Prétraitement d’image et sensibilité aux optimiseurs : implications pour les réseaux de neurones convolutionnels dans le diagnostic des tumeurs cérébrales

Summary

Cette étude utilise un cadre contrôlé pour évaluer les pipelines de prétraitement et les optimiseurs au sein d’une architecture fixe, visant à déterminer comment le prétraitement classique affecte les optimiseurs et les réseaux neuronaux convolutionnels (CNN) dans la classification des tumeurs cérébrales.

Abstract

La classification des tumeurs cérébrales par imagerie par résonance magnétique (IRM) présente des défis en raison des variations de taille, de forme et de texture des tumeurs. Bien que les méthodes traditionnelles de prétraitement d’image soient couramment employées pour améliorer la qualité des entrées, leur impact sur le comportement des optimiseurs et les performances CNN reste à étudier en profondeur. Cette recherche examine l’effet du prétraitement sur la convergence, la généralisation et la précision de classification entre divers optimiseurs. Nous utilisons un ensemble de données Kaggle accessible publiquement pour créer deux pipelines de prétraitement : un pipeline de référence qui ne redimensionne que les images et un pipeline traditionnel qui convertit les images en niveaux de gris, les floute et applique un filtrage morphologique. Nous testons ensuite comment ces pipelines affectent trois optimiseurs : Adam, la propagation moyenne des carrés racines (RMSProp) et la descente stochastique du gradient (SGD). Pour séparer les variables de protocole, une architecture CNN fixe est utilisée tout au long du système. La performance est évaluée à l’aide de la précision, de la précision, du rappel et du score F1, validés par une validation croisée en cinq parties. Les résultats montrent que le prétraitement de base donne systématiquement une précision plus élevée et une convergence plus stable entre tous les optimiseurs, RMSProp et SGD atteignant la plus grande précision moyenne de 99,53 % sous validation croisée à cinq reprises. Les résultats abordent l’effet peu étudié du prétraitement sur les performances des optimiseurs, en soulignant la nécessité de stratégies d’entraînement conscientes du prétraitement pour améliorer la robustesse et l’interprétabilité dans l’analyse d’images médicales.

Introduction

La classification des tumeurs cérébrales par imagerie par résonance magnétique (IRM) est une tâche cruciale en neuro-oncologie, où un diagnostic précoce et précis influence directement la planification du traitement et les résultats des patients¹. Les CNN sont devenues l’approche dominante pour automatiser ce processus grâce à leur capacité à apprendre directement les traits spatiaux et texturaux hiérarchiques à partir des données brutes^{d’image 2}. Cependant, la qualité des données d’entrée reste un facteur clé déterminant de la performance du modèle. Les techniques classiques de prétraitement — telles que la conversion en niveaux de gris, le floutage gaussienne, le seuil et les opérations morphologiques — sont couramment appliquées pour réduire le bruit et mettre en avant les frontières ^{structurelles 3,4,5}. Gangadharan et al. ont mené une analyse comparative des modèles d’apprentissage profond pour la prédiction des tumeurs cérébrales, mettant en lumière la variabilité des performances selon les architectures et l’importance des caractéristiques des ensembles de données dans la formation des résultats⁶. Qureshi et al. ont proposé un CNN ultra-léger pour la détection de tumeurs multi-classes, mettant l’accent sur l’efficacité computationnelle et l’applicabilité en temps réel sans compromettre la précision^{diagnostique 7}. Au-delà de l’imagerie structurale, Qureshi et al. ont exploré la classification radio-génomique à partir de caractéristiques multi-omiques fusionnées issues d’IRM multiparamétriques pour prédire le statut de méthylation du promoteur méthylguanaine-ADN méthyltransférase (MGMT), démontrant le potentiel des modalités de données intégrées pour le profilage tumoral^{non invasif 8}. Malgré leur omniprésence, l’impact en aval de ces transformations sur la dynamique d’entraînement CNN, le comportement des optimiseurs et l’interprétabilité reste peu exploré.

