Segmentation et classification des tumeurs cérébrales avec une architecture 3D U-Net adaptée

Abstract

Au cours des dernières années, on a observé une augmentation notable du nombre de patients souffrant de tumeurs cérébrales, les plaçant au dixième rang des tumeurs les plus fréquentes chez l'homme. Bien que l'imagerie par résonance magnétique soit une méthode efficace pour représenter avec précision la structure cérébrale, elle présente néanmoins plusieurs inconvénients, tels qu'une résolution spatiale insuffisante, une inhomogénéité et un contraste limité, rendant ainsi la segmentation des images IRM plus complexe, notamment lors de la segmentation manuelle, qui est chronophage et sujette à des erreurs. Dans ce contexte, les applications biomédicales de l'intelligence artificielle, de l'apprentissage automatique et de l'apprentissage profond ont récemment suscité l'intérêt des chercheurs grâce à l'implémentation de systèmes de diagnostic assisté par ordinateur (CAD). Les réseaux de neurones convolutifs (CNN) et l’architecture U-Net sont les principales architectures investiguées dans ce travail cela est justifié par leurs capacités d'adaptation à la classification et à la possibilité de réaliser une segmentation sémantique des images 2D ou 3D. Notre méthode a non seulement permis d'identifier la présence de tumeur dans le cerveau avec une grande précision, mais elle a également réussi à déterminer le type de tumeur présent dans la région d'intérêt segmentée, qu'il s'agisse d'un gliome ou d'un méningiome. En fin nous avons obtenu des résultats excellents par rapport au 3D U-NET classique et 2D U-NET traditionnelle avec amélioration dans les métriques une précision égale à 99,3%, le moyen IoU 84.5% et +2% pour chaque dé (WT, TC, ET).