Mon travail porte sur la dynamique de certaines structures de données et sur les systèmes complexes. Nous avons présenté une approche de la combinatoire des tableaux et des permutations basée sur la dynamique. Cette approche, que nous appelons (Structures de Données Dynamiques) nous ouvre<br />la porte vers des applications en économie via les systèmes complexes.<br /><br />Les structures de données que nous avons étudiées sont les permutations qui ne contiennent pas de sous-suite croissante de longueur plus que deux, les tableaux de Young standards rectangles à deux lignes, les mots de Dyck et les codes qui lient ces structures de données.<br /><br />Nous avons proposé un modèle économique qui modélise le bénéfice d'un compte bancaire dont l'énumération des configurations possible se fait à l'aide d'un code adapté. Une seconde application<br />concerne l'évolution de populations d'automate génétique . Ces populations sont étudiées par analyse spectrale et des expérimentations sont données sur des automates probabilistes dont l'évolution conduit à contrôler la dissipation par auto-régulation.<br /><br />L'ensemble de ce travail a pour ambition de donner quelques outils calculatoires liés à la dynamique de structures de données pour analyser la complexité des systèmes.

L'imagerie photoacoustique est une modalité d'imagerie fonctionnelle basée sur la génération d'ondes acoustiques par des tissus soumis à une illumination optique (impulsion laser). L'utilisation de différentes longueurs d'ondes optiques permet la discrimination des milieux imagés. Cette modalité est prometteuse pour de nombreuses applications médicales liées, par exemple, à la croissance, au vieillissement et à l'évolution de la vascularisation des tissus. En effet, l'accès à l'oxygénation du sang dans les tissus est rendu possible par l'imagerie photoacoustique. Cela permet, entre autres applications, la discrimination de tumeurs bénignes ou malignes et la datation de la mort tissulaire (nécrose). Ce travail de thèse a pour objectif principal la construction d'une chaîne de traitement des données photoacoustiques multispectrales pour le calcul de l'oxygénation du sang dans les tissus. Les principales étapes sont, d'une part, la discrimination des données (clustering), pour extraire les zones d'intérêt, et d'autre part, la quantification des différents constituants présents dans celles-ci (unmixing). Plusieurs méthodes non supervisées de discrimination et de quantification ont été développées et leurs performances comparées sur des données photoacoustiques multispectrales expérimentales. Celles-ci ont été acquises sur la plateforme photoacoustique du laboratoire, lors de collaborations avec d'autres laboratoires et également sur un système commercial. Pour la validation des méthodes développées, de nombreux fantômes contenant différents absorbeurs optiques ont été conçus. Lors du séjour de cotutelle de thèse en Italie, des modes d'imagerie spécifiques pour l'imagerie photoacoustique 2D et 3D temps-réel ont été développés sur un échographe de recherche. Enfin, des acquisitions in vivo sur modèle animal (souris) au moyen d'un système commercial ont été réalisées pour valider ces développements. / Photoacoustic imaging is a functional technique based on the creation of acoustic waves from tissues excited by an optical source (laser pulses). The illumination of a region of interest, with a range of optical wavelengths, allows the discrimination of the imaged media. This modality is promising for various medical applications in which growth, aging and evolution of tissue vascularization have to be studied. Thereby, photoacoustic imaging provides access to blood oxygenation in biological tissues and also allows the discrimination of benign or malignant tumors and the dating of tissue death (necrosis). The present thesis aims at developing a multispectral photoacoustic image processing chain for the calculation of blood oxygenation in biological tissues. The main steps are, first, the data discrimination (clustering), to extract the regions of interest, and second, the quantification of the different media in these regions (unmixing). Several unsupervised clustering and unmixing methods have been developed and their performance compared on experimental multispectral photoacoustic data. They were acquired on the experimental photoacoustic platform of the laboratory, during collaborations with other laboratories and also on a commercial system. For the validation of the developed methods, many phantoms containing different optical absorbers have been produced. During the co-supervision stay in Italy, specific imaging modes for 2D and 3D real-time photoacoustic imaging were developed on a research scanner. Finally, in vivo acquisitions using a commercial system were conducted on animal model (mouse) to validate these developments.

