Accueil › Annuaire des chercheurs › Amal Jlassi
Amal Jlassi
Affiliation : Tunis University · Université Ibn Khaldoun · Tunis El Manar University
- 18Publications (affiliation tunisienne)
- 19Publications au total
- 64Citations
- 5Indice h
Profil de recherche
Amal Jlassi compte 18 publications référencées (2019–2026). Ses travaux paraissent principalement dans « Lecture notes in computer science », « SN Computer Science » et « International Conference on Control, Decision and Information Technologies (CoDIT) ». Son article le plus cité, « Potato Leaf Disease Classification Using Transfer Learning and Reweighting-Based Training with Imbalanced Data » (2024), a été cité 18 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
- Brain Tumor Detection and Classification
- Medical Imaging and Analysis
- Advanced Neural Network Applications
- Glioma Diagnosis and Treatment
Publications (18)
- A Self-Supervised Framework for Glioma Segmentation Using Swin UNETR
- PotatoXViT: XAI-Enhanced Lightweight Vision Transformers for Potato Leaf Disease Classification
- XAI-Enabled Custom CNN for Cross-Modal Generalization in Breast Cancer Detection
- Explainable AI-Driven Prediction of Chemoresistance in Cellular Models
- Deep Learning Revolution in Medical Image Analysis
- UTI-Dx-ViT: Enhancing UTI Diagnosis with YOLOv8 Segmentation and Vision Transformer-Based Classification
- BrainReportAI: An End-to-End Deep Learning Framework for Low-Grade Glioma Segmentation and Automated Radiology Reporting
- A Vector Quantization-Based U-Net for Robust Segmentation of Corpus Callosum
- Potato Leaf Disease Classification Using Transfer Learning and Reweighting-Based Training with Imbalanced Data
- 3DCC-MPNN: automated 3D reconstruction of corpus callosum based on modified PNN and marching cubes
- Segmented Glioma Classification Using Radiomics-Based Machine Learning: A Comparative Analysis of Feature Selection Techniques
- Brain Tumor Segmentation of Lower-Grade Glioma Across MRI Images Using Hybrid Convolutional Neural Networks
- Glioma Tumor's Detection and Classification Using Joint YOLOv7 and Active Contour Model
- ACCP-MC-U-Net: Automatic Corpus Callosum Parcellation from brain MRI scans using MultiClass U-Net
- Automation of MRI images segmentation of Brain structures and lesions
- Unsupervised Method Based on Superpixel Segmentation for Corpus Callosum Parcellation in MRI Scans
- Unsupervised Method based on Probabilistic Neural Network for the Segmentation of Corpus Callosum in MRI Scans
- Unsupervised Method based on Probabilistic Neural Network for the Segmentation of Corpus Callosum in MRI Scans
Revues de publication
- Lecture notes in computer science × 3
- SN Computer Science × 2
- International Conference on Control, Decision and Information Technologies (CoDIT) × 2
- International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP) × 2
- European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN) × 1
- International Symposium of Systems, Advanced Technologies and Knowledge (ISSATK) × 1
Publications par année
- 20264
- 20254
- 20243
- 20234
- 20201
- 20192
Collaborations
Établissements partenaires : University of Carthage · Université Tunis Carthage · Institut Pasteur de Tunis · National Engineering School of Tunis · Military Hospital of Tunis
Co-auteurs
- Walid Barhoumi
- Khaoula ElBedoui
- Chokri Maktouf
- Maram Issaoui
- Ichraf Jbir
- Amel Omri
- Sami Hafsi
- Amira Soudani
- Amani Elaoud
- Boudour Ammar
- Ahmed Harbaoui
- Haythem Ghazouani
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.