Browsing by Author "Chekima Nour EL Islem \ Mansouri Aridj"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Comparaison entre les performances de CNN et SwinUnetR Transformer pour le développement d'un système de segmentation 3D et classification automatique des tumeurs cérébrales.
    (university of eloued جامعة الوادي, 2024-06-02) Chekima Nour EL Islem \ Mansouri Aridj
    يُعد التصوير بالرنين المغناطيسي التقنية الأكثر شيوعًا للتشخيص غير الجراحي لسرطان الدماغ، حيث يوفر صورًا دماغية فائقة الجودة. لتوفير تشخيص دقيق للورم الدبقي وتحديد درجة خبثه، تُعد عمليتا التجزئة والتصنيف أمراً ضرورياً لتحقيق الكشف التلقائي عن درجة الورم دون تدخل بشري. تُعتبر تجزئة وتصنيف الورم الدماغي في الصور الطبية مهمةً معقدةً بسبب التغيرات المورفولوجية والموقع العشوائي للآفات الدماغية. في هذا السياق، أحرز التعلم العميق، ولا سيما تقنية Transformers، تقدمًا كبيرًا في مجالات الرؤية الحاسوبية وتحليل الصور الطبية. تستند استراتيجيتنا إلى كتل تحويل التجزئة ثلاثية الأبعاد (3D) الفعالة المعروفة باسم SwinUnetR، بالإضافة إلى استخدام أربعة أنواع من التصوير بالرنين المغناطيسي لتحديد مواقع الأورام الدماغية وتجزئتها. يتم استخراج أهم السمات من الصور المنجزة ثم نقلها إلى مصنفي SVM وANN لتحديد نوع الورم إلى: أورام دبقية منخفضة الدرجة (LGG) أو أورام دبقية عالية الدرجة (HGG). أظهرت الاختبارات الصارمة كفاءة النظام المقترح، حيث حقق معدل دقة يزيد عن 94%. وتكمن ميزة نهجنا في قدرته على مساعدة أخصائيو الأشعة في تحديد وتصنيف الأورام الدبقية بدقة وفعالية. Abstract Detecting brain tumors using deep learning, Transformer and machine learning is an essential and promising field, as gliomas are classified as primary tumors because they originate from brain cells. By exploiting ongoing advances in artificial intelligence, it is now possible to significantly improve the early diagnosis of brain tumors by accurately analyzing medical images and identifying changes associated with the disease. Transformer makes it possible to analyze patient data and predict potential outcomes. This capability enables clinicians to make more precise therapeutic decisions, while improving the speed and accuracy of diagnosis and classification. As a result, using Transformer and deep learning to detect brain cancer reduces the time and costs associated with the disease. What's more, this approach improves the quality of patient care and helps optimize treatment outcomes through accurate, rapid diagnosis and personalized treatment. Ongoing technological developments are leading to further improvements and practical applications of Transformer models and deep learning in the field of brain cancer detection. The main goal of our work was to apply these models to the analysis of 3D medical MRI images in order to accurately classify and detect brain cancer. To achieve this, we used several techniques, including convolutional neural networks (CNNs), which is a widely used method in the field of neural network-based deep learning. Convolutional neural networks (CNNs) have the ability to automatically extract high-level features from data. The resulting regions of interest are cropped and then fed to SVM for classification to distinguish low-grade gliomas (LGG) from high-grade gliomas (HGG) based on quantification. Our proposed model showed very promising results, which will enable clinicians to make more accurate diagnostic decisions by providing high-resolution medical imaging solutions.