1.

Introduction
Le cancer du cerveau est très dangereux et répartis dans le monde entier. En effet, la tumeur
cérébrale peut avoir une nature bénigne ou maligne où celle bénigne présente une structure
uniforme sans les cellules actives ou cancéreuses, d’autre part, celle maligne présente une
structure non uniforme avec des cellules actives. Les tumeurs cérébrales un peu plus
fréquentes chez les hommes que chez les femmes. Seuls les méningiomes, qui sont
généralement bénins, sont plus fréquents chez les femmes. Les tumeurs cérébrales peuvent se
développer à tout âge. Le type de tumeur cérébrale le plus grave, le glioblastome, est de plus
en plus fréquent chez les personnes âgées au fur et à mesure que la population vieillit. Les
tumeurs cérébrales, cancéreuses ou non, peuvent causer de graves problèmes en raison du fait
que le crâne est rigide, ne laissant pas de place pour la croissance de la tumeur. En outre, si
une tumeur se développe à proximité des parties du cerveau qui contrôlent les fonctions
vitales, elle peut causer des problèmes, comme une faiblesse, des difficultés à marcher, une
perte d’équilibre, une perte partielle ou complète de la vision, des troubles de la
compréhension ou de l’utilisation du langage, ainsi que des problèmes de mémoire.

Les radiologues sont actuellement submergés par trop de demandes d'interprétation des tests
d'imagerie IRM cérébrales où des méthodes d'apprentissage automatique ou en profondeur
peuvent désormais être utilisées pour acquérir des résultats plus rescision et plus efficacement.

Depuis leur introduction, les ordinateurs et leurs applications ont aidé énormément les
radiologues qui eux-mêmes examinent généralement les rapports, et ils peuvent désormais
vérifier leurs découvertes à l'aide d'outils CAD d’aide au diagnostic médical assisté par
ordinateur. En effet, durant ce chapitre nous allons évoquer l’état de l’art pour le dépistage des
tumeurs cérébrales.
 2. Le cancer du cerveau
Le cancer du cerveau est une maladie qui affecte les cellules du cerveau ou de la moelle
épinière. Il peut se développer à partir de cellules du cerveau normales ou de cellules qui se
sont propagées à partir d'un autre endroit du corps. Les cancers qui commencent dans le
cerveau sont appelés tumeurs cérébrales primaires, tandis que les tumeurs qui se propagent au
cerveau à partir d'autres parties du corps sont appelées métastases cérébrales.

Il existe plusieurs types de tumeurs cérébrales, chacun avec des caractéristiques et des
traitements différents. Les tumeurs cérébrales peuvent être bénignes (non cancéreuses) ou
malignes (cancéreuses). Les tumeurs bénignes peuvent souvent être enlevées chirurgicalement
et ont tendance à ne pas se propager à d'autres parties du cerveau ou du corps. Les tumeurs
malignes sont plus agressives et peuvent se propager à d'autres parties du cerveau et du corps.

Les symptômes du cancer du cerveau peuvent varier en fonction de la taille et de

l'emplacement de la tumeur, mais peuvent inclure des maux de tête, des nausées et des
vomissements, des changements de personnalité, des convulsions et des troubles de la vision
ou de l'audition. Le diagnostic du cancer du cerveau peut être effectué par imagerie par
résonance magnétique (IRM), tomodensitométrie (TDM) ou biopsie.

Le traitement du cancer du cerveau dépend de plusieurs facteurs, notamment la taille,

l'emplacement et le type de tumeur, ainsi que de l'état de santé général du patient. Les options
de traitement peuvent inclure la chirurgie, la radiothérapie, la chimiothérapie et
l'immunothérapie. La combinaison de ces traitements peut être utilisée pour améliorer les
chances de survie et réduire les effets secondaires.

