Abstract
A brain tumor is the growth of abnormal cells in the brain, some of which can lead to cancer. The usual way to detect a brain tumor is with magnetic resonance imaging (MRI). From the MRI images, information about the abnormal growth of tissue in the brain is determined. In our subject, the brain tumor is detected by applying machine learning algorithms. When these algorithms are applied to MRI images, brain tumor predictions are made very quickly. This prediction also helps the radiologist to make quick decisions.
We have proposed a new model of CNN Network to segment brain tumors into two classes with and without tumor.
The medical MRI images were processed, resized, cropped and augmented prior to the training of the CNN and Vgg-16 models and the results were satisfactory.
Résumé
Une tumeur cérébrale est la croissance de cellules anormales dans le cerveau, dont certaines peuvent conduire au cancer. La façon habituelle de détecter une tumeur cérébrale est l'imagerie par résonance magnétique (IRM). À partir des images IRM, des informations sur la croissance anormale des tissus dans le cerveau sont déterminées. Dans notre sujet, la tumeur cérébrale est détectée en appliquant des algorithmes d'apprentissage automatique. Lorsque ces algorithmes sont appliqués aux images IRM, les prédictions de tumeurs cérébrales sont faites très rapidement. Cette prédiction aide également le radiologue à prendre des décisions rapides.
Nous avons proposé un nouveau modèle de réseau CNN pour segmenter les tumeurs cérébrales en deux classes avec et sans tumeur.
Les images d'IRM médicales ont été traitées, redimensionnées, recadrées et augmentées avant la formation des modèles CNN et Vgg-16 et les résultats ont été satisfaisants.
