dz:8080/xmlui/handle/123456789/120 http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8655 Medical Image Denoising Based on Intelligent Approaches شرحبيل, عبد الكريم Abdelkarim Cherhabil في السَّنَوَاتِ الأَخِيرَةِ، حَقَّقَتْ خَوَارِزْمِيَّاتُ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ الذَّكِيِّ مُنْخَفِضِ الجُرْعَةِ القَائِمَةُ عَلَى التَّعَلُّمِ العَمِيقِ تَقَدُّمًا نَوْعِيًّا. وَمَعَ ذَلِكَ، تُظْهِرُ خَوَارِزْمِيَّاتُ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ الذَّكِيِّ الحَالِيَّةُ أَدَاءَ تَعْمِيمٍ مَحْدُودًا عَبْرَ أَنْوَاعِ المَاسِحَاتِ الضَّوْئِيَّةِ المُخْتَلِفَةِ، وَمُسْتَوَيَاتِ الجُرْعَةِ، وَبَيَانَاتِ الجُرْعَةِ المُنْخَفِضَةِ الفِعْلِيَّةِ. عَلَاوَةً عَلَى ذَلِكَ، لَا يَزَالُ هُنَاكَ نَقْصٌ في نَمَاذِجِ التَّصْحِيحِ وَإِعَادَةِ البِنَاءِ الذَّكِيَّةِ لِبَيَانَاتِ سِلْسِلَةِ التَّصْوِيرِ الكَامِلَةِ ابْتِدَاءً مِنَ البَيَانَاتِ القِيَاسِيَّةِ الخَامِ. لَقَدْ تَمَّ تَطْبِيقُ أَسَالِيبِ التَّعَلُّمِ العَمِيقِ القَائِمَةِ عَلَى الشَّبَكَاتِ العَصَبِيَّةِ التَّلَافِيفِيَّةِ عَلَى نِطَاقٍ وَاسِعٍ لِإِزَالَةِ التَّشْوِيشِ مِنْ صُوَرِ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ مُنْخَفِضِ الجُرْعَةِ، مِمَّا أَسْفَرَ عَنْ نَتَائِجَ أَفْضَلَ مِنْ تِلْكَ الَّتِي حَقَّقَتْهَا التِّقْنِيَّاتُ التَّقْلِيدِيَّةُ. في المُقَابِلِ، أَظْهَرَتِ البِنَى الشَّبَكِيَّةُ القَائِمَةُ عَلَى المُحَوِّلَاتِ نَتَائِجَ وَاعِدَةً في نَمْذَجَةِ المَعْلُومَاتِ السِّيَاقِيَّةِ الشَّامِلَةِ دَاخِلَ الصُّوَرِ مِنْ خِلَالِ آلِيَّاتِ الانْتِبَاهِ الذَّاتِيِّ، وَلَا سِيَّمَا في مَجَالِ إِزَالَةِ التَّشْوِيشِ مِنْ صُوَرِ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ مُنْخَفِضِ الجُرْعَةِ. تَقْتَرِحُ هَذِهِ الأُطْرُوحَةُ طَرِيقَةً قَائِمَةً عَلَى إِطَارِ تَجْمِيعِ السِّيَاقِ مُتَعَدِّدِ المَرَاحِلِ وَمُتَعَدِّدِ الرُّتَبِ (FusionDenoNet) يَحْفَظُ التَّمْثِيلَاتِ ذَاتَ الدِّقَّةِ الكَامِلَةِ مَعَ دَمْجِ المِيزَاتِ المُعَزَّزَةِ لِلْحَوَافِّ بِطَرِيقَةٍ تَآزُرِيَّةٍ. يَتَفَوَّقُ FusionDenoNet عَلَى البَدَائِلِ القَائِمَةِ عَلَى المُحَوِّلَاتِ في الحِفَاظِ عَلَى البِنْيَةِ الهَنْدَسِيَّةِ مِنْ خِلَالِ الاسْتِفَادَةِ مِنَ التَّحَيُّزَاتِ الاسْتِقْرَائِيَّةِ المُتَأَصِّلَةِ في الشَّبَكَاتِ العَصَبِيَّةِ التَّلَافِيفِيَّةِ دُونَ التَّضْحِيَةِ بِالتَّفَاصِيلِ عَالِيَةِ التَّرَدُّدِ مِنْ خِلَالِ التَّقْلِيلِ مِنَ العَيِّنَاتِ. يَتَمَثَّلُ الابْتِكَارُ الرَّئِيسِيُّ لِلْبِنْيَةِ المِعْمَارِيَّةِ في اسْتِبْدَالِ الانْتِبَاهِ الذَّاتِيِّ بِمَزِيجٍ هَجِينٍ قَابِلٍ لِلْحِسَابِ مِنَ التَّلَافِيفِ العَمِيقَةِ وَتَجْمِيعِ البَوَّابَاتِ مُتَعَدِّدِ الرُّتَبِ، مِمَّا يَسْمَحُ بِنَمْذَجَةٍ سِيَاقِيَّةٍ فَعَّالَةٍ دُونَ قُيُودِ قَابِلِيَّةِ التَّوَسُّعِ المُرْتَبِطَةِ بِمُحَوِّلَاتِ الرُّؤْيَةِ. تَهْدُفُ هَذِهِ الابْتِكَارَاتُ إِلَى التَّغَلُّبِ عَلَى قُيُودِ التِّقْنِيَّاتِ الحَالِيَّةِ مِنْ مَنْظُورَاتٍ مُتَعَدِّدَةٍ وَتَعْزِيزِ تَطْوِيرِ تِقْنِيَّةِ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ الذَّكِيِّ مُنْخَفِضِ الجُرْعَة In recent years, low-dose CT intelligent imaging algorithms based on deep learning (DL) have made breakthrough progress.However, existing intelligent CT imaging algorithms exhibit limited generalization performance across different scanner types, dose levels, and real low-dose data. Moreover, there remains a lack of intelligent correction and reconstruction models for full-imaging-chain data starting from raw measurement data. Deep learning methods based on Convolutional Neural Networks (CNNs) have been widely applied for LDCT image denoising, yielding results superior to those of traditional techniques. In contrast, network architectures based on Transformers have demonstrated promising results in modeling global contextual information within images through self-attention mechanisms, particularly in the field of LDCT denoising. This thesis proposes a method based on a multi-stage multi-order context aggregation