Figure II.1 Les composants de la structure tissulaire du cerveau humain. Source [30].
Les symptômes externes d'une tumeur au cerveau peuvent varier en fonction de la taille, de
l'emplacement et du type de la tumeur. Voici quelques-uns des symptômes les plus courants
[31] :

Maux de tête, Troubles visuels, Problèmes de l'élocution, Problèmes de coordination et

d'équilibre, Troubles mentaux et émotionnels, Convulsions,

Autres symptômes : Les tumeurs cérébrales peuvent également causer d'autres symptômes,
tels que des nausées, des vomissements, une faiblesse musculaire, des engourdissements, des
picotements, des problèmes de mémoire ou de concentration, des troubles du sommeil, etc.

3. Les types des tumeurs cérébrales

Il existe plusieurs types de tumeurs cérébrales, chacun avec des caractéristiques et des
comportements différents. Voici une description détaillée des principaux types de tumeurs
cérébrales [32][33] :

 Gliomes :
Les gliomes sont les tumeurs cérébrales les plus courantes, représentant environ 80 % des
tumeurs cérébrales malignes. Ils se développent à partir des cellules gliales, qui sont les
cellules qui soutiennent les neurones. Les gliomes sont classés en fonction de leur agressivité
et de leur apparence microscopique. Les gliomes de bas grade sont moins agressifs que les
gliomes de haut grade, qui sont plus susceptibles de se propager rapidement. Les
glioblastomes, qui sont les gliomes les plus courants, sont des tumeurs de haut grade très
agressives.

 Méningiomes :
Les méningiomes se développent à partir des membranes qui recouvrent le cerveau et la
moelle épinière. Ils sont généralement des tumeurs bénignes, mais ils peuvent devenir plus
agressifs avec le temps. Les méningiomes sont plus courants chez les femmes que chez les
hommes.

 Schwannomes :
Les schwannomes se développent à partir des cellules de Schwann, qui sont les cellules qui
entourent les nerfs crâniens. Ils sont généralement bénins, mais ils peuvent parfois devenir
plus agressifs. Les schwannomes peuvent causer des symptômes tels que des acouphènes, une
perte auditive et des vertiges.
  Adénomes hypophysaires :
Les adénomes hypophysaires se développent à partir des cellules de l'hypophyse, qui est une
petite glande située à la base du cerveau. Ils peuvent causer des symptômes tels que des maux
de tête, des troubles visuels et une production excessive ou insuffisante d'hormones.

 Tumeurs du tronc cérébral :

Les tumeurs du tronc cérébral se développent dans la partie la plus basse du cerveau, qui est
responsable de fonctions vitales telles que la respiration et la régulation cardiaque. Les
tumeurs du tronc cérébral sont généralement des gliomes de haut grade et sont très difficiles à
traiter.

 Tumeurs métastatiques :
Les tumeurs métastatiques sont des tumeurs qui se sont propagées à partir d'un autre site du
corps, tel que les poumons ou le sein. Les tumeurs métastatiques sont plus courantes que les
tumeurs cérébrales primaires, mais leur traitement dépend du type de cancer d'origine.

Figure 1. Exemple d’une tumeur Méningiomes à droit, une tumeur de Gliomes en centre et une
tumeur de Adénomes hypophysaires à gauche. Source [61][62][63]

4. Dépistage du cancer du cerveau basé imagerie par résonance

magnétique (IRM)

Le cancer du cerveau est une maladie potentiellement mortelle qui peut survenir dans
différentes parties du cerveau et du système nerveux central. Le diagnostic précoce de cette
maladie est crucial pour améliorer les chances de survie et de traitement. L'imagerie par
résonance magnétique (IRM) est une méthode d'imagerie non invasive qui est largement
utilisée pour le diagnostic et le suivi du cancer du cerveau.

L'IRM permet de visualiser les tissus mous et les organes internes du corps avec une
résolution élevée, en utilisant un champ magnétique et des ondes radio. Cette technique peut
détecter des lésions cérébrales anormales, des tumeurs et des anomalies vasculaires dans le
cerveau, et aider à évaluer leur étendue et leur gravité. Les images obtenues par IRM peuvent
également être utilisées pour guider des biopsies ou des interventions chirurgicales.

