classification des tumeurs cérébrales en utilisant Deep Learning

Abstract

"شهدت السنوات القليلة الماضية زيادة كبيرة في عدد المرضى الذين يعانون من أورام الدماغ، مما يجعلها عاشر أكثر أنواع الأورام شيوعًا التي تصيب الناس. و على الرغم من أن التصوير بالرنين المغناطيسي هو أسلوب فعال في وصف بنية الدماغ بدقة ، إلا أن العديد من العيوب مثل الدقة المكانية الضعيفة وعدم التجانس والتباين المنخفض يمكن أن يجعل تجزئة صور التصوير بالرنين المغناطيسي أكثر صعوبة خاصة في التقسيم اليدوي الذي يستغرق وقتًا طويلاً وعرضة للخطأ. وبهذا المعنى ، فإن التطبيقات الطبية الحيوية للذكاء الاصطناعي والتعلم الآلي والتعلم العميق تجتاح الباحثين مؤخرًا من خلال تنفيذ أنظمة CAD. في هذا العمل ، سوف نتعامل مع مهام كل من نموذج U-net القائم على اكتشاف الورم والتصنيف في وقت واحد ضمن إطار واحد قائم على خوارزمية SVM ونماذج قوانين الطاقة القائمة على توصيف أورام النسيج: Zipf و Zipf المعكوسة و مرشحات Gabor لتمييز الورم الدبقي عن الورم السحائي. لم تحدد طريقتنا وجود الخلايا السرطانية في الدماغ بدقة عالية فحسب ، بل نجح نهجنا أيضًا في تحديد نوع السرطان الموجود في المنطقة المجزأة محل الاهتمام سواء كان يتكون من ورم دبقي أو ورم سحائي. ""Ces dernières années ont subi une augmentation significative du nombre de patients atteints de tumeurs cérébrales, ce qui en fait la 10 ème forme de tumeur la plus courante chez les personnes. Même si l'imagerie par résonance magnétique est une technique efficace pour décrire avec précision la structure du cerveau, cependant, de nombreux inconvénients tels qu'une mauvaise résolution spatiale, une inhomogénéité et un faible contraste peuvent rendre la segmentation des images IRM plus difficile, en particulier dans la segmentation manuelle qui prend du temps et est sujette aux erreurs. Dans ce sens, les applications biomédicales de l'intelligence artificielle, de l'apprentissage automatique et de l'apprentissage profond ont récemment attiré les chercheurs grâce à la mise en œuvre de systèmes CAD. Dans ce travail, nous gérons les tâches de la détection des tumeurs basée le modèle U-net ainsi que leur classification simultanément basée l’algorithme des SVM en réalisant la caractérisation texturale des tumeurs par les lois de puissance : Zipf et Zipf inverse ainsi que les filtres de Gabor pour distinguer les tumeurs gliomes de celles méningiomes. Notre méthode n'a pas seulement identifié la présence de cellules cancéreuses dans le cerveau avec une grande précision, voire plus, notre approche a également réussi à identifier le type de cancer présent dans la région d'intérêt segmentée qu’il s'agisse d'un gliome ou d'un méningiome. "