Cadre basé sur un réseau neuronal convolutif pour la classification et la segmentation des tumeurs cérébrales à l’aide d’images par résonance magnétique

Summary

Des algorithmes d’apprentissage profond ont été utilisés en IRM pour effectuer la classification et la segmentation des tumeurs cérébrales avec U-Net. InceptionV3, DenseNet201 et Inception-ResNet-v2 ont réalisé avec une excellente précision la prédiction du type et du grade de tumeur. Modèles hybrides augmentés GPT-4.0 pour la génération automatique de rapports médicaux et l’aide au diagnostic.

Abstract

Le diagnostic précoce des tumeurs cérébrales est essentiel pour l’optimisation du pronostic et la sélection du traitement du patient. Une segmentation et une catégorisation précises des tumeurs cérébrales sont essentielles pour créer des techniques de traitement spécialisées. À mesure que l’utilisation de l’IRM pour le diagnostic cérébral augmente et que la technologie de vision par ordinateur s’améliore également, il reste difficile de disposer d’un modèle bon et efficace pour identifier et catégoriser les tumeurs sur la base des examens IRM. Pour résoudre ce problème, les auteurs ont suggéré une technique basée sur l’apprentissage profond pour segmenter et classer les tumeurs cérébrales à partir de différents ensembles de données. Le prétraitement de l’image a utilisé neuf méthodes d’augmentation pour améliorer les performances du modèle. La segmentation de l’IRM a été réalisée à l’aide d’un modèle U-Net.

Le modèle de classification développé basé sur InceptionV3 et DenseNet201 prédit l’existence de la tumeur et la catégorise en gliome, méningiome et hypophyse. Avec une précision de 99,15 %, InceptionV3 est supérieur aux 98,75 % de DenseNet201 en matière de classification des tumeurs. Une classification supplémentaire des tumeurs a été effectuée par Clustering en tant que HGG et LGG sur la base d’Inception-ResNet-v2. Les grades tumoraux (1-4) sont identifiés avec une précision de 96,64 % par Inception-ResNet-v2. Un système autonome intègre des modèles hybrides avec GPT-4.0 pour générer des rapports. Par conséquent, ce nouveau cadre pourrait très bien convenir aux cliniques lorsqu’il est utilisé pour identifier et séparer automatiquement les tumeurs cérébrales à l’aide d’images d’entrée capturées à partir d’IRM.

Introduction

Les tumeurs cérébrales peuvent altérer considérablement la qualité de vie des patients et des familles et représentent un cas sur 100 cancers traités chaque année aux États-Unis ^1,2,3. Le gliome est la tumeur cérébrale primaire la plus répandue chez les personnes aux États-Unis, avec une incidence de 6,5 pour 100 000. Ils apparaissent dans les astrocytes, les oligodendrocytes et les cellules épendymaires, les cellules gliales qui fournissent de la nourriture aux neurones du cerveau. Le gliome est classé en différents types sur la base de la cellule gliale affectée dans la tumeur ainsi que de son profil génétique, ce qui peut maintenant être utile pour anticiper le comportement que la tumeur peut subir au fil du temps et les traitements les plus susceptibles d’être efficaces ^4,5,6. Un gliome peut désactiver le fonctionnement du cerveau et même être mortel en fonction de son emplacement et de son taux de croissance. Les méningiomes représentent 15 à 20 % de toutes les tumeurs cérébrales primaires. Leur prévalence dans le dépistage normal est d’une personne sur 100 dans une série opératoire. On suppose qu’ils proviennent de la cellule de la coiffe arachnoïdienne. Les méningiomes présentent un large éventail de comportements, allant de bénins à extrêmement agressifs, en fonction de leur emplacement. Ils se manifestent par de nombreuses variétés de symptômes, mais la plupart des patients restent asymptomatiques.

Les symptômes et signes associés sont principalement causés par la compression des structures adjacentes, et peuvent donc également présenter des symptômes tels que des convulsions motrices, des troubles sensoriels, des troubles de la parole, une anosmie et bien d’autres. Les tumeurs hypophysaires sont les troisièmes tumeurs intracrâniennes primitives les plus fréquentes, après les gliomes et les méningiomes, représentant environ 10 % de toutes les tumeurs cérébrales primitives excisées. Ils peuvent se produire de plusieurs façons en raison d’une hypersécrétion ou d’une hyposécrétion d’hormones hypophysaires, d’une constriction de la tige hypophysaire ou d’effets sur les structures environnantes, en particulier le chiasma optique.