Plusieurs études ont montré que l'IRM peut être utilisée pour détecter des lésions cérébrales
malignes et bénignes avec une sensibilité et une spécificité élevée. Les résultats de l'IRM
peuvent également être utilisés pour évaluer la réponse du cancer au traitement et pour
surveiller la progression de la maladie.

Cependant, il convient de noter que l'IRM ne peut pas fournir un diagnostic précis de cancer
du cerveau à elle seule. Le diagnostic doit être confirmé par une biopsie et une analyse
histologique des tissus cérébraux. De plus, l'IRM peut parfois détecter des lésions bénignes
qui ne nécessitent pas de traitement, ce qui peut entraîner des résultats faussement positifs et
des interventions inutiles [34].

Ainsi on a pu comprendre qu’en IRM, des images avec un très bon contraste entre les tissus
peuvent suffire pour l’interprétation. Pour compléter son diagnostic, il arrive néanmoins que
le radiologue ait besoin d’images avec injection de produit de contraste qui vont permettre de
diagnostiquer des pathologies multiples en circulant dans le cerveau et en accélérant la
relaxation des protons d’hydrogène, ce qui est traduit par un contraste de couleur sur l’image,
en échelle de gris. Ainsi, grâce à la comparaison des pondérations T1 et T2 ainsi que d’autres
types de séquences, les radiologues peuvent diagnostiquer et différencier de multiples
pathologies [35].

Cette technique se sert de trois plans de référence qui permettent l’observation sous tous les
angles :

• le plan coronal qui divise le corps en 2 parties : l’une ventrale et l’autre dorsale,

• le plan axial ou transversal qui divise aussi en deux parties : l’une supérieure et l’autre
inférieure

• le plan sagittal qui divise en 2 parties : la droite et la gauche.

 Figure II.3 Vue coronal, Vue axial et Vue sagittal de l'image cérébrale. Source [35].

En conclusion, l'IRM est une méthode d'imagerie non invasive et utile pour le dépistage, le
diagnostic et le suivi du cancer du cerveau. Cependant, le diagnostic définitif doit être
confirmé par une biopsie et une analyse histologique des tissus cérébraux. Les résultats de
l'IRM doivent être interprétés avec prudence, et les interventions doivent être basées sur une
évaluation complète de la maladie.

5. Limites des IRM durant le diagnostic du cancer du cerveau

Les IRM (imagerie par résonance magnétique) sont une méthode courante de diagnostic pour
le cancer du cerveau. Cependant, malgré leur utilité, il existe certaines limites à leur
utilisation. Voici quelques-unes des limites les plus courantes, avec des références
bibliographiques pour approfondir :

Sensibilité limitée : Les IRM peuvent avoir des difficultés à détecter de petits cancers du
cerveau ou des tumeurs situées dans des zones difficiles d'accès. Les IRM peuvent également
avoir des difficultés à différencier les tissus cancéreux des tissus sains environnants [36].

Coûts élevés : Les IRM sont coûteuses et peuvent ne pas être facilement accessibles dans
certaines régions du monde, ce qui peut limiter l'accès des patients à un diagnostic précis [37].
Contraindications : Les patients atteints d'implants métalliques, tels que des stimulateurs
cardiaques ou des prothèses auditives, peuvent ne pas être en mesure de subir une IRM en
toute sécurité en raison de la présence de champs magnétiques élevés [38].

Temps nécessaire pour effectuer l'IRM : Les IRM peuvent prendre du temps pour être
effectuées, ce qui peut être difficile pour les patients atteints de cancer du cerveau qui sont
déjà en état critique [39].

Risque d'effets secondaires : Bien que les IRM soient considérées comme une procédure
non invasive, elles peuvent entraîner des effets secondaires tels que des nausées, des
vomissements et des maux de tête chez certains patients [40].

En somme, bien que les IRM soient une méthode utile pour diagnostiquer le cancer du
cerveau, il est important de considérer ces limites et de combiner plusieurs méthodes de
diagnostic pour un diagnostic précis et fiable.

