Conception d’un modèle d’apprentissage profond pour la détection des maladies cancéreuses

Abstract

Détecter les tumeurs cérébrales le plus tôt possible est crucial pour la survie d'un patient. Une raison pour développer une nouvelle technique de détection. La tumeur cérébrale est une maladie grave dans le domaine médical. Les médecins travaillent dur pour détecter et traiter la tumeur afin de sauver la vie des patients. Détecter une tumeur prend beaucoup de temps aux médecins et les diagnostics peuvent changer d'un médecin à l'autre. Cette thèse propose deux modèles d'apprentissage profond pour identifier les tumeurs cérébrales bilatérales (normales et anormales) et multicouches (méningiome, gliome et adénome hypophysaire). Pour construire nos modèles, nous appliquons d'abord un réseau de neurones convolutifs (CNN). Cependant, lorsqu'il s'agit de volumes limités de données, comme dans le cas du deuxième ensemble de données, notre architecture CNN proposée présente un problème d'affectation. Pour résoudre ce problème, nous utilisons l'apprentissage par transfert d'InceptionResNet. Enfin, nous avons comparé nos modèles proposés avec ceux rapportés dans la littérature. Nos résultats expérimentaux indiquent que nos modèles atteignent respectivement une précision de classification allant jusqu'à 97,8 % pour nos ensembles de données.