framework (FusionDenoNet) that preserves full-resolution representations while integrating edge-enhanced features in a synergistic manner. FusionDenoNet outperforms Transformer-based alternatives in geometric structure preservation by leveraging the inherent inductive biases of CNNs without sacrificing high-frequency details through downsampling. The main innovation of the architecture is the substitution of a computationally tractable hybrid of depthwise convolutions and multi-order gated aggregation for self-attention, which allows for efficient context modeling without ViT-related scalability limitations. These innovations aim to overcome the limitations of existing technologies from multiple perspectives and advance the development of low-dose CT intelligent imaging technology. . Ces dernières années, les algorithmes d'imagerie intelligente par tomodensitométrie à faible dose basés sur l'apprentissage profond (DL) ont fait des progrès considérables. Cependant, les algorithmes d'imagerie CT intelligents existants présentent des performances de généralisation limitées entre les différents types de scanners, les niveaux de dose et les données réelles à faible dose. De plus, il manque encore des modèles intelligents de correction et de reconstruction pour les données de la chaîne d'imagerie complète à partir des données de mesure brutes. Les méthodes d'apprentissage profond basées sur les réseaux neuronaux convolutifs (CNN) ont été largement utilisées pour le débruitage des images LDCT, donnant des résultats supérieurs à ceux des techniques traditionnelles. En revanche, les architectures de réseau basées sur les transformateurs ont donné des résultats prometteurs dans la modélisation des informations contextuelles globales au sein des images grâce à des mécanismes d'auto-attention, en particulier dans le domaine du débruitage LDCT. Cette thèse propose une méthode basée sur un cadre d'agrégation contextuelle multi-étapes et multi-ordres (FusionDenoNet) qui préserve les représentations en pleine résolution tout en intégrant de manière synergique des caractéristiques améliorées au niveau des contours. FusionDenoNet surpasse les alternatives basées sur Transformer en matière de préservation de la structure géométrique en tirant parti des biais inductifs inhérents aux CNN sans sacrifier les détails à haute fréquence par sous-échantillonnage. La principale innovation de l'architecture réside dans le remplacement de l'auto-attention par un hybride hybride de convolutions en profondeur et d'agrégation à plusieurs ordres, qui permet une modélisation efficace du contexte sans les limitations de scalabilité liées au ViT. Ces innovations visent à surmonter les limites des technologies existantes sous plusieurs angles et à faire progresser le développement de la technologie d'imagerie intelligente par tomodensitométrie à faible dose. Mon, 05 Oct 2026 00:00:00 GMT http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8655 2026-10-05T00:00:00Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8629 Defect identification in composite materials using inverse methods يزير, سعد Yazir Saad تتأثر سلامة وموثوقية المنشآت الهندسية بشكل كبير بوجود العيوب التي قد تنشأ أثناء عمليات التصنيع أو خلال فترة الخدمة. ويُعد الانفصال الطبقي (Delamination) من أخطر آليات الضرر في المنشآت الطبقية والمواد المركبة، لما يسببه من انخفاض في الصلابة، وتغير في السلوك الديناميكي، وقد يؤدي في النهاية إلى فشل مبكر للمنشأ. ولذلك، أصبح تطوير تقنيات فعالة للكشف عن الانفصال الطبقي وتوصيفه موضوعًا ذا أهمية كبيرة في مجال مراقبة الحالة الإنشائية (Structural Health Monitoring) والتعرف على الأضرار المعتمد على الاهتزازات. تتناول هذه الأطروحة استخدام الخصائص الاهتزازية للتعرف على الانفصال الطبقي في المنشآت الشبيهة بالعوارض، وتقدم منهجًا تحليليًا عكسيًا يعتمد على الترددات الطبيعية. وترتكز