6. Diagnostic assisté par ordinateur (CAD) du cancer du cerveau

Le diagnostic assisté par ordinateur (CAD) est une technologie de pointe qui aide les
médecins à diagnostiquer et à traiter les maladies en fournissant une analyse quantitative des
images médicales. Dans le cas du cancer du cerveau, le CAD est utilisé pour aider les
radiologues à interpréter les images d'IRM et à détecter les tumeurs cérébrales [41].

Le CAD est capable d'analyser les images d'IRM et d'identifier des caractéristiques qui
pourraient indiquer la présence d'une tumeur cérébrale, telles que la taille, la forme et la
texture de la tumeur. En utilisant des algorithmes sophistiqués, le CAD peut également aider à
détecter les tumeurs qui pourraient être manquées par les radiologues humains.

Cependant, il est important de noter que le CAD n'est pas une solution miracle et ne doit pas
être utilisé comme un substitut à l'expertise humaine. Bien que le CAD puisse fournir une
analyse quantitative des images médicales, il ne peut pas remplacer l'expertise humaine dans
la prise de décisions médicales importantes. Les radiologues et les médecins doivent toujours
examiner les résultats du CAD avec un œil critique et confirmer les résultats par des méthodes
de diagnostic supplémentaires si nécessaire [42].

En outre, le CAD peut avoir des limites en termes de précision et de spécificité. Des études
ont montré que le taux de faux positifs et de faux négatifs peut varier selon les algorithmes de
CAD utilisés et la qualité des images médicales. Il est donc important de continuer à
améliorer la technologie du CAD pour augmenter sa précision et sa fiabilité.
 Figure 2 : Méthodologie typique d'un schéma CAD. Source [64].

Le CAD se compose des deux parties suivantes :

6.1. Détection des tumeurs assistée par ordinateur (CADe)
La détection des tumeurs cérébrales assistée par ordinateur (CADe) est une méthode de
diagnostic qui utilise des algorithmes informatiques pour analyser des images du cerveau et
identifier les signes de la présence de tumeurs. La CADe est un outil de soutien à la décision
pour les médecins et les radiologues qui peuvent l'utiliser pour améliorer leur précision
diagnostique et leur vitesse de traitement.

Les techniques de CADe peuvent être utilisées sur différents types d'imagerie médicale, telles
que l'imagerie par résonance magnétique (IRM) et la tomodensitométrie (TDM). Les
algorithmes d'apprentissage automatique sont entraînés sur des images marquées et annotées
par des experts pour reconnaître les caractéristiques des tumeurs et les différencier des tissus
sains.

La CADe peut détecter les tumeurs cérébrales de manière plus précoce et plus précise que les
méthodes conventionnelles. Elle peut également aider à différencier les tumeurs bénignes des
tumeurs malignes, ainsi qu'à évaluer la taille, la forme et la position des tumeurs.
La CADe peut également être utilisée pour surveiller l'évolution des tumeurs cérébrales au fil
du temps et pour aider les médecins à planifier et à guider les traitements, tels que la chirurgie
ou la radiothérapie.

Une étude publiée dans la revue médicale Radiologie a évalué l'efficacité de la CADe pour
détecter les tumeurs cérébrales à partir d'images IRM. L'étude a révélé que la CADe avait une
sensibilité de détection de 87,8 % et une spécificité de 89,5 %, ce qui signifie qu'elle a pu
identifier avec précision la présence de tumeurs cérébrales dans la plupart des cas et qu'elle a
également été en mesure de réduire le nombre de faux positifs [43].

En conclusion, le CAD est une technologie prometteuse pour le diagnostic du cancer du

cerveau, mais il doit être utilisé avec prudence et en combinaison avec l'expertise humaine
pour garantir une interprétation précise des images médicales. Les radiologues et les médecins
doivent continuer à explorer et à développer la technologie du CAD pour améliorer la
précision et la fiabilité du diagnostic du cancer du cerveau.

6.2. Diagnostic des tumeurs assisté par ordinateur (CADx)

Le diagnostic des tumeurs assisté par ordinateur (CADx) est une méthode de diagnostic
médical qui utilise des algorithmes informatiques pour aider les médecins et les radiologues à
diagnostiquer les tumeurs. La CADx utilise des techniques d'apprentissage automatique pour
analyser les images médicales et identifier les caractéristiques spécifiques des tumeurs.

