Journal des technologies de l'information et du génie logiciel
Libre accès

Abstrait

Détection d'une tumeur cérébrale à un stade précoce grâce à l'apprentissage profond

Probuddha Konwar, Julius Bhadra, Manash Jyoti Dutta, Jintu Dowari

Dans la planification du traitement des tumeurs cérébrales et l'évaluation quantitative, la détermination de l'étendue des tumeurs est un défi majeur. L'imagerie par résonance magnétique (IRM) non invasive s'est développée comme une technique de diagnostic de première ligne pour les tumeurs malignes cérébrales sans utilisation de rayonnement ionisant. La segmentation manuelle de l'étendue d'une tumeur cérébrale à partir de volumes IRM 3D est un processus chronophage qui dépend grandement de la compétence de l'opérateur. Pour une évaluation correcte de l'étendue des tumeurs, une approche de segmentation des tumeurs cérébrales entièrement automatisée et fiable est nécessaire dans ce scénario. Nous présentons dans cet article une méthode de segmentation des tumeurs cérébrales entièrement automatisée basée sur les réseaux convolutionnels profonds U-Net. Les ensembles de données de segmentation d'images de tumeurs cérébrales multimodales (BRATS 2015) ont été utilisés pour tester notre approche, qui comprenait 220 tumeurs cérébrales de haut grade.