Par rapport aux tomodensitogrammes cérébraux standard, les images IRM contiennent une large gamme de contrastes tissulaires ^7,8,9. Le développement d’une méthode régulière de segmentation automatique des tumeurs cérébrales serait donc de la plus haute importance pour diagnostiquer et traiter correctement ces patients. Par conséquent, le développement d’une technique automatique fiable pour la segmentation des tumeurs cérébrales serait d’une extrême importance pour diagnostiquer et traiter correctement ces patients. Ces méthodes intelligentes aideraient les neurochirurgiens et les radiologues à mieux évaluer le volume, la forme de la tumeur et à définir plus précisément la limite entre la tumeur et les tissus normaux adjacents.

L’apprentissage automatique pourrait être bénéfique pour déterminer le type et la présence de tumeurs cérébrales, mais nécessite plus d’intervention humaine car ses modèles sont prédictifs. Les modèles d’apprentissage profond, en revanche, pourraient apprendre et détecter des caractéristiques grâce aux réseaux neuronaux, ce qui serait au cœur d’un processus de détection entièrement automatisé. De nombreuses méthodes d’apprentissage automatique (ML) ont été développées pour les radiologues afin qu’ils reçoivent des visions inhabituelles lors de la reconnaissance et de la classification des images IRM. La méthode la plus efficace parmi tout un segment de modalités de détection du cancer est l’imagerie médicale. Ces méthodologies sont utiles pour identifier et détecter les néoplasmes malins. Cette méthodologie est cruciale car elle n’a pas le caractère invasif associé à d’autres pratiques médicales. Les procédures ne sont pas invasives 10,11,12. La nouveauté de ce travail est qu’il offre un cadre unique basé sur l’apprentissage par apprentissage dynamique pour la catégorisation et la classification multiclasses automatiques, précises et efficaces des tumeurs cérébrales à l’aide d’images IRM, ce qui réduit le besoin d’interprétation manuelle.

Les auteurs ont proposé des modèles de classification des tumeurs cérébrales à l’aide d’approches d’extraction de caractéristiques nLBP et LBP. Les modèles ont caractérisé avec précision les types de cancers du cerveau les plus courants. La précision maximale de 95,56 % a été obtenue à l’aide d’un schéma d’extraction de caractéristiques nLBPD = 1 avec le modèle KNN¹¹. Les auteurs ont étudié le déploiement clinique de l’apprentissage profond (DL) en radiographie et documenté les opérations impliquées dans ce domaine¹³. Ils ont souligné les implications cliniques de la DL dans plusieurs domaines cliniques. DL a démontré des résultats satisfaisants dans certaines applications radiologiques, mais la technologie est immature et ne peut pas remplacer la profession de diagnostic d’un radiologue¹⁴. La combinaison d’algorithmes DL avec des radiologues améliore l’efficacité et l’efficience du diagnostic. L’IRM a été évaluée dans de nombreuses recherches pour son application possible dans la classification des tumeurs cérébrales via divers modèles de recherche.

Afshar et al. ont suggéré une architecture CapsNet améliorée pour la classification des tumeurs cérébrales principales avec 3 064 images avec des régions d’entrée auxiliaires d’intérêt par l’application de bordures tumorales afin d’investir plus d’efforts et d’améliorer les autres méthodes avec une précision de 90,89 %¹⁵. Gumaei et al. ont suggéré une méthode basée sur l’extraction de caractéristiques hybrides pour la classification des tumeurs cérébrales à l’aide de RELM. Les auteurs ont normalisé l’image cérébrale à l’aide de la normalisation min-max et ont utilisé la RELM pour la classification afin d’atteindre une précision de 94,23 %¹⁶. Un schéma intégré utilisant la segmentation et la classification des tumeurs cérébrales à l’aide de l’IRM a été proposé par Rezaei et al. Les étapes utilisées étaient l’élimination du bruit, la segmentation à l’aide d’une machine à vecteurs de support (SVM), l’extraction de caractéristiques et la sélection de caractéristiques à l’aide de DE. Les tranches de la tumeur ont été classifiées à l’aide des classificateurs WSVM, KNN et HIK-SVM. Les classificateurs, avec des méthodes d’ensemble basées sur MODE, ont atteint une précision de 92,46 %¹⁷. Fouad et al. ont proposé une classification d’une tumeur cérébrale à l’aide des descripteurs de caractéristiques HDWT-HOG et de la WOA pour les caractéristiques réductrices. La méthode a utilisé des méthodes d’ensemble avec Bagging. Avec l’ensachage, une précision moyenne de 96,4 % a été atteinte, et avec le boosting, la valeur obtenue est de 95,8 %¹⁸.