الطريقة على نموذج الأنماط المقيدة (Constrained Mode Model)، الذي يُعتمد بوصفه النموذج التحليلي المباشر لوصف سلوك الاهتزاز الحر لعارضة تحتوي على انفصال طبقي. ومن خلال تطبيق شروط الحدود وشروط الاستمرارية، يتم تكوين مصفوفة مميزة، ويُستخرج محددها بدلالة التردد الطبيعي ومعلمات الانفصال الطبقي. وقد تم تطوير النموذج العكسي مباشرةً انطلاقًا من شرط الرنين للنموذج المباشر. ففي حالة العارضة المتضررة بالانفصال الطبقي، تُعد الترددات الطبيعية الثلاثة الأولى بيانات إدخال معلومة. ويُعوَّض بكل تردد في محدد المصفوفة المميزة مع فرض شرط الرنين، مما يؤدي إلى توليد ثلاث معادلات غير خطية. وتُصاغ هذه المعادلات بدلالة موقع الانفصال الطبقي وحجمه وعمقه، والتي تمثل المعلمات المجهولة في المسألة العكسية. بعد ذلك، يُحل النظام غير الخطي الناتج باستخدام إجراء بياني يتيح تحديد خصائص الانفصال الطبقي. لا يتطلب المنهج المقترح سوى ثلاثة ترددات طبيعية، ولا يعتمد على خوارزميات التحسين، أو تقنيات الذكاء الاصطناعي، أو تحديث نماذج العناصر المحددة، أو قواعد بيانات انزياح الترددات، أو الترددات المرجعية لعارضة سليمة. وقد طُبقت المنهجية على عوارض مثبتة من الطرفين، وكابولية (مثبتة من طرف واحد)، ومثبتة من طرف ومسنودة ببساطة من الطرف الآخر. وتُظهر النتائج المتحصل عليها أن النموذج التحليلي العكسي المقترح قادر على تحديد معلمات الانفصال الطبقي بدقة، ويوفر إطارًا تحليليًا بسيطًا وفعالًا للتعرف على الأضرار اعتمادًا على الخصائص الاهتزازية L’intégrité et la fiabilité des structures d’ingénierie sont fortement affectées par la présence de défauts susceptibles d’apparaître au cours de la fabrication ou en service. Parmi ces défauts, le délaminage constitue l’un des mécanismes d’endommagement les plus critiques dans les structures stratifiées et composites, car il réduit la rigidité, modifie le comportement dynamique et peut conduire à une défaillance prématurée de la structure. Par conséquent, le développement de techniques efficaces pour la détection et la caractérisation du délaminage est devenu un sujet majeur dans le domaine de la surveillance de l’état des structures (Structural Health Monitoring) et de l’identification des dommages basée sur les vibrations. Cette thèse étudie l’utilisation des caractéristiques vibratoires pour l’identification du délaminage dans des structures de type poutre et propose une approche analytique inverse fondée sur les fréquences propres. La méthode repose sur le modèle des modes contraints (Constrained Mode Model), adopté comme modèle analytique direct afin de décrire le comportement en vibration libre d’une poutre délaminée. En appliquant les conditions aux limites et les conditions de continuité, une matrice caractéristique est établie, dont le déterminant est obtenu en fonction de la fréquence propre et des paramètres du délaminage. Le modèle inverse est développé directement à partir de la condition de résonance du modèle direct. Pour une poutre délaminée, les trois premières fréquences propres sont considérées comme des données d’entrée connues. Chaque fréquence est substituée dans le déterminant caractéristique, et la condition de résonance est imposée, ce qui conduit à un système de trois équations non linéaires. Ces équations sont exprimées en fonction de la position, de la taille et de la profondeur du délaminage, qui constituent les paramètres inconnus du problème inverse. Le système non linéaire obtenu est ensuite résolu au moyen d’une procédure graphique permettant d’identifier les caractéristiques du délaminage. L’approche proposée ne nécessite que trois fréquences propres et ne fait appel ni à des algorithmes d’optimisation, ni à des techniques d’intelligence artificielle, ni à la mise à jour de modèles par éléments finis, ni à des bases de données de décalages fréquentiels, ni à des fréquences de référence provenant d’une poutre saine. La méthodologie est appliquée à des poutres encastrées–encastrées, encastrées–libres (porte-à-faux) et