Segmentation des images IRM cérébrales par apprentissage profond

Abstract

L'Imagerie par résonance magnétique L'IRM est l'une des techniques d'imagerie médicale les plus récentes, qui permet d'observer la structure des tissus dans différents plans de l'espace et la position exacte des lésions invisibles. Dans ce travail, nous nous concentrons sur l'utilisation de l'apprentissage profond et des réseaux de neurones convolutifs (CNN) pour la segmentation précise des tumeurs gliomateuses dans des images IRM cérébrales. En particulier, nous avons appliqué trois différentes architectures pour l'étape d'apprentissage, cette phase est appliqué sur une base de données étiquetée BraTS [14].Pour cela, nous avons utilisé Matlab 2019 compatible avec un GPU. Nous avons utilisé différentes couches pour former nos architectures (couche convolutive, couche pooling, couche rectification, couche déconvolutionnelle et couche perte…) et pour réaliser une segmentation sémantique. Nous avons utilisé le coefficient de Dice pour comparer les résultats obtenus. Les résultats obtenus ont montré que le choix du numéro d'époque a une grande influence et une grande importance sur les résultats de la segmentation.