Ayadi et al. ont introduit le processus de classification des tumeurs cérébrales à l’aide de techniques telles que la normalisation et les caractéristiques robustes accélérées denses avec histogramme de gradient, améliorant la recherche d’images de qualité et le développement de caractéristiques discriminatives qui en résulte. Le classificateur SVM a été utilisé, et la précision respective a atteint un niveau élevé allant jusqu’à 90,27 % avec l’ensemble de données d’évaluation¹⁹. Srujan et al. ont présenté une architecture DL de réseau neuronal convolutif (CNN) à seize couches qui combine des fonctions d’activation telles que ReLU et l’optimiseur Adam pour atteindre une précision de classification de 95,36 %²⁰. Tejaswini et al. ont conçu un modèle CNN pour le diagnostic du méningiome, du gliome et des cancers du cerveau hypophysaire, qui a atteint une précision de validation de 87,16 % et une précision d’entraînement de 92,79 %. La zone tumorale a également été segmentée par le seuillage d’Otsu, les moyens flous et les techniques de bassin versant²¹. Huang et al. ont présenté CNN-BCN pour la classification du cancer du cerveau. L’architecture du réseau a été conçue à l’aide de la méthode des graphes aléatoires, et elle a atteint une précision cible allant jusqu’à 95,49 %^22. Ghassemi et al. ont conçu un modèle DL pour la classification des images de tumeurs cérébrales²³. Des caractéristiques puissantes et des modèles d’apprentissage ont été obtenus à partir d’images MR en utilisant des réseaux pré-entraînés comme discriminateurs GAN. Basée sur une validation croisée quintuple, l’approche a atteint une précision de 95,6 % en remplaçant des couches entièrement connectées par des techniques telles que l’augmentation et l’abandon des données. Deepak et al. ont combiné SVM avec CNN pour classifier les images de tumeurs cérébrales. Après avoir été testé avec un protocole de validation croisée en cinq étapes, le système automatisé a atteint une précision de 95,82 %, supérieure à celle des autres techniques²⁴. Noreen et al. ont utilisé des réseaux pré-entraînés et affinés comme Xception et InceptionV3 pour l’identification du cancer du cerveau. Ces modèles ont utilisé un large éventail de techniques d’apprentissage automatique telles que RF, SVM et KNN pour atteindre une précision de 94,34 % avec un ensemble d’InceptionV3²⁵.

Shaik et al. ont classé les tumeurs cérébrales dans le traitement d’images médicales et ont présenté une approche Manet qui donne la priorité aux tumeurs en combinant l’espace et l’attention intercanal tout en maintenant les liens temporels entre les canaux. Sur la tâche de classification primaire des tumeurs cérébrales, l’approche a atteint une précision de 96,51 %²⁶. Ahmad et al. ont créé un réseau neuronal génératif profond pour classer les tumeurs cérébrales. La technologie a utilisé des VAE et des GAN pour atteindre une précision de 96,25 % sur les images IRM de la tumeur cérébrale^27,28. Un modèle DL a été présenté par Alanazi et al. pour identifier les sous-types de tumeurs cérébrales. La technique impliquait la création de plusieurs modèles CNN et l’application de l’apprentissage par transfert pour affiner les poids d’un modèle CNN à 22 couches. Le modèle a atteint une précision d’image IRM de 95,75 % et 96,89 %, respectivement ^29,30. Almalki et al. ont appliqué une technique de ML à l’IRM pour analyser rapidement la gravité de quatre types de tumeurs cérébrales. La décomposition des IRM en images de 8 x 8 pixels leur a permis d’extraire des caractéristiques d’échelle gaussienne et non linéaire ainsi que de minuscules détails. Les caractéristiques importantes ont été identifiées, divisées en 400 caractéristiques à l’échelle non linéaire et fusionnées avec chaque image RM. Ils ont utilisé le classificateur SVM et ont atteint une précision de 95,33 %^31,32. Trois modèles CNN ont été comparés par Kumar et al., à savoir InceptionV3, AlexNet et ResNet50, pour la classification de la tumeur primaire, et ont utilisé des méthodes d’augmentation des données. AlexNet a battu les autres en termes de spécificité et de précision, obtenant un score de 96,2 %^33.