encastrées–appuyées simplement. Les résultats obtenus montrent que le modèle inverse proposé permet d’identifier avec précision les paramètres du délaminage et offre un cadre analytique simple et efficace pour l’identification des dommages basée sur les vibrations. The integrity and reliability of engineering structures are strongly affected by the presence of defects that may develop during manufacturing or service. Among these defects, delamination is one of the most critical damage mechanisms in layered and composite structures, as it reduces stiffness, modifies the dynamic behaviour, and may lead to premature structural failure. Consequently, the development of efficient techniques for the detection and characterization of delamination has become an important topic in structural health monitoring and vibration-based damage identification. This thesis investigates the use of vibration characteristics for the identification of delamination in beam-like structures and presents an inverse analytical approach using natural frequencies. The method is based on the constrained mode model, which is adopted as the forward analytical model to describe the free vibration behaviour of a delaminated beam. By applying the boundary and continuity conditions, a characteristic matrix is established, and its determinant is obtained as a function of the natural frequency and the delamination parameters. The inverse model is developed directly from the resonance condition of the forward model. For a delaminated beam, the first three natural frequencies are considered as known input data. Each frequency is substituted into the characteristic determinant, and the resonance condition is imposed, generating three nonlinear equations. These equations are written in terms of the delamination location, size, and depth, which constitute the unknown parameters of the inverse problem. The resulting nonlinear system is then solved using a graphical procedure to identify the delamination characteristics. The proposed approach requires only three natural frequencies and does not rely on optimization algorithms, artificial intelligence techniques, finite element model updating, frequency-shift databases, or reference frequencies from an undamaged beam. The methodology is applied to clamped–clamped, cantilever, and clamped–simply supported beams. The obtained results demonstrate that the proposed inverse model can accurately identify the delamination parameters and provides a simple and efficient analytical framework for vibration-based damage identification. Sun, 11 Oct 2026 00:00:00 GMT http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8629 2026-10-11T00:00:00Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8608 Application des techniques d’apprentissage automatique pour la prédiction de la rigidité des sols-supports des structures de chaussées // Application of machine learning techniques to predict the subgrades-soil strength for pavement structure بوقدرة, بلال Bouguedra Billel Le CBR est un indicateur clé de la rigidité des structures de chaussées. Cependant, sa détermination nécessite des efforts sur le terrain et en laboratoire, ainsi qu'un temps considérable. C'est pourquoi l'AI a été utilisée pour prédire les valeurs du CBR. Grâce à l'observation et à le questionnaire au niveau des archives du laboratoire de sol et des matériaux du Organisme CTTP, une base de données a été constituée, comprenant 1123 échantillons de sols fins provenant de divers régions du nord-est de l'Algérie. Cette base de données comprend 12 paramètres du sol qui représentent la granulométrie, la plasticité et les caractéristiques de compactage. Cinq modèles de ML ont été développés à savoir : MLR, MLPNN, RF, GPR et SVR. La technique de validation croisée en 10-fold a été intégrée aux