Les tumeurs cérébrales représentent un défi médical critique, nécessitant un diagnostic précis et rapide pour améliorer les résultats des patients. Une mauvaise classification peut réduire considérablement l'espérance de vie, soulignant la nécessité de méthodes diagnostiques précises. L'analyse manuelle d'ensembles de données d'imagerie par résonance magnétique (IRM) étendus est à la fois laborieuse et chronophage, ce qui met en évidence l'importance d'un modèle d'apprentissage profond (AP) efficace pour améliorer la précision diagnostique. Cette étude présente une approche innovante d'ensemble profond basée sur l'apprentissage par transfert (AP) pour une classification efficace des tumeurs cérébrales. La méthodologie proposée intègre un prétraitement complet, l'équilibrage des données par génération de données synthétiques (GDS), la reconstruction et le réglage fin des architectures d'AP, ainsi que la modélisation en ensemble utilisant l'optimisation de poids basée sur des algorithmes génétiques (AG) et l'optimisation de poids basée sur une recherche en grille (RG) utilisée pour optimiser les poids du modèle en vue d'une performance améliorée. Des expériences ont été réalisées sur l'ensemble de données de tumeurs cérébrales améliorées par IRM de Figshare, composé de 3064 images. L'approche proposée a démontré une performance exceptionnelle, atteignant des précisions de classification de 99,57 % avec Xception, 99,48 % avec ResNet50V2, 99,33 % avec ResNet152V2, 99,39 % avec InceptionResNetV2, 99,78 % avec AG et 99,84 % avec RG. La RG a obtenu la précision moyenne la plus élevée de 99,84 % au cours de la validation croisée à cinq volets parmi d'autres modèles d'AP. L'analyse comparative met en évidence la supériorité du modèle proposé par rapport aux travaux les plus récents, montrant son potentiel pour aider les neurologues et les cliniciens à prendre des décisions diagnostiques précises et opportunes. L'étude conclut que le modèle d'ensemble profond optimisé est un outil robuste et fiable pour la classification des tumeurs cérébrales.
Talukder et al. (Jeudi) ont étudié cette question.