Ullah et al. se penchent sur des modèles d’apprentissage plus approfondis pour le diagnostic des tumeurs cérébrales. DeepEBTDNet améliore la qualité de l’IRM en appliquant DSIHE et en assurant l’interprétabilité grâce à LIME^34,35. TumorResNet avec 20 couches convolutives, qui est utilisé pour atteindre une précision de classification de 99,33 %, présente une méthode cohérente et automatisée de diagnostic précoce des tumeurs cérébrales et de planification du traitement³⁶. Plusieurs architectures DL avancées ont été présentées par Kumar et al. pour la classification et la détection des tumeurs cérébrales. Le modèle PBTC combine le prétraitement de l’IRM, la segmentation de l’ACLS et le HRNN-BiLSTM optimisé OHBO pour atteindre une précision de 97,8 %³⁷. Un CNN à deux canaux avec la transformée en ondelettes de Berkeley et l’optimisation améliorée du serval atteint une précision de 98,8 % pour quatre types de tumeurs³⁸. Disci et al. utilisent des données IRM pour évaluer des modèles DL pré-entraînés pour classer les tumeurs cérébrales et atteignent une précision de 98,73 % avec Xception³⁹.

Protocol

Description de l’ensemble de données et analyse exploratoire
L’ensemble de données se compose de plusieurs sources afin d’améliorer la fiabilité et la précision du modèle. Merged_dataset contient 20 620 images provenant des ensembles de données A (3 054), B (3 264), C (10 000) et D (4 292). De plus, 1 425 images de l’ensemble de données Brad ont été ajoutées pour les grades de tumeurs de gliome (HGG, LGG). Cet ensemble de données diversifié garantira une meilleure généralisation, réduira les biais et améliorera les performances du modèle. Le grand ensemble de données permet des évaluations complètes et, par conséquent, il y a une plus grande probabilité d’obtenir les bonnes prédictions dans les applications réelles des tâches de classification.

Deux ensembles de données distincts ont été utilisés dans cette enquête. Entre 2005 et 2010, le premier a été acquis auprès de l’hôpital Nanfang et de l’hôpital général de l’Université de médecine de Tianjing en Chine. Des images pondérées en T1 de 233 personnes atteintes de tumeurs, ainsi que de gliomes de grade II et III, sont incluses dans la collection. L’ensemble de données offre une distribution très complète des catégories de tumeurs et une analyse générale des données. Pour le gliome de haut grade (HGG), il y a 1 050 images disponibles, et pour le gliome de bas grade (LGG), il y a 375 images, ce qui signifie qu’il y a plus d’attention accordée aux cas plus graves (HGG).

La figure 1 montre des IRM classées en trois types de tumeurs cérébrales. Chaque rangée est un type de tumeur, et il y a trois exemples d’images pour chaque catégorie. Les balayages ont des caractéristiques différentes dans diverses orientations et vues, notamment axiales, sagittales et coronales. Les échantillons de gliome ont des structures irrégulières qui s’infiltrent dans les tissus cérébraux. Les échantillons de méningiome apparaissent sous forme de masses localisées près de la surface du cerveau, et les échantillons de tumeurs hypophysaires sont situés près du centre du cerveau. Ces exemples présentent la variabilité de l’apparence des tumeurs, aidant ainsi à former des modèles ML pour une détection précise ainsi que la classification des tumeurs dans l’analyse d’images médicales.