les cinq modèles pour une division optimale des données entre l'entraînement et le test et pour éviter le sur-apprentissage. De plus, les deux modèles GPR et SVR ont été hybride avec l'Algorithme d'Optimisation Bayésienne (TPE) pour ajuster les hyper-paramètres de ces deux modèles afin d'obtenir une meilleure efficacité. Les performances des modèles sont évaluées selon les valeurs de coefficient de détermination (R2) ainsi que les erreurs (MSE, RMSE, MAE et MAPE(%)). D’autre part l’utilisation des techniques avancées de sélection des données à travers les deux méthodes RFE et EFS a permis de réduire la taille des données de 12 entrées à seulement 7, ce qui a également amélioré la performance de modèles. Les résultats de l'étude ont donné des valeurs satisfaisantes avec les deux modèles GPR et SVR, avec des valeurs de R² dépassant le seuil de 95% et de faibles taux d'erreur, ce qui prouve la bonne réponse des deux modèles aux techniques d'optimisation dans cette étude. Cependant, à travers la comparaison, il a été démontré que le GPR est plus efficace et surpasse les modèles conventionnels, En plus de sa supériorité sur les modèles hybrides (SVR, H-DNN, H-XGB, H-LGB et H-Ada). Les résultats de performance de modèle GPR hybridé sont : (𝑅²=0.9982/0.9935, 𝑀𝑆𝐸=0.0768/0.2974, 𝑅𝑀𝑆𝐸=0.2771/0.5453, 𝑀𝐴𝐸=0.2107/0.4364 et 𝑀𝐴𝑃𝐸(%)=5.32/13.79). En fin l'application de la méthode SHAP sur le modèle de GPR et Sobol sur le modèle de SVR a montré que la densité sèche optimale (MDD) des échantillons est l'entrée ayant le plus d’impact sur la sortie CBR. The CBR is a key indicator of the strentgh of pavement structures. However, its determination requires efforts in the field and in the laboratory, as well as considerable time. This is why AI has been used to predict CBR values. Through observation and a questionnaire at the archives of the soil and materials laboratory of the CTTP organization, a database was created, including 1123 samples of fine soils from various regions of north-eastern Algeria. This database includes 12 soil parameters that represent grain size, plasticity, and compaction characteristics. Five ML models were developed, namely: MLR, MLPNN, RF, GPR, and SVR. The 10-fold cross validation technique was integrated into the five models for optimal data partitioning between training and testing and to avoid overfitting. Additionally, the GPR and SVR models were hybridized with the Bayesian Optimization Algorithm (TPE) to fine-tune the hyperparameters of these two models for better efficiency. The performance of the models is evaluated according to the coefficient of determination (R²) as well as errors (MSE, RMSE, MAE, and MAPE(%)). Furthermore, the use of advanced data selection techniques through the two methods RFE and EFS allowed for reducing the size of the data from 12 inputs to only 7, which also improved the performance of the models. The results of the study provided satisfactory values for both GPR and SVR models, with R² values exceeding the threshold of 95% and low error rates, demonstrating the good responsiveness of both models to optimization techniques in this study. However, through comparison, it has been shown that GPR is more effective and surpasses conventional models, in addition to its superiority over hybrid models (SVR, H-DNN, H-XGB, H-LGB, and H-Ada). The performance results of the hybrid GPR model are : (𝑅²=0.9982/0.9935, 𝑀𝑆𝐸=0.0768/0.2974, 𝑅𝑀𝑆𝐸=0.2771/0.5453, 𝑀𝐴𝐸=0.2107/0.4364 et 𝑀𝐴𝑃𝐸(%)=5.32/13.79). Finally, the application of the SHAP method on the GPR model and Sobol on the SVR model showed that the optimal dry density (MDD) of the samples is the input having the most impact on the CBR output. تُعدّ نسبة كاليفورنيا لتحمّل التربة (CBR) مؤشرًا أساسيًا لتقييم مقاومة طبقات الرصف. غير أنّ تحديد هذه النسبة يتطلب بذل