Classification des IRM célébrales pathologiques basée sur les techniques d’apprentissage profond

Abstract

Le but de cette étude était de proposer un nouveau modèle de classification pour l'IRM cérébrale pathologique. Pour cette raison, il est essentiel de concevoir et de développer un système d'aide au diagnostic pour aider les médecins à analyser ces images IRM. Avec notre contribution, nous développons une procédure de classification d'images cérébrales saines et pathologiques. L'image est prétraitée, redimensionnée, puis l'étape d'extraction des caractéristiques est terminée à l'aide de deux extracteurs de caractéristiques de bas niveau : Hog, Gist et un autre ResNet-50 de haut niveau. Un mécanisme d'optimisation est ensuite appliqué aux vecteurs de caractéristiques produits par l'étape d'extraction afin de : minimiser la taille de ce vecteur, utilisez l'algorithme d'optimisation Particle Swart Optimization (PSO) pour sélectionner les meilleures caractéristiques et améliorer la précision. Les fonctionnalités optimisées deviennent l'entrée du classifieur sélectionné pour notre contribution "Deep Rule Based" DRB. Pour évaluer ce classificateur, des expériences ont été menées avec deux autres algorithmes d'optimisation (GW et GA) et deux autres classificateurs (KNN et SVM). Nous obtenons des résultats montrant que DRB a des performances élevées avec une précision de 99,67 % , et on a aussi utilisé la technique de changement d'angle pour augmenter le taux d'accuracy. The aim of this study was to propose a new classification model for pathological brain MRI. For this reason, it is essential to design and develop a diagnostic support system to help doctors analyze these MRI images. With our contribution, we are developing a procedure for classifying healthy and pathological brain images. The image is pre-processed, resized, and then the feature extraction step is completed using two low-level feature extractors: Hog, Gist, and another high-level ResNet-50. An optimization mechanism is then applied to the feature vectors produced by the extraction step in order to: minimize the size of this vector, use the Particle Swarm Optimization (PSO) optimization algorithm to select the best features and improve the precision. The optimized features become the input of the selected classifier for our "Deep Rule Based" DRB contribution. To evaluate this classifier, experiments were conducted with two other optimization algorithms (GW and GA) and two other classifiers (KNN and SVM). We obtain results showing that DRB has high performance with an accuracy of 99.67%, and we also use the angle change technique to increase the accuracy rate.