Détection automatique des tumeurs cérébrales par Deep Learning à partir d’images IRM
No Thumbnail Available
Date
2026-06-22
Journal Title
Journal ISSN
Volume Title
Publisher
Universités de 20 Août 1955 Skikda
Abstract
Ce mémoire présente une étude comparative de plusieurs architectures de réseaux de neurones convolutifs appliquées à la classification automatique des tumeurs cérébrales à partir d'images IRM. L'étude porte sur quatre classes : gliome, méningiome, adénome hypophysaire et absence de tumeur. Trois modèles ont été développés et évalués : un CNN personnalisé, VGG16 avec Transfer Learning et ResNet50 avec Fine-Tuning.
La méthodologie repose sur une validation externe rigoureuse utilisant deux sources de données indépendantes. Le dataset Kaggle de Masoud Nickparvar a été utilisé pour l'entraînement et la validation, tandis que le dataset Mendeley Data a servi à l'évaluation finale de la capacité de généralisation des modèles. Les performances ont été évaluées à l'aide de plusieurs métriques complémentaires : accuracy, précision, rappel, F1-score, matrices de confusion et courbes ROC-AUC.
Les résultats montrent que ResNet50 constitue l'architecture la plus performante avec une accuracy de 94,9 % sur l'ensemble de validation et de 91,0 % sur le test externe indépendant. L'étude met également en évidence les limites du surapprentissage observées avec VGG16 et souligne l'importance d'une validation externe pour l'évaluation fiable des systèmes de Deep Learning en imagerie médicale.
Les résultats obtenus confirment le potentiel des architectures profondes pour assister les spécialistes dans la classification des tumeurs cérébrales. Toutefois, des validations multicentriques et cliniques demeurent nécessaires avant toute intégration dans la pratique hospitalière.