Nouvelles architectures d'apprentissage profond pour la classification et la segmentation des tumeurs cérébrales à partir d'images IRM

Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images

December 6, 2025

papers.authors: Sayan Das, Arghadip Biswas

cs.AI

papers.abstract

Les tumeurs cérébrales représentent une menace significative pour la vie humaine, ce qui rend leur détection précoce et précise essentielle pour un meilleur diagnostic et traitement. Les radiologues peuvent détecter manuellement les tumeurs cérébrales à partir des images IRM des patients. Cependant, l'incidence des tumeurs cérébrales a augmenté chez les enfants et les adolescents ces dernières années, générant un volume substantiel de données, ce qui rend la détection manuelle longue et difficile. Avec l'émergence de l'intelligence artificielle dans le monde moderne et sa vaste application dans le domaine médical, nous pouvons envisager une approche basée sur un système de diagnostic assisté par ordinateur (CAD) pour la détection automatique précoce des tumeurs cérébrales. Tous les modèles existants pour cette tâche ne sont pas complètement généralisés et présentent des performances médiocres sur les données de validation. Par conséquent, nous avons proposé deux nouvelles architectures d'apprentissage profond - (a) SAETCN (Réseau de Classification Tumorale par Amélioration par Auto-Attention) pour la classification des différents types de tumeurs cérébrales. Nous avons obtenu une précision de 99,38 % sur l'ensemble de données de validation, ce qui en fait l'une des rares nouvelles architectures basées sur l'apprentissage profond capables de détecter avec précision les tumeurs cérébrales. Nous avons entraîné le modèle sur un jeu de données contenant des images de 3 types de tumeurs (gliome, méningiome et tumeurs hypophysaires) et de cas non tumoraux. et (b) SAS-Net (Réseau de Segmentation par Auto-Attention) pour la segmentation précise des tumeurs cérébrales. Nous avons obtenu une précision pixel globale de 99,23 %.

English

Brain tumors pose a significant threat to human life, therefore it is very much necessary to detect them accurately in the early stages for better diagnosis and treatment. Brain tumors can be detected by the radiologist manually from the MRI scan images of the patients. However, the incidence of brain tumors has risen amongst children and adolescents in recent years, resulting in a substantial volume of data, as a result, it is time-consuming and difficult to detect manually. With the emergence of Artificial intelligence in the modern world and its vast application in the medical field, we can make an approach to the CAD (Computer Aided Diagnosis) system for the early detection of Brain tumors automatically. All the existing models for this task are not completely generalized and perform poorly on the validation data. So, we have proposed two novel Deep Learning Architectures - (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) for the classification of different kinds of brain tumors. We have achieved an accuracy of 99.38% on the validation dataset making it one of the few Novel Deep learning-based architecture that is capable of detecting brain tumors accurately. We have trained the model on the dataset, which contains images of 3 types of tumors (glioma, meningioma, and pituitary tumors) and non-tumor cases. and (b) SAS-Net (Self-Attentive Segmentation Network) for the accurate segmentation of brain tumors. We have achieved an overall pixel accuracy of 99.23%.