In today’s world, where online news is so widespread, various methods have been developed in order to provide users with personalized news recommendations. Wonderful accomplish ments have been made when it comes to providing readers with everything that could attract their attention. While accuracy is critical in news recommendation, other factors, such as diversity, novelty, and reliability, are essential in satisfying the readers’ satisfaction. In fact, technological advancements bring additional challenges which might have a detrimental im pact on the news domain. Therefore, researchers need to consider the new threats in the development of news recommendations. Fake news, in particular, is a hot topic in the media today and a new threat to public safety. This work presents a modularized system capable of recommending news to the user and detecting fake news, all while helping users become more aware of this issue. First, we suggest FANAR, FAke News Aware Recommender system, a modification to news recommendation algorithms that removes untrustworthy persons from the candidate user’s neighbourhood. To do this, we created a probabilistic model, the Beta Trust model, to calculate user rep utation. For the recommendation process, we employed Graph Neural Networks. Then, we propose EXMULF, EXplainable MUltimodal Content-based Fake News Detection Sys tem. It is tasked with the veracity analysis of information based on its textual content and the associated image, together with an Explainable AI (XAI) assistant that is tasked with combating the spread of fake news. Finally, we try to raise awareness about fake news by providing personalized alerts based on user reliability. To fulfill the objective of this work, we build a new dataset named FNEWR. Our exper iments reveal that EXMULF outperforms 10 state-of-the-art fake news detection models in terms of accuracy. It is also worth mentioning that FANAR , which takes into account vi sual information in news, outperforms competing approaches based only on textual content. Furthermore, it reduces the amount of fake news found in the recommendations list / De nos jours, où les actualités en ligne sont si répandues, diverses méthodes ont été dé veloppées afin de fournir aux utilisateurs des recommandations d’actualités personnalisées. De merveilleuses réalisations ont été faites lorsqu’il s’agit de fournir aux lecteurs tout ce qui pourrait attirer leur attention. Bien que la précision soit essentielle dans la recommandation d’actualités, d’autres facteurs, tels que la diversité, la nouveauté et la fiabilité, sont essentiels pour satisfaire la satisfaction des lecteurs. En fait, les progrès technologiques apportent des défis supplémentaires qui pourraient avoir un impact négatif sur le domaine de l’information. Par conséquent, les chercheurs doivent tenir compte des nouvelles menaces lors de l’élabo ration de nouvelles recommandations. Les fausses nouvelles, en particulier, sont un sujet brûlant dans les médias aujourd’hui et une nouvelle menace pour la sécurité publique. Au vu des faits mentionnés ci-dessus, ce travail présente un système modulaire capable de détecter les fausses nouvelles, de recommander des nouvelles à l’utilisateur et de les aider à être plus conscients de ce problème. Tout d’abord, nous suggérons FANAR, FAke News Aware Recommender system, une modification d’algorithme de recommandation d’actuali tés qui élimine les personnes non fiables du voisinage de l’utilisateur candidat. A cette fin, nous avons créé un modèle probabiliste, Beta Trust Model, pour calculer la réputation des utilisateurs. Pour le processus de recommandation, nous avons utilisé Graph Neural Net works. Ensuite, nous proposons EXMULF, EXplainable MUltimodal Content-based Fake News Detection System. Il s’agit de l’analyse de la véracité de l’information basée sur son contenu textuel et l’image associée, ainsi qu’un assistant d’intelligence artificielle Explicable (XAI) pour lutter contre la diffusion de fake news. Enfin, nous essayons de sensibiliser aux fake news en fournissant des alertes personnalisées basées sur le profil des utilisateurs. Pour remplir l’objectif de ce travail, nous construisons un nouveau jeu de données nommé FNEWR. Nos résultats expérimentaux montrent qu’EXMULF surpasse 10 modèles de pointe de détection de fausses nouvelles en termes de précision. Aussi, FANAR qui prend en compte les informations visuelles dans les actualités, surpasse les approches concurrentes basées uniquement sur le contenu textuel. De plus, il permet de réduire le nombre de fausses nouvelles dans la liste des recommandations.