Approche par réseaux de neurones convolutifs pour le diagnostic de tumeurs cérébrales

Abstract

Les tumeurs cérébrales constituent une pathologie grave du système nerveux central, et leur détection précoce demeure un enjeu majeur en imagerie médicale. Ce travail vise à développer un système automatique de classification et de segmentation des tumeurs cérébrales à partir d'images par résonance magnétique (IRM) en utilisant des approches d'apprentissage profond. L'étude s'appuie sur la base de données BRISC 2025, qui contient 6 000 coupes IRM pondérées en T1 avec injection de gadolinium, réparties en quatre classes équilibrées : gliome, méningiome, tumeur hypophysaire et absence de tumeur. Pour la classification, l'architecture DenseNet121 a été implémentée avec une stratégie de transfert d'apprentissage en deux phases. Pour la segmentation, l'architecture U-Net a été utilisée avec une fonction de perte Dice loss. Les résultats montrent un contraste marqué entre les deux tâches. Le modèle de classification atteint une exactitude de 92,80 % et un F1-score moyen de 92,81 %, démontrant sa capacité à discriminer efficacement les différents types de tumeurs. Le modèle de segmentation obtient un coefficient de Dice de 21,79 % et un IoU de 12,22 %, performances modestes principalement expliquées par le déséquilibre extrême des classes, les contraintes matérielles (exécution sur CPU uniquement, résolution réduite à 128×128 pixels) et la complexité inhérente à la délimitation au niveau du pixel. Malgré ces limites, la progression régulière du Dice score durant l'apprentissage confirme la convergence du modèle et la pertinence de l'approche choisie. Ce travail démontre la faisabilité d'une classification automatisée des tumeurs cérébrales avec des performances prometteuses pour l'aide au diagnostic, tout en soulignant que la segmentation reste un verrou scientifique et technique nécessitant des ressources computationnelles accrues et des jeux de données annotés plus conséquents avant une éventuelle application clinique.