Deep Learning / Vision médicale
BrainSeg AI.
Segmenter les tumeurs cérébrales avec un Attention U-Net sous PyTorch, sur BraTS 2020.
Problème
Localiser les régions tumorales dans des images médicales, au-delà d’une simple classification.
Contexte
Projet de deep learning appliqué à la segmentation médicale. Résultats expérimentaux, sans validation clinique.
Objectif
Évaluer la segmentation des régions WT, TC et ET avec un Attention U-Net.
Dataset / Données
BraTS 2020. La répartition entraînement / validation / test et le protocole de prétraitement restent à documenter.
Architecture
Images médicales → Attention U-Net (PyTorch) → masques de segmentation → évaluation Dice.
Méthodologie
Entraînement d’un Attention U-Net et évaluation distincte des trois régions tumorales. Meilleure époque de référence : 22.
Ma contribution
Projet déclaré dans le parcours du candidat. Le périmètre individuel et la répartition du travail restent à confirmer.
Difficultés
Segmentation de régions de taille variable et interprétation des performances par région.
Limites
Protocole exact et séparation des données à vérifier. Ces résultats ne constituent pas une performance clinique ni une validation en conditions réelles.
Enseignements
Le projet met en pratique la segmentation, les architectures avec attention et l’évaluation par Dice.
Résultats du projet
Dice moyen
Évaluation du projet, moyenne WT / TC / ET. Époque de référence : 22.
Dice WT
Whole Tumor, évaluation du projet.
Dice TC
Tumor Core, évaluation du projet.
Dice ET
Enhancing Tumor, évaluation du projet.
Patients dans le dataset
Taille annoncée du dataset BraTS 2020, pas du sous-ensemble de test.