Figure 1 : IRM des tumeurs. IRM du méningiome, du gliome et des tumeurs hypophysaires en vues axiale, sagittale et coronale, mettant en évidence des caractéristiques d’imagerie distinctes. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Glioma a le plus grand nombre d’images, soit un peu plus de 6 000. Meningioma a environ 6 000 images, tandis que Pituitary a presque autant d’images que Meningioma. Il semble y avoir une répartition presque égale entre les trois catégories, ce qui signifie que chacun des types de tumeurs est bien représenté pour l’entraînement ou toute analyse. Le gliome a la plus grande taille médiane de fichier, bien que le méningiome ait une plage plus restreinte et plus de valeurs aberrantes. La variance modérée de l’hypophyse contient quelques valeurs aberrantes apparentes. Chaque catégorie contient des fichiers de taille vraiment énorme.

La figure 2 montre l’ACP des caractéristiques de l’image pour les trois types de tumeurs. La composante principale 1 capture la plus grande variance et sépare significativement l’hypophyse (groupe droit) des autres. Les gliomes et les méningiomes se chevauchent sur la gauche, indiquant que leurs représentations de caractéristiques sont comparables et que leur séparabilité est diminuée.

Figure 2 : ACP des caractéristiques de l’image. Analyse en composantes principales des caractéristiques extraites différenciant les classes de gliome, de méningiome et de tumeur hypophysaire. Veuillez cliquer ici pour voir une version agrandie de cette figure.

La carte thermique de corrélation illustrée à la figure 3 illustre les relations entre les attributs de métadonnées d’image : File_Size, hauteur et largeur. File_Size montre une très faible corrélation avec la hauteur (-0,01) et la largeur (0,0039).

Figure 3 : Carte thermique de corrélation des métadonnées. Carte thermique montrant les relations entre les attributs de métadonnées d’image tels que la taille, la hauteur et la largeur du fichier. Veuillez cliquer ici pour voir une version agrandie de cette figure.

La hauteur et la largeur montrent également une très faible corrélation positive de 0,0039. Les valeurs diagonales sont 1, ce qui indique une corrélation parfaite de chaque variable avec elle-même. En général, les attributs sont pour la plupart non corrélés, ce qui signifie des variations indépendantes entre la taille du fichier, la hauteur de l’image et la largeur.

Méthodologie et architecture proposée
La figure 4 illustre un flux de travail qui détecte, classe et analyse systématiquement les tumeurs cérébrales sur la base des données d’IRM. La méthodologie comprend des techniques avancées de prétraitement, de segmentation et de DL pour obtenir une prédiction et une classification robustes des tumeurs.

Figure 4 : Flux de travail de la méthodologie proposée. Flux de travail par étapes pour la détection, la classification et l’analyse des tumeurs à l’aide de données IRM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Le processus commence par l’intégration d’un certain nombre d’ensembles de données (notés A, B, C et D). Ensuite, les ensembles de données sont combinés en un seul ensemble de données complet pour obtenir des données holistiques. Il implique également le jeu de données Brad à des fins de segmentation, de clustering et de classification d’images. L’ensemble de données fusionné implique l’ajout de toutes les images dans chaque ensemble de données et répertoires combinés, garantissant ainsi un ensemble de données complet et unifié pour une analyse plus approfondie et le développement de modèles multi-classifications.

Deuxièmement, le prétraitement est terminé, ce qui constitue une étape importante dans l’amélioration de la qualité et de la variabilité des données. Neuf processus d’augmentation sont appliqués aux images IRM originales pour améliorer les performances du modèle et la variété des ensembles de données. Le redimensionnement de l’image à une taille commune les harmonise, et la conversion RVB en niveaux de gris simplifie le traitement. Le retournement horizontal/vertical améliore la robustesse et la rotation avec zoom imite différentes conditions d’imagerie. L’utilisation du filtrage Sobel améliore l’acuité des caractéristiques et l’ajout de bruit améliore la variabilité. Le masquage flou améliore l’acuité de l’image, et les décalages de hauteur et de largeur ajoutent des variations de position. Chacun d’entre eux, lorsqu’il est combiné, améliore la généralisabilité et la précision de la classification du modèle. Tous ces éléments garantissent que le modèle se généralise sur un large éventail de situations d’imagerie. Il y a un total de 20 620 images IRM, et le post-prétraitement total des images utilisées pour le développement du modèle donne 185 580 images.

Ensuite, l’ensemble de données fusionné est segmenté à l’aide du modèle U-Net, qui est très utilisé en imagerie médicale. L’architecture est affinée et entraînée pour identifier les régions tumorales à partir d’IRM. Cette étape produit des images masquées, qui mettent en évidence la tumeur et éliminent les détails non pertinents. La segmentation des images garantit de meilleures entrées de données pour la classification et l’analyse.