Les avancées récentes dans la classification des tumeurs cérébrales se sont concentrées sur la complexité architecturale, les hybrides segmentation-classification et l’apprentissage par transfert. MultiFeNet, par exemple, utilise la fusion de caractéristiques multi-échelle pour améliorer la représentation^{spatiale 9}, tandis que les modèles d’ensemble et les CNN 3D offrent une haute fidélité au prix d’une surcharge computationnelle^{accrue 10,11}. Des études récentes sur les méthodes hybrides, telles que la transformation en ondelettes avec Support Vector Machine (SVM) et la détection de contours basée sur des automates cellulaires, nécessitent généralement des fonctionnalités artisanales ou un traitement multi-étapes^12,13. La recherche comparative sur les ensembles de données déséquilibrés a mis en lumière les défis pour atteindre la généralisation par classe¹⁴. Les approches d’apprentissage par transfert utilisant des réseaux pré-entraînés, tels que VGG et ResNet, ont montré des résultats prometteurs dans la classification^{IRM 15, 16, 17} ; cependant, ils considèrent souvent le prétraitement comme une étape montante fixe. Ces modèles isolent rarement comment les transformations d’entrée affectent la convergence de l’optimiseur ou la rétention sémantique.

Des études conscientes du prétraitement ont commencé à mettre en lumière cet écart. Ivanescu et al. ont démontré qu’un filtrage excessif peut dégrader la sensibilité du CNN aux schémas tumoraux^{subtils 3}. Vu et al. ont démontré que la conversion et le redimensionnement en niveaux de gris peuvent écarter des informations contextuelles, affectant ainsi la précision^{diagnostique 4}. Hooper et al. ont révélé que le filtrage en amont par tomodensitotomotomotique (CT) induit une variabilité de performance, soulignant la fragilité des CNN face aux décalages de domaine⁵. Kundu et al. ont proposé des transformations d’intensité basées sur des gaussiennes pour améliorer la^{segmentation 18} ; cependant, ils n’ont pas évalué la sensibilité de l’optimiseur. Parallèlement, Asiri et al. et Aamir et al. ont optimisé les hyperparamètres CNN pour la détection des tumeurs^{cérébrales 16,17}, notant la performance supérieure d’Adam sans analyser la réponse aux changements de prétraitement. Des outils d’explicabilité tels que la cartographie pondérée par gradient (Gradient-CAM) et les explications additives SHapley (SHAP) ont fait progresser notre compréhension de la prise de décision CNN en visualisant les régions discriminatives par^{classe 19,20}. Ces méthodes sont essentielles pour valider si le prétraitement améliore ou déforme la rétention sémantique.

Cependant, peu d’études ont examiné de manière systématique comment le prétraitement affecte la convergence, la généralisation et l’interprétabilité des optimiseurs sous une architecture fixe – des questions à la fois cliniques et computationnellement significatives. Cliniquement, un lissage excessif ou des transformations d’intensité peuvent atténuer les gradients de texture et d’espace pertinents sur le plan diagnostique, réduisant la fidélité de localisation et la confiance des cliniciens. Sur le plan informatique, les optimiseurs réagissent différemment aux variations d’échelle des caractéristiques et de variance de gradient ; Les incompatibilités entre la complexité d’entrée et la dynamique des optimiseurs peuvent entraîner une convergence instable ou une généralisation plus faible.

Pour y remédier, nous introduisons un cadre à double chemin qui compare systématiquement les pipelines de prétraitement de base (redimensionnés uniquement) et traditionnels entre trois optimiseurs — Adam, RMSProp et SGD — en utilisant une architecture CNN cohérente et le jeu de données^{BR35H Kaggle 21}. Nous évaluons la performance de classification, la vitesse de convergence et l’interprétabilité à l’aide de Grad-CAM, validés par une validation croisée en cinq ans. Contrairement aux travaux précédents qui confondent les changements architecturaux et de prétraitement, ce protocole isole le prétraitement comme une variable indépendante, révélant qu’un filtrage agressif peut nuire à la performance de l’optimiseur et à l’attention spatiale.

