BrainAI
Segmentation de tumeurs cérébrales par U-Net
Description du projet
Ce projet applique l'architecture U-Net à la segmentation de tumeurs cérébrales à partir d'IRM. L'objectif : identifier avec précision les limites des tumeurs au sein des structures complexes du cerveau, un enjeu essentiel pour la planification et le suivi des traitements.
Objectif
Améliorer la précision et l'efficacité de la segmentation des tumeurs cérébrales en utilisant l'apprentissage profond et l'architecture U-Net, spécifiquement adaptée aux tâches de segmentation d'images médicales.
Caractéristiques principales
- Segmentation U-Net : architecture convolutionnelle dédiée à la segmentation médicale précise
- Interface web Flask : upload d'IRM et visualisation des résultats en temps réel
- TensorFlow Lite : modèle optimisé pour des temps d'inférence rapides, adaptés au déploiement web
- Pipeline complet : de l'IRM brute à la visualisation de la segmentation
Architecture U-Net
L'architecture U-Net est utilisée pour segmenter les tumeurs cérébrales à partir des scans IRM. C'est un réseau de neurones convolutionnel conçu spécifiquement pour les tâches de segmentation d'images médicales. Il fonctionne en utilisant une série de couches de convolution pour extraire des caractéristiques de bas et haut niveau, suivies d'un processus de reconstruction (decoder) pour générer des cartes de segmentation au pixel près.
Jeu de données
Le jeu de données utilisé est le Brain MRI segmentation dataset disponible sur Kaggle. Les images proviennent de The Cancer Imaging Archive (TCIA), comprenant 110 patients de la collection TCGA (The Cancer Genome Atlas) présentant des gliomes de bas grade, avec au moins une séquence FLAIR et des données génomiques disponibles.
Interface web
L'application web a été développée avec Flask. L'utilisateur clique sur "Upload Image" pour charger un scan cérébral, puis sur "Predict" pour lancer la segmentation. Le résultat est affiché à droite, permettant de comparer visuellement l'image d'origine et la prédiction du modèle. La zone de tumeur est mise en évidence directement sur l'IRM.
Conclusion
BrainAI illustre comment l'application de l'IA dans le domaine médical, en particulier sur la segmentation des tumeurs cérébrales, peut offrir des solutions concrètes pour améliorer la précision et l'efficacité du diagnostic. Ce projet a été le déclencheur de mon intérêt pour l'IA appliquée à la santé.