L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (machine learning) · 2026-10-07
Segmentation des tumeurs cérébrales par égalisation d'histogramme optimisée par essaim de particules et U-Net basé sur VGG19
Titre original: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
La segmentation des tumeurs cérébrales en IRM est lente, sujette aux erreurs et affectée par le biais de l'opérateur, et les modèles d'apprentissage profond manquent souvent d'interprétabilité. Les auteurs proposent SPOHE-VGGNet, qui combine un U-Net modifié avec VGG-19 et une égalisation d'histogramme optimisée par essaim de particules pour améliorer le contraste des IRM. Il a atteint des scores de Dice de 0,9522 (méningiome), 0,9428 (gliome) et 0,9518 (tumeur hypophysaire) sur le jeu de données Figshare, et de 0,9463 pour la segmentation de la tumeur entière sur BraTS 2021, même si les auteurs précisent qu'une validation externe, volumétrique et centrée sur les cliniciens reste nécessaire avant tout usage clinique.