Détection et classification automatisées des tumeurs cérébrales à l’aide des techniques d’apprentissage profond
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Sciences
Abstract
La détection et la classification des tumeurs cérébrales présentent des défis considérables
en raison de la complexité des structures tumorales et de la variabilité des données
d’imagerie. Cette étude vise à améliorer la précision et la fiabilité de la détection et de la
classification des tumeurs cérébrales en exploitant les techniques d’apprentissage profond.
En utilisant un ensemble de données d’IRM de tumeurs cérébrales, nous avons développé
et évalué plusieurs modèles, incluant des algorithmes d’apprentissage automatique traditionnels
tels que les K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random
Forest, Adaboost et XGBoost, ainsi que des architectures avancées d’apprentissage
profond comme MobileNet, EfficientNetB0, VGG-19, CNN, DenseNet et ResNetInceptionV3.
Les performances des modèles ont été évaluées à l’aide de métriques telles que la
précision (accuracy), le F1 score, la précision (precision), le rappel (recall), l’AUC (ROC)
et le score de Cohen’s Kappa.
Les résultats expérimentaux ont démontré que les modèles d’apprentissage profond
surpassent significativement les approches traditionnelles d’apprentissage automatique,
avec EfficientNetB0 atteignant une précision de 99.3% , un F1 score de 0,99 et une AUC
de 0,99. Ces résultats indiquent une amélioration substantielle des performances diagnostiques,
suggérant que les systèmes basés sur l’apprentissage profond peuvent jouer un rôle
crucial dans la réduction des erreurs diagnostiques et l’amélioration de l’efficacité de la
détection et de la classification des tumeurs cérébrales.