University of Bordj Bou Arreridj
Welcome to the Digital Repository of University Mohamed El Bachir El Ibrahimi - Bordj Bou Arreridj
Communities in University of Bordj Bou Arreridj Repository
Select a community to browse its collections.
- كلية الحقوق والعلوم السياسية
- كلية الآداب واللغات
- كلية الرياضيات و الأعلام الآلي
- كلية علوم الطبيعة و الحياة و علوم الأرض و الكون
- كلية العلوم الاقتصادية والتجارية وعلوم التسيير
- Faculté des sciences et de la technologie
- كلية العلوم الاجتماعية والإنسانية
Recent Submissions
Classification des IRM cérébrales Pathologiques avec Optimisation
(university of bordj bou arreridj, 2025) Djebarni ilyes
The automatic classification of brain MRI images represents a fundamental challenge
in the medical field, as it effectively assists practitioners in diagnosing cerebral pathologies.
In this study, we explored several artificial intelligence approaches for multi-class brain
tumor classification by evaluating different models : a traditional Convolutional Neural
Network (CNN), the ResNet-18 model with and without optimization, the same model
combined with the symbolic DRB classifier, and the Vision Transformer (ViT) model in
both its base and optimized versions. Model optimization was performed using the Adam
algorithm, known for its rapid convergence. Experimental results demonstrated varying
performance across the tested models. The optimized CNN achieved a notable accuracy of
98.02%.confirming its effectiveness despite its relative simplicity. The optimized ResNet
18 delivered excellent performance with 99.08% accuracy and F1-scores exceeding 0.98
for most classes, indicating strong generalization and optimal model tuning. In contrast,
its DRB classifier-integrated version without optimization reached 91.61%, highlighting
both the potential and limitations of this combination without prior refinement. The
ViT model’s case was particularly remarkable : without optimization, it achieved only
25.30% accuracy, reflecting poor initial learning capability. However, after optimization,
its performance surged to 99.79%, making it the best-performing model in the study.
This result clearly demonstrates the crucial importance of optimization in machine lear
ning systems, particularly for advanced architectures. In summary, this work highlights
the complementary roles of model architecture, classifier selection, and optimization tech
niques in developing high-performance intelligent systems for brain MRI classification.
The findings open promising avenues for integrating these models into clinical diagnostic
tools to enhance accuracy and efficiency in medical diagnosis
Un nouveau protocole à état de lien basé sur l’énergie résiduelle des nœuds et la stabilité des liens pour les réseaux FANET
(university of bordj bou arreridj, 2025) Bouderouaz Djouaria; Bensefia Nadine
Les réseaux mobiles aériens (FANETs : Flying Ad-Hoc Networks) est une sous-classe des
réseaux ad hoc dédiée à la communication entre les drones. Parmi les grands défis de ce type
de réseau est le routage de données avec qualité de service. Malheureusement, les protocoles
de routage ad hoc tel qu’ils sont ne sont pas adaptés au réseaux FANETs. Dans ce travail nous
proposons une amélioration au protocole OLSR standard pour qu’il pend en considération les
contraintes spécifiques aux FANETS. L’idée proposée est d’améliorer la sélections des MPR
(MultiPoint Relays) en intégrant des métriques sensibles à la QoS : l’énergie résiduelle des
nœuds, le nombre de voisins à deux sauts, ainsi que la variance des distances entres les drones.
Les résultats de simulations obtenus en comparaison avec OLSR standard montrent que le
nouveau protocole réduise significativement la perte de paquets entre les communicants.
EXPLORATION,VISUALISATIONETAPPRENTISSAGE SUPERVISÉ SURLESDONNEESCOVID-19
(university of bordj bou arreridj, 2025) MEDJAAFIBTISSEM TABTI ROMAISSA; TABTI ROMAISSA
This thesis presents a comprehensive application of data science to a real-world healthcare
case: analyzing and modeling clinical data related to COVID-19. Using a dataset of over 5,000
records and 100 variables, we followed the essential stages of a data science project.
The process began with thorough data preprocessing, including cleaning, encoding, handling
missing values, and validating the dataset. Then, we conducted detailed exploratory data
analysis to uncover distributions, relationships, and patterns.
The core of the project is supervised learning. We trained and evaluated several classification
algorithms (Random Forest, SVM, KNN, AdaBoost), using metrics such as accuracy, F1-score,
and ROC-AUC. This comparative analysis allowed us to select the most effective model for
predicting SARS-CoV-2 test outcomes.
Our work was carried out using modern tools like Python, Google Colab, and libraries such
as Scikit-learn, Pandas, and Seaborn. We also benefited from educational content like Machine
Learnia’s tutorials to enhance our methodology.
In conclusion, this thesis demonstrates the power of data science in healthcare, while also
highlighting the technical, ethical, and operational challenges of integrating artificial
intelligence into medical decision-making systems.
Apprentissage Supervisé Pour La Reconnaissance Facial Des Images à Basse Résolution
(university of bordj bou arreridj, 2025) BOUGUERRAHAYAT; HAMIDI HADJER
La reconnaissance faciale est une technologie clé des systèmes biométriques, largement
utilisée dans la sécurité et la surveillance. Toutefois, ses performances dépendent fortement de
la qualité des images. Dans les cas de basse résolution typiques des vidéos de surveillance ou
d’images web les modèles classiques perdent en efficacité à cause du manque de détails visuels.
Cetravail traite de la reconnaissance faciale en basse résolution (LRFR). Il vise à surmonter
des défis majeurs tels que la perte de traits faciaux, les variations de pose, d’éclairage et les
occultations, en adoptant une approche hybride.
La méthode repose sur l’utilisation de CNN pour l’extraction de caractéristiques, de mo
dèles pré-entraînés (VGG-Face, MobileNetV2) pour une représentation robuste, et de tech
niques de super-résolution (Bicubic, Lanczos, FSRCNN) pour améliorer la netteté des images
avant reconnaissance.
Nous intégrons également le Few-Shot Learning, permettant d’identifier un individu avec
très peu d’exemples annotés une contrainte fréquente dans les bases de données réelles.
Les résultats montrent qu’une reconnaissance efficace est possible, même à partir d’images
de faible qualité, grâce à une combinaison cohérente de traitement d’image et d’apprentissage
profond.
Mots-clés : Reconnaissance faciale en basse résolution (LRFR), Réseaux de neurones convo
lutifs (CNN), Super-résolution (SR), VGG-Face, MobileNetV2, Few-Shot Learning, Appren
tissage profond, Prétraitement d’images, Données faibl
Brain Tumor Detection Using U-Net and SVM
(university of bordj bou arreridj, 2025) BENGUEZZOUMohammed; BENYAHIAOUI Mohamed Assil
Brain tumors, particularly gliomas, pose a significant clinical challenge, requiring both
precise localization and accurate grading to guide treatment. Accurate segmentation of tumor
regions is a critical first step, enabling meaningful analysis and interpretation of the affected
areas. In this project, we present a hybrid framework that first segments tumor regions in brain
Magnetic Resonance Imaging (MRI) scans using a U-Net model trained on the Brain Tumor
Segmentation dataset, and then classifies these regions as Low-Grade or High-Grade Gliomas
with a Support Vector Machine (SVM) model based on features extracted from the segmented
masks. On the held-out test set, our U-Net achieved an accuracy of 99.3%, while the SVM
classifier delivered an overall accuracy of 93%.