À l’étape suivante, ces modèles sont affinés pour classer les images en différentes classes, en tirant parti de l’apprentissage par transfert pour améliorer la précision tout en réduisant le temps d’entraînement. Pour la classification, un certain nombre de modèles d’apprentissage profond pré-entraînés sont utilisés, chacun présentant des avantages particuliers. En raison de sa facilité d’utilisation et de son efficacité dans la catégorisation des images, VGG16 et VGG19 sont fréquemment utilisés. Avec une efficacité de calcul optimale, EfficientNetB0 et EfficientNetB7 offrent des performances de pointe. L’architecture plus approfondie de ResNet101 améliore la précision de la classification en capturant efficacement des modèles complexes. Ensuite, un diagnostic précis est assuré par la classification des données IRM par les algorithmes entraînés en quatre classifications tumorales. Les cellules gliales sont à l’origine des tumeurs de gliome, qui altèrent la fonction cérébrale. Les tumeurs du méningiome se développent dans les méninges, qui sont des couches protectrices du cerveau et de la moelle épinière. L’hypophyse est le siège des tumeurs hypophysaires, qui affectent l’équilibre hormonal et les processus physiologiques.

Ensuite, pour aider à un diagnostic précis, des techniques de regroupement telles que K-Nearest Neighbors (KNN) sont utilisées pour prévoir les grades tumoraux. Les grades trois et quatre du gliome de haut grade (HGG) dénotent le développement d’une tumeur sévère. Les grades 1 et 2 du gliome de bas grade (LGG) sont des tumeurs à croissance plus lente et moins agressives, respectivement. Cette classification est essentielle pour établir l’agressivité de la tumeur et, par conséquent, une prise en charge clinique directe.

Enfin, pour évaluer l’efficacité des modèles de catégorisation, ils sont contrastés selon des critères importants. Leurs effets sont évalués pour déterminer si les stratégies d’augmentation et de segmentation ont amélioré les performances du modèle. Pour garantir la fiabilité et l’efficacité, les performances sont également examinées sur une variété d’ensembles de données, et la précision de la classification est comparée aux modèles les plus avancés.

Le flux de travail intègre la préparation des données, le prétraitement, la segmentation, la classification et la notation dans un cadre cohérent. Il améliore la précision de la détection et de la classification des tumeurs cérébrales grâce à l’application de méthodes DL de pointe et à un prétraitement rigoureux. L’inclusion de la classification tumorale soutient davantage la prise de décision clinique, ce qui en fait un système complet d’analyse des tumeurs.

Figure 5 : Cadre d’apprentissage profond. Proposition d’un cadre de classification des tumeurs cérébrales à l’aide de modèles d’apprentissage profond. Veuillez cliquer ici pour voir une version agrandie de cette figure.

La figure 5 est une architecture en relation avec un système de classification d’images médicales qui identifie les tumeurs cérébrales à l’aide de techniques de calcul avancées telles que l’apprentissage profond. Il commence par une collection d’images IRM qui sont en cours de classification. Ainsi, ce sera l’épine dorsale du processus de classification. Ensuite, les données d’entrée entrent dans un module de prétraitement des données dans lequel la normalisation, le redimensionnement et l’augmentation de l’image, ainsi que la suppression du bruit, sont entrepris. Le prétraitement standardise les images d’entrée pour tirer le meilleur parti des phases d’entraînement du modèle. L’ensemble de l’étape consiste à se préparer à subir les étapes ultérieures de calcul intensif. Après l’étape de prétraitement, les données sont transmises au module d’extraction de caractéristiques. Ici, l’utilisation de techniques ou de modèles informatiques, peut-être de modèles DL tels que les CNN, peut être faite pour identifier des caractéristiques dans les images. Les caractéristiques extraites pourraient inclure des motifs indiquant des anomalies ou des caractéristiques tumorales. Ensuite, cet ensemble de caractéristiques est entré dans le modèle de classification. Étant donné que cela viserait probablement à distinguer différentes classes, qui incluent l’existence ou la non-existence d’une tumeur et le type de tumeur, le modèle s’appuie sur une architecture assez complexe, probablement d’Inception-ResNet-v2, entre autres, pour des prédictions précises. Il détermine si une tumeur existe ou non dans l’image cérébrale scannée. Cette étape de classification se trouve en « Tumeur » et « Pas de tumeur ». Lorsqu’une tumeur est détectée, le système classe le type de tumeur comme gliome, méningiome ou hypophyse. Chacun de ces types possède des caractéristiques que le modèle reconnaît à l’aide des fonctions extraites. Pour les tumeurs identifiées, le grade de la tumeur est alors déterminé. Les grades vont de 1 à 4, indiquant la gravité et la progression de la tumeur. Le grade 1 est le moins agressif, tandis que le grade 4 est le plus grave. Cette classification aide au diagnostic médical et à la planification du traitement. Les résultats finaux comprennent l’absence ou la présence de la tumeur, son type et son grade. Ces résultats sont très précieux pour les applications cliniques pour la prise de décision dans les soins et le traitement des patients.

