Accueil › Annuaire des chercheurs › Hamid El Malali
Hamid El Malali
Affiliation : Université Hassan 1er
- 14Publications (affiliation marocaine)
- 17Publications au total
- 28Citations
- 3Indice h
Profil de recherche
Hamid El Malali compte 14 publications référencées (2020–2026). Ses travaux paraissent principalement dans « Lecture notes in networks and systems », « International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET) » et « International Conference on Intelligent Systems and Digital Applications (ISDA) ». Son article le plus cité, « A Contrast Enhancement Model for X-Ray Mammograms Using Modified Local s-Curve Transformation Based on Multi-Objective Optimization » (2020), a été cité 14 fois. 11 de ces publications datent des trois dernières années d’activité. Ses travaux sont cosignés avec au moins 12 chercheurs.
C’est vous ? Faites connaître vos travaux
Créez gratuitement votre profil DzCademia et ajoutez vos articles : ils apparaîtront plus facilement sur Google et dans les assistants d’IA comme ChatGPT. Plus de personnes pourront vous lire et vous citer.
Créer mon profil gratuit Ajouter mes publicationsDomaines de recherche
- Medical Image Segmentation Techniques
- Digital Radiography and Breast Imaging
- Artificial Intelligence in Healthcare
- Cardiac Valve Diseases and Treatments
- Emotion and Mood Recognition
Publications (14)
- Toward Automatic Pain Detection : Thermographic and Artificial Intelligence Approaches
- Enhancing Automated Detection of Aortic Stenosis Severity Using Semi-supervised Learning with Transthoracic Echocardiographic Images
- Optical Biosensor Based on a Photonic Crystal for Real-Time Detection of Proteins in Sports Performance Monitoring
- The influence of EEG noise and filtering strategies on feature extraction for neurological applications
- Cross-Domain Multimodal Pain Detection Using a DANN–Transformer Architecture with Supervised Contrastive Warmup and Test-Time Augmentation
- BackMix-Enhanced Semi-Supervised Learning for Automated Detection of Aortic Stenosis from Transthoracic Echocardiographic Images
- Enhancing Aortic Stenosis Severity Detection from ETT Images Using Supervised Learning and Background Mixing Techniques
- AI-Driven Diagnosis of Neurological Disorders: A Comparative Study of ML and DL Techniques
- Development of a Personalized and Low-Cost 3D-Printed Liver Model for Preoperative Planning of Hepatic Resections
- Advanced Diagnosis of Aortic Stenosis Disease Based on Ultrasound Images: A Novel Artificial Intelligence Approach
- New technic of transfer learning for detecting epilepsy by EfficientNet and DarkNet models
- A Contrast Enhancement Model for X-Ray Mammograms Using Modified Local s-Curve Transformation Based on Multi-Objective Optimization
- Adaptive Local Gray-Level Transformation Based on Variable S-Curve for Contrast Enhancement of Mammogram Images
- Fully Automatic Computer-Aided Detection of Breast Cancer based on Genetic Algorithm Optimization
Revues de publication
- Lecture notes in networks and systems × 4
- International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET) × 3
- International Conference on Intelligent Systems and Digital Applications (ISDA) × 1
- Journal of Electronics Electromedical Engineering and Medical Informatics × 1
- Applied Sciences × 1
- Advanced ultrasound in diagnosis and therapy × 1
Publications par année
- 20268
- 20253
- 20203
Collaborations
Établissements partenaires : University of Hassan II Casablanca · Cadi Ayyad University
Co-auteurs
- Azeddine Mouhsen
- Mohamed Harmouchi
- Lhoucine Ben Taleb
- Fatima Ezzahra Elkouahy
- Mourad Rattal
- Aissam Lyazidi
- Abdelhadi Assir
- Maryem Berradi
- Samia Bouchfar
- Yassmine Bouchfar
- Youssef Ben Youssef
- Badreddine Labakoum
Données bibliographiques issues d’OpenAlex (base ouverte).
Pourquoi choisir Dzcademia ?
Pour donner à vos travaux plus de chances d’être découverts et recommandés par les IA. Profils, articles et communications : donnez à votre recherche une présence publique structurée. Les métadonnées intégrées aident les moteurs de recherche et les assistants IA à identifier vos travaux et à comprendre leurs références.
Commenter avec Google
Connecte-toi avec Google pour commenter directement sur cette page.