Classification des tumeurs cérébrales

Abstract

Ce projet présente le développement d’un modèle de classification des tumeurs cérébrales utilisant des réseaux de neurones convolutionnels (CNN). L’objectif principal était de créer un modèle capable de distinguer effcacement entre différents types de tumeurs cérébrales à partir d’images IRM. Nous avons commencé par préparer un ensemble de données complet en appliquant des techniques de redimensionnement, de normalisation. Ensuite, un modèle CNN performant a été conçu, comprenant plusieurs couches de convolution, de pooling et des couches entièrement connectées pour la classification finale. Le modèle a été entraîné et validé en utilisant des métriques telles que l’accuracy, la pré- cision, le rappel et le score F1, obtenant des résultats prometteurs avec une accuracy de 97% sur l’ensemble de test. L’analyse de la matrice de confusion a révélé une bonne capacité de classification du modèle, bien que certaines erreurs de différenciation entre classes spécifiques subsistent. En comparaison avec des travaux antérieurs, notre modèle a démontré des performances supérieures, soulignant l’effcacité de notre approche. Les perspectives futures incluent l’exploration d’architectures CNN plus complexes, l’enrichissement de l’ensemble de données, la validation clinique et le développement d’interfaces utilisateur intuitives. Ces travaux contribuent à l’amélioration du diagnostic des tumeurs cérébrales et ouvrent la voie à de futures recherches dans ce domaine crucial.