جهود ميدانية ومخبرية، فضلًا عن استغراق وقت معتبر. لذلك، تمّ اللجوء إلى تقنيات الذكاء الاصطناعي للتنبؤ بقيم CBR. ومن خلال المعاينة والاستبيان على مستوى أرشيف مخبر التربة والمواد التابع لهيئة CTTP، تمّ إنشاء قاعدة بيانات تضمّ 1123 عيّنة من التربة الناعمة المأخوذة من مناطق مختلفة من شمال شرق الجزائر. وتشتمل هذه القاعدة على 12 متغيرًا للتربة تمثّل خصائص التدرّج الحبيبي، واللدونة، والدمك. تمّ تطوير خمسة نماذج للتعلّم الآلي، وهي: الانحدار الخطي المتعدد (MLR)، والشبكة العصبية الاصطناعية متعددة الطبقات (MLPNN)، والغابة العشوائية (RF)، والانحدار بعملية غاوسية (GPR)، والانحدار بالمتجهات الداعمة (SVR). كما تمّ دمج تقنية التحقّق المتقاطع ذي الطيات العشر (10-fold Cross-Validation) ضمن النماذج الخمسة، بهدف تحقيق تقسيم أمثل للبيانات بين مجموعتي التدريب والاختبار، وتجنّب فرط التعلّم. بالإضافة إلى ذلك، تمّ دمج نموذجي GPR وSVR مع خوارزمية التحسين البايزي (TPE)، من أجل ضبط المعلمات الفائقة لهذين النموذجين وتحسين كفاءتهما. تمّ تقييم أداء النماذج اعتمادًا على معامل التحديد (R²)، بالإضافة إلى مؤشرات الخطأ، وهي: متوسط مربع الخطأ (MSE)، والجذر التربيعي لمتوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE%). علاوة على ذلك، أتاح استخدام تقنيات متقدمة لاختيار المتغيرات، من خلال طريقتي الإزالة التكرارية للمتغيرات (RFE) والاختيار الأمثل للخصائص (EFS)، تقليص عدد المدخلات من 12 متغيرًا إلى 7 متغيرات فقط، وهو ما ساهم أيضًا في تحسين أداء النماذج. أظهرت نتائج الدراسة أداءً مُرضيًا لكلّ من نموذجي GPR وSVR، حيث تجاوزت قيم معامل التحديد (R²) نسبة 95%، مع تسجيل معدلات خطأ منخفضة، مما يدلّ على الاستجابة الجيدة لكلا النموذجين لتقنيات التحسين المعتمدة في هذه الدراسة. غير أنّ المقارنة بين النماذج بيّنت أنّ نموذج GPR أكثر فعالية، إذ تفوّق على النماذج التقليدية، فضلًا عن تفوّقه على النماذج الهجينة الأخرى، وهي: SVR وH-DNN وH-XGB وH-LGB وH-Ada. وقد سجّل نموذج GPR الهجين مؤشرات الأداء التالية: (R² = 0.9982/0.9935، وMSE = 0.0768/0.2974، وRMSE = 0.2771/0.5453، وMAE = 0.2107/0.4364، وMAPE (%) = 5.32/13.79). وأخيرًا، أظهر تطبيق طريقة SHAP على نموذج GPR وطريقة مؤشرات سوبول (Sobol) على نموذج SVR أنّ الكثافة الجافة القصوى (MDD) لعيّنات التربة تمثّل المتغير الأكثر تأثيرًا في القيمة المتوقعة لنسبة CBR. Tue, 07 Jul 2026 00:00:00 GMT http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8608 2026-07-07T00:00:00Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8607 Automatic Seegmentation Medical Image Using Deep Learning لحمر, حنين Lahmar Hanine يشهد قطاع الرعاية الصحية تطورًا سريعًا في مجالال تشخيص الطبي المدعوم بالذكاء الاصطناعي ، مع تزايد الاهتمام بتقنيات التعلّم العميق في تحليل الصور الطبية . تكمن أهمية هذا المجال في قدرته على تحسين دقة التشخيص ، وتسريع عملية التحليل ، وتقديم حلول مبتكرة للتحديات التي يواجهها الأطباء عند التفسير اليدوي للصور الطبية. في إطار هذاالعمل ، طُوّّ ِرنموذج انمُحسَّن انقائمان على شبكة Unet لتحسين دقة التجزئة الدلالية للصور الطبية .يتميز النموذج الأول وصلات التخطّي باستخدام طبقات التفافية إضافية للحفاظ على التفاصيل المكانية الدقيقة دون زيادة في التكلفة الحسابية .أماالنموذج الثاني ، فيستخدم مُشفّرًا قويًا قائمًا على شبكة VGG19، مُدرّبًا مسبقًا على مجموعة بيانات ImageNet، مقترنًا بمفكك مُحسَّن يتميز بكتل التفافية أعمق لتحسين الدقة المكانية .بالإضافة إلى ذلك ،تم استحداث مرحلة للمعالجةالأوليةلدراسةتأثيرتحسين الصورة على أداء عملية التجزئة ؛ حيث تم تطبيق مرشحات غاوسو الوسيط بشكل منفصل لتقليل الضوضاء ،بينمااستُخدمت تقنيةCLAHEلتحسين التباين .وقد أظهرت النتائج التجريبية تحسناً في دقة التجزئة،ممايثبت فعالية هذه الابتكارات المتعلقة بالبنية ومعالجة البيانات الأولية. ولمعالجة القيود الجوهرية في البنى الالتفافية التقليدية ، لاسيما فيما يتعلق بالتقاط العلاقات بعيدة المدى ، يقدم هذا العمل نموذجًا جديدًا أطلق عليهFGHQA-UNet،وهو إطار مبتكر للتجزئة يعتمد على البنية الأساسية ل ـU-Netمع دمج آلية الانتباه (FGHQA).AttentionQueryHybridGlobalFeatureتعتمد هذه الآلية على تمثيل هجين للاستعلامات (Queries)يدمج بين الخصائص المحلية والعالمية ، مما يعزز قدرة النموذج على نمذجة العلاقات السياقية الدقيقة داخل الصورالطبية.