Résumé - Réseau Cerveau Profond : Un Modèle de Learning Profond Optimisé pour la Détection de Tumeurs Cérébrales dans les Images d'IRM en Utilisant EfficientNetB0 et ResNet50 avec Apprentissage Transfer Learning

Réseau Cerveau Profond : Un Modèle de Learning Profond Optimisé pour la Détection de Tumeurs Cérébrales dans les Images d'IRM en Utilisant EfficientNetB0 et ResNet50 avec Apprentissage Transfer Learning

2025-07-09 16:42:26

{"Daniel Onah","Ravish Desai"}

{eess.IV,cs.CV}

DeepBrainNet est un système de apprentissage profond novateur conçu pour optimiser la détection de tumeurs cérébrales dans les images IRM en utilisant les architectures EfficientNetB0 et ResNet50 combinées avec l'apprentissage par transfert. Cette recherche vise à répondre aux défis de l'atteinte d'une haute précision et d'une efficacité computationnelle dans la détection de tumeurs cérébrales. DeepBrainNet tire parti des forces des architectures EfficientNetB0 et ResNet50, avec EfficientNetB0 améliorant l'efficacité du modèle en utilisant des convolutions séparable en profondeur et ResNet50 fournissant de la profondeur et de la stabilité par le biais de connexions en restitutions. En intégrant ces composants, DeepBrainNet assure à la fois une efficacité computationnelle et une haute précision. Le système atteint une haute précision de 88 %, un score F1 pondéré de 88,75 % et un score AUC-ROC macro de 98,17 %, surpassant les méthodes existantes de pointe. Ce modèle présenté持有作为临床决策支持系统的有价值的工具的巨大潜力，推进了医学人工智能的最新水平。 DeepBrainNet utilise l'apprentissage par transfert pour tirer parti des caractéristiques pré-entraînées de ResNet50 sur des ensembles de données à grande échelle comme ImageNet et les affiner pour la classification de tumeurs cérébrales dans les scans IRM. Cette approche permet au système de s'adapter rapidement à la tâche spécifique de classification de tumeurs cérébrales, entraînant une haute précision et une généralisation. EfficientNetB0 réduit davantage le nombre de paramètres et le coût computationnel tout en préservant la capacité du modèle à apprendre des représentations de caractéristiques complexes, aboutissant à un système léger et efficace. L'étude compare les performances de DeepBrainNet avec les méthodes existantes de pointe à l'aide d'ensembles de données IRM disponibles au public et démontre qu'il surpassent régulièrement les modèles existants en termes de précision de classification, précision, rappel et efficacité computationnelle. Cela met en lumière le potentiel de DeepBrainNet comme un outil fiable et efficace pour la détection de tumeurs cérébrales, contribuant en fin de compte à l'amélioration des résultats des patients et des stratégies de traitement. L'intégration de l'apprentissage par transfert, EfficientNetB0 et des architectures ResNet50 fait de DeepBrainNet un outil puissant et polyvalent pour l'analyse et la classification d'images médicales.