Le cadre présenté ici offre plusieurs avantages par rapport aux modèles existants. Premièrement, il évalue explicitement les interactions entre les stratégies de prétraitement et les optimiseurs, une dimension souvent négligée dans les études d’apprentissage par ensemble et transfert 15,16,17. Deuxièmement, elle maintient une architecture CNN fixe, simulant ainsi des contraintes de déploiement réelles où la reconfiguration est généralement^{impraticable 22}. Troisièmement, il intègre des méthodes d’attribution visuelle pour évaluer la rétention sémantique, complétant les travaux antérieurs sur les études radiomiques et les études de caractéristiques^{artisanales 23}. Enfin, le cadre offre des insights reproductibles sur les stratégies d’entraînement conscientes du prétraitement, améliorant ainsi à la fois la robustesse et l’interprétabilité.

En synthétisant les insights des méthodes de prétraitement ^3,4,5, des études optimiseurs^16,17 et des outils d’explicabilité^19,20, ce travail présente un pipeline pratique et interprétable pour la classification des tumeurs cérébrales qui équilibre précision, stabilité et pertinence clinique.

Protocol

La figure 1 présente un aperçu du flux de travail du protocole. Cette étude examine l’effet du prétraitement classique des images sur la performance des CNN et le comportement des optimiseurs dans la classification des tumeurs cérébrales à l’aide d’IRM. Le protocole englobe la préparation de jeux de données, les pipelines de prétraitement à double chemin, l’architecture du modèle, la configuration des optimiseurs, l’évaluation des performances et la validation de l’interprétabilité. Toutes les expériences ont été exécutées en Python 3.10.12 en utilisant Keras version 2.13.1 avec le backend TensorFlow, OpenCV version 4.8.0 et Matplotlib version 3.8.0.

Préparation de jeux de données
Le jeu de données BR35H sur l’IRM des tumeurs cérébrales de Kaggle²¹, composé de 3 000 images réparties également en classes de tumeur présente (« oui ») et sans tumeur (« non »), a été utilisé dans cette étude. Toutes les images ont été redimensionnées à 128 × 128 pixels en utilisant la fonction cv2.resize d’OpenCV pour standardiser les dimensions d’entrée entre les expériences. L’échantillonnage stratifié avec le train_test_split de Scikit-learn a assuré une représentation équilibrée à travers l’ensemble d’entraînement (80 %) et l’ensemble de validation (20 %), maintenant ainsi la cohérence dans la distribution des classes à travers chaque groupe.

En plus du jeu de données public BR35H, nous avons validé ce protocole à l’aide d’un ensemble de données indépendant collecté à partir du jeu de données Ultralytics Brain Tumor Dataset (https://docs.ultralytics.com/datasets/detect/brain-tumor/). Cet ensemble de données se compose d’un ensemble d’entraînement valide de 878 images et d’un ensemble de test de 223 images, avec deux classes clairement définies : négative (images sans tumeurs cérébrales) et positive (images avec tumeurs cérébrales). L’inclusion de ce jeu de données indépendant nous a permis d’évaluer davantage la généralisabilité et la robustesse du cadre au-delà des données sources originales.

Pipelines de prétraitement
Deux pipelines de prétraitement distincts ont été mis en œuvre pour évaluer l’impact du prétraitement classique des images. Le pipeline de prétraitement de base (BP) redimensionnait simplement les images à 128 × 128 pixels sans transformations supplémentaires, préservant ainsi l’intensité brute des pixels et les caractéristiques structurelles en tant que condition de contrôle. Le pipeline de prétraitement traditionnel (TP) appliquait une séquence d’étapes classiques de traitement d’image utilisant des fonctions OpenCV : conversion en niveaux de gris (cv2.cvtColor) pour réduire la dimensionnalité du canal, flou gaussienne (cv2. GaussianBlur) pour supprimer le bruit et améliorer le^{contraste 24}, le seuil (cv2.seuil) pour segmenter les structures à haute^{intensité 25}, les opérations morphologiques (cv2.erode, cv2.dilate) pour affiner les contours et réduire les artefacts26, et la détection de contours (cv2.findContours) pour identifier les régions d’intérêt. Ce pipeline améliorait le contraste et réduisait le encombrement visuel, bien qu’il risquait de supprimer la texture pertinente sur le plan diagnostique.

