Etudiant : NHILY NISRINE

Filière : Master Mathématiques Appliquées et Systèmes Intelligents (MASI)

Encadrant : Pr. AZROUL ELHOUSSINE

Annèe : 2026

Résumé : Ce travail présente une étude comparative de trois architectures de réseaux de neurones convolutifs profonds pour la segmentation automatique des tumeurs cérébrales sur des images IRM : U-Net, SegNet et FCN-32. L’objectif principal est d’identifier le modèle le plus performant pour détecter et délimiter les régions tumorales associées aux gliomes de bas grade (LGG) dans un contexte d’aide au diagnostic médical. Les expérimentations ont été menées sur le dataset public LGG-MRI Segmentation, composé de 3929 images IRM cérébrales en format TIFF de résolution 256 × 256 pixels, avec leurs masques de segmentation correspondants annotés par des radiologues experts. Le dataset a été divisé selon un protocole standard en trois ensembles : 70% pour l’entraînement, 15% pour la validation et 15% pour le test. Les trois architectures ont été entraînées dans des conditions identiques afin de garantir une comparaison objective : même fonction de perte combinant la Binary Cross-Entropy et le coefficient de Dice (BCE+Dice), même optimiseur Adam avec un taux d’apprentissage initial de 1 × 10−4 , 50 epochs maximum avec arrêt anticipé (Early Stopping), une taille de batch de 16, et une augmentation de données incluant rotations, translations, retournements horizontaux et zoom. Les expérimentations ont été réalisées sur deux GPU Tesla T4 via la plateforme Kaggle. Les résultats obtenus montrent que les trois modèles atteignent des performances satisfaisantes pour la segmentation des tumeurs cérébrales. SegNet obtient le meilleur coefficient de Dice moyen (0.8056) et le meilleur rappel (0.8561), indiquant une meilleure capacité à détecter l’ensemble des pixels tumoraux. U-Net se distingue par la meilleure précision (0.9229), signifiant que ses prédictions positives sont plus fiables avec moins de faux positifs. FCN-32, bien que moins performant que les deux autres architectures avec un Dice de 0.7872, reste une solution viable grâce à sa rapidité d’entraînement de 67 minutes contre 142 minutes pour U-Net et 119 minutes pour SegNet. Ces résultats confirment que les architectures encodeurdécodeur avec mécanisme de pooling informatif, comme SegNet, ou avec connexions de saut, comme U-Net, sont mieux adaptées à la segmentation médicale fine que les architectures FCN à upsampling direct. Le choix du modèle optimal dépend du contexte clinique : U-Net sera privilégié lorsque la précision est critique pour éviter les faux diagnostics, tandis que SegNet sera préféré lorsque la détection exhaustive des tumeurs est prioritaire pour ne manquer aucune lésion.