ومن خلال هذاالتكامل،يتجاوزالنموذج القيود المرتبطة بالاعتماد الحصري على الالتفافات التقليدية ،حيث يتم تحسين تمثيل الميزات عبر دمج المعلومات المكانية الدقيقة مع السياق العالمي بصورة متزامنة ،بمايحقق توازنًا فعالًا بين الدقة التمثيلية والكفاءة الحسابية .كماتسهم استراتيجية المعالجة المسبقة المعتمدة في رفع جودة البيانات المدخلة وتقليل الضوضاء وتحسين الكفاءة الحسابية ، مماينعكس إيجابًا على أداء النموذج أثناء التدريب والاستدلال. وقد تم تصميم بنيةFGHQA-UNetبما يضمن تحقيق توازن بين الدقة الحسابية والكفاءة التشغيلية مع الحفاظ على القدرة علىا ستخراج السمات الدقيقة في البيئات الطبية المعقدة .وقدتم تقييم النموذج المقترح على ثلاث مجموعات بيانات معيارية للتجزئة الطبية هيBraTSوKiTSوLiTS،حيث أظهرت النتائج التجريبية تفوقه على أحدث الأساليب المنافسة من حيث دقة التجزئة والكفاءة الحسابية ، ممايؤكد فعاليته وجدواه في تطبيقات التصوير الطبي المعزز بالتعلم العميق. The healthcare sector is witnessing rapid development in the field of artificial intelligence-powered medical diagnosis, with deep learning (DL) techniques gaining increasing attention in medical image analysis. The importance of this field lies in its ability to improve diagnostic accuracy, speed up the analysis process, and provide innovative solutions to the challenges faced by physicians in manual interpretation of medical images. As part of this work, two enhanced Unet-based models were developed to improve the semantic segmentation accuracy of medical images. The first model deepens skip connections using additional convolutional layers to better preserve fine spatial detail without increasing computational cost. The second model uses a robust VGG19-based encoder, pre-trained on the ImageNet dataset, coupled with an enhanced decoder featuring deeper convolutional blocks for improved spatial resolution. Additionally, a preprocessing stage was introduced to investigate the impact of image enhancement on segmentation performance. Gaussian and median filters were applied separately for noise reduction, while CLAHE was employed for contrast enhancement. The experimental results showed an improvement in segmentation accuracy, proving the effectiveness of these architectural and preprocessing innovations. To address the fundamental limitations of traditional convolutional architectures, particularly in capturing long-range dependencies, this work introduces a new model termed FGHQA-Unet, an innovative segmentation framework built upon the core Unet architecture with the integration of the Feature Global Hybrid Query Attention (FGHQA) mechanism. This mechanism relies on a hybrid attention framework that combines local and global representations, while employing a hybrid query representation that enhances the model’s ability to model fine-grained contextual relationships within medical images. Through this integration, the model overcomes the constraints associated with exclusive reliance on traditional convolutions by improving feature representation through the simultaneous fusion of precise spatial information and global context, thereby achieving an effective balance between representational accuracy and computational efficiency. In addition, the adopted preprocessing strategy contributes to improving input data quality, reducing noise, and enhancing computational efficiency, which positively reflects on the model’s performance during both training and inference. The FGHQA-Unet architecture is designed to ensure a balance between computational accuracy and operational efficiency while maintaining the ability to extract fine-grained features in complex medical environments. The proposed model was evaluated on three benchmark medical segmentation datasets, BraTS, KiTS, and LiTS, where experimental results demonstrated its superiority over recent advanced methods in terms