Segmentation des images IRM pour identifier des tumeurs cérébrales par l’apprentissage profond

Abstract

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