Boutbeig, Nor El HoudaBentaieb, Fatma zohra2025-11-252025-11-252025https://dspace.univ-tlemcen.dz/handle/112/25296Les tumeurs cérébrales constituent un défi majeur en santé publique, en raison de leurs conséquences graves sur la vie des patients. Pour permettre une prise en charge adaptée, un diagnostic rapide et précis est essentiel. Toutefois, l’analyse manuelle des images IRM demeure complexe et sujette à l’erreur humaine. Dans ce contexte, notre travail propose un système de classification automatique des tumeurs cérébrales à partir d’images IRM, en s’appuyant sur des techniques d’apprentissage profond. Trois architectures de réseaux de neurones ont été évaluées: un CNN classique, ResNet50 et EfficientNetB0. Les résultats expérimentaux ont montré que le modèle ResNet50 a obtenu la meilleure précision avec 99,62 %, suivi d’EfficientNetB0 (98,77 %) et du CNN classique (97,62 %). Ces résultats confirment l’efficacité du deep learning pour assister les professionnels de santé dans le diagnostic des tumeurs cérébrales.frtumeurs cérébralesIRMclassification automatiqueapprentissage profond.Thesis