Les images médicales telles que les tomodensitogrammes (TDM), les imageries par résonance
magnétique (IRM) et les échographies sont souvent utilisées pour diagnostiquer les tumeurs.
La CADx peut être appliquée à toutes ces techniques d'imagerie médicale et permet d'analyser
rapidement les images pour aider à identifier la présence de tumeurs et évaluer leur malignité.

Les algorithmes de la CADx sont formés à partir d'images médicales annotées et étiquetées
par des experts pour identifier les caractéristiques des tumeurs. Les algorithmes peuvent être
conçus pour rechercher des caractéristiques telles que la forme, la texture, la taille, la position
et les caractéristiques moléculaires des tumeurs.

La CADx peut aider à diagnostiquer les tumeurs de manière plus rapide et précise que les
méthodes conventionnelles, ce qui peut améliorer les résultats des patients. En plus d'aider à
diagnostiquer les tumeurs, la CADx peut également aider à évaluer leur gravité et leur stade
de développement.
Une étude publiée dans la revue médicale Radiologie a montré que la CADx a une sensibilité
de 90% et une spécificité de 82% pour la détection des tumeurs du sein à partir d'images de
mammographie. Cette étude a également montré que l'utilisation de la CADx a permis de
réduire le nombre de faux positifs et de faux négatifs, ce qui a amélioré la précision du
diagnostic [44].

7. L’aide au diagnostic médical du cancer du cerveau basé

apprentissage automatique
Nous présentons sur le tableau II.1 multiples approches CAD basées apprentissage
automatique, de détection de cancer du cerveau tout en soulignant les classifies et
techniques d'extraction de descripteurs, entre autres, les mesures de performance seront
mentionnées.

Tableau II.1 Approches CAD basées apprentissage automatique (Machine Learning) de

diagnostic du cancer du cerveau

Référence Base de données Contribution Evaluation des

utilisée performances
Une approche de
classification des
tumeurs cérébrales en
trois classes en extrayant
[45] Figshare Acc = 98.5%
by Cheng les descripteurs de la

(Seulement 170 transformée en Ondelette

pour chaque classe) et en les donnant comme

entré aux SVM durant le
processus de
classification.

Une approche de
Une base de données classification des

[46] privée et publique tumeurs cérébrales par Acc = 96%

(1000 l’extraction des
Images utilisées au total) descripteurs de la
transformée en
Ondelettes et une
classification basée
 réseau de neurone
récurrent (RNN).

Une approche de
classification des

[47] tumeurs cérébrales selon

Figshare Dataset 3 types en extrayant les Acc = 97%

(3064 images) descripteurs par le
modèle pré entrainé
Googlenet via une
classification basée
SVM.

Une approche de
classification nommée
(LIPC : Local
Independent Projection
[48] MICCAI 2013 Acc = 89%
Based classification)
utilisant des descripteurs
texturaux et statistiques.

Une approche
d’extraction de
descripteurs texturaux en
3 dimensions dépendant
sur la matrice de
cooccurrence (GLCM)
[49] BRATS 2013 Acc = 93.3%.
tout en appliquant
différents algorithmes
d’apprentissage
automatique pour
determiner le grade de
malignité de gliome.

Une approche
d’extraction de
descripteurs de forme,
texture, intensité utilisant
[50] BRATS 2017
et BRATS les formules de Beta et
Acc = 98%
Gamma. De plus,
 2015 L’homogénéité, l’énergie
et l’entropie ont été
calculé pour une
classification des
tumeurs, basée les SVM.
Une approche extrayant
25 descripteurs texturaux

[51] et 7 descripteurs de
forme pour la
BRATS 2015 Acc = 94.33%
classification des
tumeurs cérébrales via
les SVM.

Une approche extrayant

des descripteurs

[52] DICOM et texturaux ainsi que des

Brain Web descripteurs statistiques Acc = 96.51 %

dataset dans un processus de
classification des tumeur
cérébrales basé les SVM.

