Prédiction des tumeurs cérébrales dans les images IRM par l’apprentissage profond
| dc.contributor.author | MERDJI, Saida | |
| dc.contributor.author | REBIAI, Soria | |
| dc.date.accessioned | 2024-10-31T11:32:04Z | |
| dc.date.available | 2024-10-31T11:32:04Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | TThe accurate diagnosis of contemporary diseases heavily relies on the processing of medical images. This study introduces an interesting approach for automated detection of brain tumors from magnetic resonance imaging (MRI) using the deep learning model ResNet50. This model, renowned for its ability to extract complex features from images, is deployed to analyze brain MRI images and accurately identify the presence of tumors. The data used in this study include MRI images containing tumors. We compared our approach to other methods using criteria such as precision, recall, and F1 score. The proposed model, ResNet50, achieved a detection accuracy of 98%, demonstrating its effectiveness in detecting brain tumors from MRI images. These results highlight the potential of the ResNet50 model to improve early and accurate detection of brain tumors in images. | en_US |
| dc.identifier.issn | MM/846 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/5671 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science | en_US |
| dc.subject | Image IRM, ResNet50, CNN, Apprentissage en profondeur, traitement des images ,cerveau,Tumeurs cérébrales | en_US |
| dc.subject | MRI, ResNet50, CNN, Deep Learning, Brain Tumors, Accuracy | en_US |
| dc.title | Prédiction des tumeurs cérébrales dans les images IRM par l’apprentissage profond | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- FIN FIN.pdf
- Size:
- 6.81 MB
- Format:
- Adobe Portable Document Format
- Description:
- a détection des tumeurs cérébrales par apprentissage profond est un domaine en plein essor qui com bine l’imagerie médicale, en particulier l’imagerie par résonance magnétique (IRM), avec les techniques d’apprentissage automatique pour améliorer le diagnostic et le suivi des tumeurs cérébrales. Les réseaux de neurones convolutifs (CNN) sont une classe d’algorithmes d’apprentissage profond qui ont montré une grande efficacité dans la détection et la classification des tumeurs cérébrales à partir des images IRM. Les CNN peuvent extraire des caractéristiques pertinentes des images IRM, ce qui permet une classification plus précise des tumeurs cérébrales en différentes catégories, comme les tumeurs malignes ou bénignes. L’utilisation de modèles pré-entraînés comme ResNet50 améliorer encore la performance de la détec tion des tumeurs cérébrales. En fin de compte, l’apprentissage profond offre de nouvelles perspectives pour améliorer la précision et la rapidité du diagnostic des tumeurs cérébrales, aidant ainsi les médecins et les radiologues dans leur travail En conclusion, ce mémoire a démontré l’efficacité de l’apprentissage profond dans la détection des tumeurs cérébrales à partir d’images IRM. Notre méthode offre un potentiel considérable pour améliorer le diagnostic précoce de ces affections et ouvre la voie à de futures recherches dans ce domaine crucial de la santé. nous allons envisager d’ajouter des perspectives futures pour le développement de modèles de détection des tumeurs cérébrales par apprentissage profond. Outre la détection initiale des tumeurs cérébrales, il est impératif de poursuivre les efforts de recherche pour concevoir des modèles capables de prédire avec précision la progression tumorale au fil du temps. Ces modèles devraient être capables d’analyser l’évolution des caractéristiques des tumeurs à partir des données d’imagerie longitudinales et de prédire leur comportement future. En intégrant des données cliniques telles que l’âge du patient, le type de tumeur, les marqueurs biologiques, et la réponse au traitement, ces modèles pourraient fournir des informations précieuses pour une prise en charge plus personnalisée des patients. De plus, en identifiant les patients à haut risque de progression tumorale, ces modèles pourraient permettre une planification thérapeutique proactive et une optimisation des stratégies de traitement, contribuant ainsi à améliorer les résultats cliniques et la qualité de vie des patients atteints de tumeurs cérébrales. Ces avancées dans le domaine de la prédiction de la progression tumorale représentent un pas important vers une médecine de précision et personnalisée, où les décisions thérapeutiques sont guidées par des données probantes et des informations spécifiques au patient.
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: