02 / Vision par ordinateur · Deep learning
Brain Tumor Detection
Classification interprétable d'IRM
Un pipeline expérimental qui apprend des caractéristiques anatomiques compactes avec un autoencodeur, classifie des IRM à partir de la représentation latente et utilise Grad-CAM pour inspecter les régions qui influencent chaque prédiction.
- TensorFlow / Keras
- Autoencoder
- Grad-CAM
- OpenCV
- scikit-learn
- Type
- Projet personnel de vision par ordinateur
- Dataset
- Br35H — 450 IRM, split 70/15/15
- Résultat
- 96 % d'exactitude en test · 450 images
Résultats d'une exécution réelle
4 visuels
Comment ça marche
Approche
Apprendre l'anatomie
Un autoencodeur convolutif compresse chaque IRM 128x128 en une représentation latente compacte, la forçant à garder les motifs qui comptent.
Classer depuis l'espace latent
La moitié encodeur alimente un classifieur binaire avec dropout et batch normalization, évalué avec précision, rappel et F1 sur un ensemble de test réservé.
Expliquer chaque décision
Les cartes de chaleur Grad-CAM sur la dernière couche convolutive de l'encodeur montrent quelles régions ont motivé chaque décision, avec ou sans tumeur.
Les preuves
derrière le cas.