8. Application de l’apprentissage profond pour l’aide au

diagnostic médical du cancer du cerveau
Nous allons présenter sur le tableau II.2 quelques approches CAD basées apprentissage
profond de diagnostic de cancer du cerveau.
Dans [25], les auteurs sont pointés vers une étude des différentes techniques d’apprentissage
profond ainsi que les architectures spécifiques pour la détection et la classification de cancer
du cerveau.
Tableau II.2 Approches CAD basées apprentissage profond de diagnostic du cancer du
cerveau

Référence Base de données Contribution Evaluation des

utilisée performances
Une approche proposant
un modèle improuvé de
RESnet50 pour une
classification binaire en
[53] Base de données du site Acc = 97%
tumeur ou non tumeur où
de Kaggle
8 couches ont été ajouté
à l’architecture originale
de RESnet 50.

Un modèle de réseau de
neurone convolutif a été
proposé selon 3 étapes :
la première consiste en
Convolution Block
Attention Module
(CBAM) permettant le
réseau de reconnaitre
[54]
l'information spatiale. La
Base de données du site deuxième étape permet Acc = 96.05%
de Kaggle au réseau d'apprendre
des fonctionnalités plus
importantes et la dernière
consiste en hyper
Column technique
implémentée avant la
couche entièrement
connectée.

Une approche basée sur

l’augmentation des
image IRM de la base de
données utilisée, a été
proposée pour les fournir
[55] Figshare (3064 comme enytrées au
images) modèle Resnt50 Acc = 98%
d’apprentissage profond
pour le processus de
classification des IRM
cérébrales.
Une approche basée le
modèe d’apprentissage
profond (GANs :
Generative Adversarial
Networks). L’idée
principale était
[56]
l’utilisation de CNN
comme un discriminateur
Figshare (3064 Acc = 88%
de GAN pour le pré
images)
entrainer. La dernière
couche du CNN
discriminateur dans le
GAN a été remplacé par
SoftMax pour la
classification.

Une approche hybride

SR-FCM-CNN a été
proposé. Premièrement
un pré traitement est
effectué basé SR CNN.
Les images à basse
[57] (TCGAGBM : Cancer
résolution sont
Genome atlas glioblasto
converties à haute
ma multiform) et une Acc = 98%
résolution en utilisant
base de données (TCIA :
cette approche ensuite
cancer imaging archive )
une segmentation basée
FCM est effectuée où
Squeeze-net a été
appliqué pour
l’extraction des
descripteurs basé ELM.

Une approche basée R-

 CNN pour la detection et
[58] Figshare (3064 classification des
images) tumeurs cérébrales en 3 Acc = 77.60%
types a été proposé.
Region proposal network
a été utilisé pour le
marquage précis de la
région de la tumeur.

Une approche basée le

CNN modèle qui prend

[59] comme entrée une IRM

Base de données du site pour là segmenter et Acc = 90-99%

de Kaggle extraire les descripteurs
par le CNN. Les sorties
sont classifiées comme
tumeur ou non tumeur.
Une approche utilisant
(PG-GANS :
Progressively Growing
Generative
[60]
Adversarial Networks) a
été proposé pour
BRATS 2016 Acc = 91%
augmenter la base de
données de BRATS-
2016 pour la détection
précise des tumeurs
basée RESNET-50.
9. Conclusion
Dans le dernière période l'intelligence artificielle développé rapidement ,des études
récentes ont montré des résultats prometteurs par l’application des paradigmes de l'IA
pour détecter directement la présence et le type de tumeur cérébrale à partir des images
médicales, l'apprentissage automatique et en profondeur a engendré le développement
d’approches prometteuses pour le diagnostic assisté par ordinateur des tumeurs cérébrales,
améliorant dans ce sens le diagnostic tardif , minimise les fautes et réduisant l'intervention
humaine.

Nous allons exposer dans le chapitre prochain la problématique tirée dans ce domaine
d’actualité ainsi que le cadre méthodologique suivi pour l’implémentation de l’approche
proposée avec l’ultime but du diagnostic du cancer du cerveau. Assisté par ordinateur
(AI).