Amélioration de la détection des tumeurs cérébrales dans les images IRM grâce à une IA explicable utilisant Grad-CAM avec Resnet 50

Résumé Cette étude aborde le défi critique de la détection des tumeurs cérébrales à l'aide d'images IRM, une tâche essentielle dans le diagnostic médical qui exige une grande précision et interprétabilité. Bien que l'apprentissage profond ait montré un succès remarquable dans l'analyse d'images médicales, il reste un besoin substantiel de modèles qui soient non seulement précis mais aussi interprétables pour les professionnels de la santé. Les méthodologies existantes, principalement basées sur l'apprentissage profond, agissent souvent comme des boîtes noires, offrant peu d'informations sur leur processus de prise de décision. Cette recherche introduit une approche intégrée utilisant ResNet50, un modèle d'apprentissage profond, combiné avec le Gradient-weighted Class Activation Mapping (Grad-CAM) pour offrir un cadre transparent et explicable pour la détection des tumeurs cérébrales. Nous avons utilisé un jeu de données d'images IRM, amélioré par des augmentations de données, pour entraîner et valider notre modèle. Les résultats démontrent une amélioration significative des performances du modèle, avec une précision de test de 98,52 % et des métriques de précision-rappel dépassant 98 %, montrant l'efficacité du modèle à distinguer la présence de tumeurs. L'application de Grad-CAM fournit des explications visuelles percutantes, illustrant les zones d'attention du modèle lors des prédictions. Cette fusion de grande précision et d'explicabilité a des implications profondes pour le diagnostic médical, offrant une voie vers des outils de détection des tumeurs cérébrales plus fiables et interprétables.