Résumé:
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.
