Multi-classification of Brain Tumor MRI images using Convoluted Neural Network (CNN) based approach

Le cerveau humain est un organe complexe et, lorsque des tissus anormaux commencent à croître à l'intérieur de celui-ci, les conséquences peuvent être graves. Les médecins s'appuient fortement sur l'imagerie par résonance magnétique, ou IRM, pour voir à l'intérieur du crâne sans chirurgie. Ces scanners produisent des images détaillées qui révèlent la forme et l'emplacement d'une tumeur. Cependant, la lecture de ces images est une tâche exigeante. Le scanner d'un seul patient peut contenir des dizaines de coupes, et un radiologue doit examiner chacune d'elles pour repérer les différences subtiles entre les tissus sains et divers types de cancers. Ce processus prend du temps, et même les experts les plus qualifiés peuvent manquer un détail ou identifier de manière erronée un type de tumeur face à des milliers d'images. Pour aider, les scientifiques se sont tournés vers les ordinateurs, leur apprenant à reconnaître des motifs dans ces images tout comme le ferait un œil humain. Ce domaine, connu sous le nom d'apprentissage profond (deep learning), utilise des systèmes artificiels qui apprennent par l'exemple plutôt qu'en suivant un ensemble de règles fixes. L'objectif est de créer un outil capable d'aider les médecins à diagnostiquer les tumeurs cérébrales plus rapidement et plus précisément, sauvant potentiellement des vies en détectant les maladies plus tôt.

Dans une étude récente, des chercheurs de l'Université de Delhi ont relevé ce défi en construisant un programme informatique spécialisé conçu pour classer les scanners IRM cérébraux en quatre catégories distinctes. Ils voulaient savoir si leur système pouvait distinguer un cerveau sain de trois types spécifiques de tumeurs : les gliomes, les méningiomes et les tumeurs hypophysaires. Les gliomes sont des tumeurs qui commencent dans le tissu semblable à de la colle qui soutient le cerveau, les méningiomes se développent sur les membranes qui recouvrent le cerveau, et les tumeurs hypophysaires se forment près de l'hypophyse, à la base du crâne. L'équipe n'a pas utilisé un modèle informatique massif préexistant qui avait déjà été entraîné sur des millions d'images. Au lieu de cela, ils ont construit un système personnalisé et léger à partir de zéro. Cette approche a été choisie pour garder la technologie simple et efficace, nécessitant moins de puissance de calcul et de mémoire que les modèles lourds et complexes souvent utilisés dans d'autres études.

Les chercheurs ont commencé par rassembler une vaste collection d'images cérébrales à partir d'une base de données publique. Ils ont sélectionné un total de 7 023 images, comprenant 1 621 gliomes, 1 645 méningiomes, 1 757 tumeurs hypophysaires et 2 000 images de cerveaux sains sans tumeurs. Ces images provenaient de différents angles — certaines regardant du haut vers le bas, d'autres du côté ou de l'avant — offrant à l'ordinateur une vue diversifiée de l'anatomie du cerveau. Avant d'enseigner à l'ordinateur, l'équipe a préparé les images en les redimensionnant toutes aux mêmes dimensions et en ajustant les niveaux de luminosité afin que l'ordinateur puisse les traiter plus facilement. Ils ont ensuite divisé les données, utilisant la majorité des images pour enseigner au système et réservant un groupe plus restreint pour tester l'efficacité de l'apprentissage du système.

Le modèle informatique qu'ils ont construit fonctionne en éliminant des couches d'informations, un peu comme si l'on regardait une image à travers une série de lentilles de plus en plus spécifiques. Le système contient sept couches qui scannent l'image pour trouver des formes et des textures de base, suivies de couches qui combinent ces détails simples en motifs plus complexes, tels que les contours d'une tumeur. Les chercheurs ont utilisé une méthode mathématique spécifique pour aider le système à apprendre rapidement et éviter de rester bloqué, et ils ont inclus un mécanisme pour empêcher le système de mémoriser les images d'entraînement de manière trop parfaite, ce qui le ferait échouer face à de nouvelles données. Après avoir entraîné le modèle pendant 25 cycles, au cours desquels il a vu les images de manière répétée et ajusté ses paramètres internes pour améliorer ses prédictions, les résultats ont été frappants.

Lorsque les chercheurs ont testé le modèle sur les images qu'il n'avait jamais vues auparavant, il a correctement identifié le type de pathologie cérébrale dans 96,1 % des cas. Le système était particulièrement performant pour détecter les cerveaux sains et les tumeurs hypophysaires, atteignant des scores quasi parfaits pour ces catégories. Il a également obtenu de bons résultats pour les types plus difficiles que sont le glioma et le méningiome, classant correctement la très grande majorité d'entre eux. L'étude a comparé ces résultats à d'autres tentatives récentes visant à résoudre le même problème, dont beaucoup reposaient sur des architectures informatiques beaucoup plus grandes et complexes. Ces modèles précédents atteignaient des taux de précision allant d'environ 89 % à 95 %. Le nouveau modèle, plus simple, les a tous surpassés, atteignant une précision de 96,1 % tout en utilisant moins de ressources.

Les chercheurs ont noté que le système confondait occasionnellement les gliomes avec les méningiomes, ce qui est compréhensible car ces deux types de tumeurs peuvent paraître très similaires sur un scanner IRM. Cependant, la performance globale était suffisamment robuste pour suggérer que cette approche légère est un outil viable pour un usage médical. Les auteurs soulignent que, bien que le modèle informatique soit très prometteur, il n'est pas encore un remplacement pour un médecin. Les prochaines étapes consistent à tester le système sur des données provenant de plusieurs hôpitaux afin de s'assurer qu'il fonctionne de manière fiable sur différents types de machines IRM et populations de patients. Si une validation future confirme ces résultats, un tel outil pourrait devenir un élément standard du processus de diagnostic, aidant les équipes médicales à prendre des décisions plus rapides et plus sûres sur la manière de traiter les patients atteints de tumeurs cérébrales.