Le processus représente un pipeline intégré pour l’analyse d’images médicales et la classification des types de tumeurs. Commençant par les données brutes, il se succède par les données préparatoires, l’extraction des caractéristiques et la classification. Le système détermine s’il s’agit bien d’une tumeur, spécifie son type et donne la gravité ou le grade. Ce pipeline, qui utilise des formes de calcul plus complexes, rationalise le diagnostic en imagerie médicale afin que les évaluations puissent être plus rapides et plus précises dans les tumeurs cérébrales. Un flux de travail modulaire garantit la flexibilité, où les composants peuvent être optimisés séparément pour des performances améliorées.

Results

L’environnement d’entraînement exploite le GPU NVIDIA Tesla T4 de Kaggle, ce qui facilite l’entraînement efficace des modèles. Les bibliothèques importantes sont TensorFlow, PyTorch, Keras, NumPy et Pinecone, qui facilitent les pipelines de Deep Learning puissants. DenseNet201, InceptionV3 et Inception-ResNet-v2 ont été choisis en raison de leur efficacité démontrée en imagerie médicale. Ces conceptions offrent une extraction approfondie des caractéristiques, un écoulement de gradient robuste et des forces hybrides, qui ...

Discussion

Un diagnostic précoce des tumeurs cérébrales peut être essentiel pour sauver la vie d’un individu, car les tumeurs cérébrales peuvent être très dangereuses et mortelles. Actuellement, le diagnostic des tumeurs repose sur l’interprétation manuelle des radiologues, ce qui peut entraîner des retards et des erreurs humaines dans la détection des tumeurs malignes à un stade précoce. Par conséquent, cet article présente un modèle de diagnostic de tumeur cérébrale multi-classification qui peut ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
fastText	IA de Facebook	N/A	Représentation et classification des mots
Google Colab	Google (en anglais)	N/A	Environnement Jupyter Notebook basé sur le cloud
Google Colab GPU/TPU	Google (en anglais)	N/A	Accélération matérielle basée sur le cloud
Intel Core i5/i7 ou AMD Ryzen 5/7	Intel / AMD	N/A	Processeur pour l’exécution locale (si nécessaire)
Matplotlib	Logiciel libre	N/A	Bibliothèque de visualisation de données
NLTK	Logiciel libre	N/A	Boîte à outils en langage naturel pour le traitement de texte
NumPy	Logiciel libre	N/A	Bibliothèque de calcul numérique
NVIDIA GTX 1650 ou supérieure (en option)	NVIDIA	N/A	GPU pour les tâches de deep learning
Pandas	Logiciel libre	N/A	Bibliothèque de manipulation de données
Python  ;	Fondation du logiciel Python	N/A	Langage de programmation pour le ML et le NLP
PyTorch	Méta-IA	N/A	Cadre d’apprentissage profond
RAM (8 Go minimum, 16 Go recommandés)	Divers	N/A	Mémoire requise pour les tâches de ML
Scikit-apprendre	Logiciel libre	N/A	Bibliothèque d’apprentissage automatique
Né de la mer	Logiciel libre	N/A	Visualisation statistique des données
Spacy	IA d’explosion	N/A	Bibliothèque NLP de qualité industrielle
Stockage SSD (256 Go minimum, 512 Go recommandés)	Divers	N/A	Stockage pour le traitement des jeux de données
TensorFlow	Google (en anglais)	N/A	Cadre d’apprentissage profond