Segmentation de lésions cérébrales en IRM par architectures Deep Learning hybrides CNN–Transformers

Abstract

La segmentation automatique des tumeurs cérébrales à partir d’IRM multimodales constitue un enjeu majeur en pratique clinique, mais reste limitée par la variabilité et le coût de la délimita tion manuelle. Ce travail propose une évaluation comparative de deux architectures hybrides d’ap prentissage profond, HybridUNet3D et TransUNet3D, développées sur la base de données BraTS. Le premier modèle combine un U-Net 3D résiduel avec des mécanismes d’attention et un module ASPPpour l’extraction multi-échelle, tandis que le second intègre un module Transformer au goulot d’étranglement afin de capturer les dépendances contextuelles globales. Les modèles sont entraînés avec une fonction de perte hybride (Dice, entropie croisée). Les résultats expérimentaux démontrent des performances élevées en termes de coefficient de Dice, avec un avantage du TransUNet3D en termes de robustesse et de stabilité inter-patients. Comparée aux approches de l’état de l’art, cette architecture hybride CNN–Transformer offre une segmentation précise et fiable, tout en restant efficace avec des volumes de données limités.