of segmentation accuracy and computational efficiency, confirming its effectiveness and practicality for DL–based medical imaging applications. Le secteur de la santé connaît un développement rapide dans le domaine du diagnostic médical établi sur l'intelligence artificielle, les techniques d'apprentissage profond gagnant en importance dans l'analyse d'images médicales. L'importance de ce domaine réside dans sa capacité à améliorer la précision diagnostique, à accélérer le processus d'analyse et à apporter des solutions innovantes aux défis rencontrés par les médecins lors de l'interprétation manuelle des images médicales. Dans le cadre de ce travail, deux modèles Unet améliorés ont été développés afin d'optimiser la précision de la segmentation sémantique des images médicales. Le premier modèle approfondit les connexions résiduelles grâce à des couches convolutionnelles supplémentaires, préservant ainsi les détails spatiaux fins sans augmenter la charge de calcul. Le second modèle utilise un encodeur robuste basé sur VGG19, pré-entraîné sur le jeu de données ImageNet, associé à un décodeur amélioré intégrant des blocs convolutionnels plus profonds pour une meilleure résolution spatiale.De plus, une étape de prétraitement a été introduite afin d’étudier l’impact de l’amélioration des images sur les performances de la segmentation. Les filtres Gaussian et median ont été appliqués séparément pour la réduction du bruit, tandis que la méthode CLAHE a été utilisée pour l’amélioration du contraste. Les résultats expérimentaux ont montré une amélioration de la précision de la segmentation, confirmant ainsi l’efficacité des approches architecturales et de prétraitement proposé. Afin de remédier aux limitations fondamentales des architectures convolutionnelles traditionnelles notamment en ce qui concerne la capture des dépendances à longue portée , ce travail propose un nouveau modèle nommé FGHQA-Unet, un cadre innovant de segmentation fondé sur l’architecture de base d’Unet et intégrant le mécanisme Feature Global Hybrid Query Attention (FGHQA). Ce mécanisme repose sur un cadre d’attention hybride qui combine des représentations locales et globales, tout en employant une représentation hybride des requêtes (queries) qui renforce la capacité du modèle à modéliser des relations contextuelles fines au sein des images médicales. Grâce à cette intégration, le modèle dépasse les contraintes liées à l’utilisation exclusive des convolutions classiques en améliorant la représentation des caractéristiques par la fusion simultanée d’informations spatiales précises et du contexte global, permettant ainsi d’atteindre un équilibre efficace entre précision représentationnelle et efficacité computationnelle. Par ailleurs, la stratégie de prétraitement adoptée contribue à améliorer la qualité des données d’entrée, à réduire le bruit et à accroître l’efficacité computationnelle, ce qui se reflète positivement sur les performances du modèle lors de l’entraînement et de l’inférence. L’architecture FGHQA-Unet a été conçue de manière à garantir un équilibre entre précision computationnelle et efficacité opérationnelle, tout en conservant la capacité d’extraire des caractéristiques fines dans des environnements médicaux complexes. Le modèle proposé a été évalué sur trois jeux de données de référence en segmentation médicale, BraTS, KiTS et LiTS, où les résultats expérimentaux ont démontré sa supériorité par rapport aux méthodes récentes de l’état de l’art, tant en termes de précision de segmentation que d’efficacité computationnelle, confirmant ainsi son efficacité et sa pertinence pour les applications d’imagerie médicale basées sur l’apprentissage profond. Sat, 03 Oct 2026 00:00:00 GMT http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8607 2026-10-03T00:00:00Z