Segmentation des Tumeurs cérébrale par Deep Learning

Abstract

La tumeur cérébrale représente un problème de santé grave qui doit être traité dès les premiers stades de son apparition. Avec le temps, elle évolue vers une forme plus agressive et peut se propager à d'autres organes. Cependant, le défi réside dans la difficulté de son diagnostic précoce par les méthodes traditionnelles, qui exigent une grande expertise et une analyse minutieuse. Pour cette raison, plusieurs méthodes ont été développées pour l'identifier, et parmi les plus performantes ces dernières années, on trouve l'apprentissage profond. Cette approche permet de segmenter efficacement les tumeurs cérébrales. Notre objectif dans ce projet final était d'appliquer l'apprentissage profond à l'analyse des images d'Imagerie par Résonance Magnétique (IRM) médicales pour détecter le cancer du cerveau. Nous avons utilisé des réseaux de neurones convolutifs (CNNs) pour leur capacité intrinsèque à extraire des caractéristiques des données. Nous avons notamment employé un modèle Unet, reconnu pour son efficacité dans la segmentation d'images médicales. Nous avons proposé une architecture de CNN intégrant le traitement d'images bidimensionnelles et tridimensionnelles, et avons constaté que le modèle dédié aux images tridimensionnelles offrait la meilleure performance, montrant des résultats prometteurs, ce qui facilite la mise à disposition de solutions d'imagerie médicale de haute précision pour la détection des tumeurs cérébrales.