A Deep Learning Web Application for MRI Brain Tumor Images Analysis

Abstract

La possibilité d’améliorer la détection des maladies et la planification des traitements s’accompagne d’algorithmes précis et entièrement automatiques de classification et de segmentation des tumeurs cérébrales à partir de l’imagerie volumétrique 3D par résonance magnétique (IRM). Le gliome est l’un des types les plus courants des tumeurs cérébrales primaires et est divisé en deux grades selon l’Organisation mondiale de la santé (OMS). L’interprétation humaine de la grande quantité de données d’images IRM est non seulement non reproductible mais dépend également de l’expertise, du temps et des efforts. Dans ce travail, nous essayons de résoudre ce problème en développant une application web pour classer les tumeurs cérébrales en deux classes : Gliome de haut grade (GHG) et Gliome de bas grade (GBG). La solution proposée comprend deux parties. Tout d’abord, l’application d’un modèle pré-entraîné basé sur un réseau de neurones convolutif utilisant VGG-16, ResNet-50 et Inception V3 pour transférer les connaissances acquises à quatre ensembles de données, un pour chaque modalité d’IRM (T1, T1ce ,T2 et FLAIR), afin de sélectionner la modalité qui présente des caractéristiques et des informations plus spécifiques, en passant par le prétraitement des images ainsi l’augmentation des données.Pour améliorer encore la classification des tumeurs, les coupes non tumorales ont été supprimées de la classe HGG de l’ensemble de données sélectionné, puis ont été utilisées séparément pour entraîner les trois modèles.Deuxièmement, nous présentons notre application web Med3csEG qui est l’une des systèmes d’aide à la décision en mentionnant toutes les étapes de la modélisation et de la réalisation de chaque fonctionnalité qui sont introduites dans la page d’accueil, les pages d’authentification et d’enregistrement et la page principale pour compléter la tâche de classification des tumeurs cérébrales. Les évaluations sur BraTS 2019, attestent que la modalité T1 présente les caractéristiques les plus discriminantes pour distinguer les gliomes LG et HG avec 0,9513, 0,907 et 0,9487 pour la précision, la sensibilité et la spécificité respectivement. Le modèle Inception V3 entraîné sur l’ensemble de données T1 surpasse les autres modèles avec 0,9975, 0,9894 et 1 pour la précision, la sensibilité et la spécificité respectivement. Les résultats expérimentaux montrent que l’utilisation du modèle Inception V3 avec la modalité IRM T1 peut permettre d’obtenir de bons résultats dans la classification des tumeurs cérébrales.