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 prétrait....

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, Ope....

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