Architecture du modèle
Un CNN personnalisé a été mis en œuvre et maintenu constant à travers toutes les expériences afin d’isoler les effets du prétraitement et du choix de l’optimiseur. L’architecture comprenait une couche d’entrée (128 × 128 × 1), trois couches convolutionnelles (la première avec 32 filtres et les deux suivantes avec 64 filtres, toutes utilisant 2 × 2 noyaux et une activation par unité linéaire rectifiée (ReLU), chacune accompagnée de 2 × 2 poolings max. La sortie était aplatie et passée à travers une couche dense de 128 unités avec activation ReLU, suivie d’une couche de dropout (taux = 0,5), puis enfin d’une unité sigmoïde unique pour la classification binaire. Cette conception trouve un équilibre entre interprétabilité et efficacité computationnelle, la rendant adaptée au matériel clinique limité en ressources.

Configuration des optimiseurs
Trois optimiseurs ont été évalués avec des hyperparamètres fixes : Adam (taux d’apprentissage = 0,001, β₁ = 0,9, β₂ = 0,999, epsilon = 1e−07), RMSProp (taux d’apprentissage = 0,001, rho = 0,9, epsilon = 1e−07) et SGD (taux d’apprentissage = 0,005, quantité de mouvement = 0,9, Nesterov désactivé). Les paramètres d’entraînement étaient maintenus constants entre les expériences, avec une taille de groupe de 32 50 époques, et un arrêt précoce (patience = 10) implémenté via des rappels Keras pour éviter le sur-ajustement.

Évaluation des performances
La performance a été évaluée à l’aide de la précision, de la précision, du rappel et du score F1, calculés avec le classification_report de Scikit-learn. Les courbes de perte d’entraînement et de validation ont été tracées avec Matplotlib pour évaluer la vitesse de convergence et détecter le surapprentissage. Les résultats ont été tabulés et visualisés pour comparer la sensibilité de l’optimiseur sous différentes conditions de prétraitement.

Validation de l’interprétabilité
L’interprétabilité a été validée à l’aide de visualisations Grad-CAM générées à partir de la couche convolutionnelle finale. Les cartes thermiques ont été générées à l’aide des fonctions Keras et TensorFlow, puis superposées aux images IRM originales à l’aide de Matplotlib. Cette mesure a permis à la CNN de s’aligner sur les régions tumorales cliniquement pertinentes, soutenant ainsi la transparence et la confiance diagnostique.

Results

Optimiseur Adam - Prétraitement de base :
La figure 2 illustre la performance d’un modèle de classification des tumeurs cérébrales utilisant l’optimiseur Adam avec un prétraitement de base. La matrice de confusion montre une séparation quasi parfaite entre les cas tumoraux et non tumoraux, avec seulement 8 erreurs de classification sur 600 échantillons. Le rapport de classification accompagnant le confirme avec précision, rappel et score...

Discussion

Le succès de la classification des tumeurs cérébrales basée sur CNN dans cette étude a été principalement déterminé par deux composantes du protocole : la conception du prétraitement et la sélection des optimiseurs. Le prétraitement de base — composé uniquement de redimensionnement de l’image — a préservé l’intensité native des pixels et la structure spatiale, permettant au modèle d’apprendre des caractéristiques cliniquement pertinentes. En revanche, les méthodes traditionnelles de prét...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API Wrapper	Keras	2.13.1(RRID :SCR_016345)	API de haut niveau pour l’architecture et la formation CNN
Outil d’attribution	Implémentation Grad-CAM	Personnalisé (via Keras)	Explication visuelle de l’attention de CNN
Ensemble de données BR35H sur l’IRM de tumeurs cérébrales	; Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Source des images IRM marquées pour la classification   ;
Jeu de données sur les tumeurs cérébrales   ;	Ultralytiques	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Bibliothèque d’apprentissage profond	TensorFlow	2.15.0 (RRID :SCR_018345)	Backend pour la mise en œuvre du modèle CNN
Traitement d’image	OpenCV	4.8.0 (RRID :SCR_015526)	Prétraitement : niveaux de gris, flou, seuil, morphologie
Langage de programmation	Python	3.10.12 (RRID :SCR_008394)	Environnement d’exécution pour toutes les expériences
Visualisation	Matplotlib	3.8.0 (RRID :SCR_008624)	Tracé des courbes de perte et des superpositions Grad-CAM