Using Deep Learning for Cerebral Gliomas Classiication (HGG, LGG) Based on MRI

Abstract

Les gliomes sont des maladies graves qui nécessitent une détection et un diagnostic précoces en raison de leur impact sur la santé. Dans ce mémoire, nous avons mené une recherche exhaustive sur les gliomes et leur classiication ainsi que les techniques utilisées pour classiier ces tumeurs. Pour la classiication de ces tumeurs, plusieurs modèles CNNs ont été utilisés, notamment VGG16, Xception et ResNet50, qui ont été entraînés sur notre base d􀇶images BraTS2018 et BraTS2019 .Nous avons utilisées trois modèles de base (VGG16, Xception, ResNet50) avec des couches supplémentaires telles que Dense Layers, Batch Normalization et Dropout qui ont été utilisées pour éviter le surapprentissage. L􀇶optimiseur Adam a été utilisé pour entraîner les modèles, tandis que les mesures de perte et de précision ont été utilisées pour les évaluer. Les résultats de notre travail étaient très prometteurs et ils ont montrés a la iabilité de ResNet50 pour la classiication des gliomes avec une précision d􀇶apprentissage allant jusqu􀇶à 99% et une précision de validation de 98% par rapport : à VGG16 qui a donné 97% de précision d􀇶apprentissage et 95% de précision de validation et à Xception qui a donné une précision d􀇶apprentissage de 96% et une précision de validation égale à 94% Pendant 35 époque. Notre travail montre l􀇶importance d􀇶utiliser les technologies de l􀇶apprentissage profond dans le domaine de la santé pour l􀇶aide au diagnostic médical. Les résultats de ce travail ouvrent la voie au développement d􀇶autres systèmes de diagnostic automatique et fournissent une base pour les futures recherches dans ce sujet.