Résumé:
La segmentation des tumeurs cérébrales est une élément importante dans le traitement
d’images médicales. Le diagnostic précoce des tumeurs cérébrales joue un rôle important
dans l’amélioration des possibilités de traitement et augmente le taux de survie des patients.
La segmentation manuelle des tumeurs cérébrales pour le diagnostic du cancer, à partir
d’une grande quantité des images IRM, est une tâche difficile et longue. Il existe un besoin
de segmentation automatique des images des tumeurs cérébrales. Pour résoudre ce problème,
l’algorithme d’apprentissage profond du réseau neuronal à convolution (CNN) basé sur
l’architecture ResNet-50|ResUNet est proposé pour détecter les tumeurs et marquer la
zone où elles se trouvent. Premièrement, une unité résiduelle facilite l’apprentissage des
architectures profondes. Deuxièmement, l’accumulation de caractéristiques avec des couches
convolutives récurrentes résiduelles garantit une meilleure représentation des caractéristiques
pour les tâches de segmentation. La segmentation automatique des tumeurs cérébrales est
une tâche très difficile en raison de la grande variabilité spatiale et structurelle de la région
environnante de la tumeur cérébrale. La méthode proposée présente précision 94% sur les
données de test.
The segmentation of brain tumors is an important in the processing of medical images.
Early diagnosis of brain tumors plays an important role in improving treatment options and
increasing patient survival rates. Manual segmentation of brain tumors for cancer diagnosis,
from a large amount of MRI, is a difficult and timeconsuming task. There is a need for
automatic segmentation of brain tumor. To solve this problem, the convolutional neural
network (CNN) deep learning algorithm based on the ResNet-50|ResUNet architecture
is proposed to detect tumors and mark the area where they are located. The use of
the proposed architectures for the segmentation tasks has several advantages. Firstly, a
residual unit facilitates the learning of deep architectures. Second, feature accumulation
with residual recurrent convolutional layers guarantees better feature representation for
segmentation tasks. Automatic segmentation of brain tumors is a very difficult task due to
the large spatial and structural variability of the région surrounding the brain tumor. The
proposed méthode exhibait 94% accuracy on the test data
