Détection des tumeurs cérébrales à l'aide d'un réseau neuronal basé sur l'apprentissage non supervisé

La tâche de classification des images de tumeurs cérébrales par IRM (Imagerie par résonance magnétique) est difficile en raison de la variance et de la complexité des tumeurs. Cet article présente une technique de réseau neuronal basée sur l'apprentissage non supervisé pour la classification des images cérébrales humaines par résonance magnétique. Le diagnostic des tumeurs cérébrales nécessite une analyse histologique détaillée, qui implique une chirurgie invasive pouvant être douloureuse et provoquant un inconfort chez les patients. Dans cet article, la procédure de diagnostic des tumeurs cérébrales est divisée en plusieurs phases. La première phase consiste en un prétraitement des images, qui inclut l'égalisation d'histogramme, la détection des contours, le filtrage du bruit, le seuillage, etc. Dans la deuxième phase, les caractéristiques de l'image cérébrale par IRM sont extraites à l'aide d'une analyse en composantes indépendantes (ICA). Dans la troisième phase, le diagnostic des tumeurs cérébrales est effectué à l'aide d'une carte auto-organisée (SOM). Enfin, un algorithme de clustering kmeans est appliqué pour segmenter le cerveau en différents tissus. Les résultats de classification sur une variété d'images IRM pour différentes pathologies indiquent que cette technique est prometteuse.