Une nouvelle approche d'apprentissage profond pour la détection des tumeurs cérébrales

Les tumeurs cérébrales constituent des obstacles considérables dans le domaine des soins de santé nécessitant un diagnostic précis et rapide afin d'obtenir une thérapie efficace et d'améliorer les résultats pour les patients. L'imagerie par résonance magnétique (IRM) et la tomodensitométrie (TDM) sont des techniques cruciales pour l'identification des tumeurs cérébrales chaque méthode offrant des avantages uniques. Cependant le fait de dépendre exclusivement d'une modalité peut limiter la précision du diagnostic. Ce projet présente une nouvelle méthode qui intègre l'IRM et la tomodensitométrie pour améliorer la détection et la catégorisation des tumeurs cérébrales. En utilisant un réseau neuronal à convolution à 13 couches et des algorithmes de fusion d'images notre approche cherche à combiner les avantages des deux modalités en réduisant leurs inconvénients respectifs. Le flux de travail consiste à télécharger des IRM et des tomodensitogrammes sur une interface où un réseau neuronal convolutif (CNN) applique l'algorithme de fusion d'images en arrière-plan. Le résultat de la classification révèle l'existence la nature ou l'absence d'une tumeur. En outre les résultats peuvent être obtenus via un site web ou une application mobile ce qui permet aux professionnels de la santé de diagnostiquer plus facilement et plus efficacement les patients.