Development of an AI-Assisted Diagnostic Tool for Enhanced Medical Imaging Analysis

Abstract

Our approach involves preprocessing the dataset with normalization, resizing, and data augmentation to enhance variability and robustness. We then train and integrate ResNet-18 and Swin Transformer models into a unified framework that classifies brain tumors into four categories: glioma, meningioma, pituitary tumor, and no tumor. Evaluation on an augmented test set containing 1,000 samples per class demonstrates the effectiveness of this combined model. The system achieves high performance metrics, with accuracy rates of 98.8\% for glioma, 98.9\% for meningioma, 99.8\% for pituitary tumors, and 99.1\% for no tumor cases. Precision, recall, and F1-scores similarly exceed 99\% for all classes, confirming the model’s strong classification capabilities.

These results indicate that integrating convolutional and transformer-based architectures provides a powerful solution for brain tumor detection, offering both detailed local feature extraction and comprehensive contextual understanding. The proposed methodology contributes to the advancement of AI-driven diagnostic tools, with promising implications for enhancing clinical decision-making and improving patient outcomes. -------------------------------------------------------------------------------- تقدمهذهالرسالةمنهجيةهجينةلتصنيفالأورامالدماغية،تعتمدعلىدمجنموذجينمنالتعلمالعميق: ResNet-18،وهوشبكةعصبيةتلافيفيةمزودةبقدراتالتعلمالمتبقي،وSwine Transformer،وهونموذجيعتمدعلىالمحولاتالهيكليةمصمملالتقاطالميزاتالمحليةوالعالميةللصورةبفعالية. الهدفهوالاستفادةمنالقوىالتكميليةلهذينالمعمارينلتحسينالدقةوالموثوقيةفيالكشفعنالأوراممنصورالأشعةالمغناطيسية.

تتكونمقاربتنامنمعالجةمسبقةلمجموعةالبياناتباستخدامتقنياتالتطبيع،تغييرالحجم،وزيادةالبياناتمنأجلزيادةالتباينوالصلابة. ثمنقومبتدريبنماذج ResNet-18 وSwine Transformer،ثمدمجهمافيإطارموحدقادرعلىتصنيفالأورامالدماغيةإلىأربعفئات: الأورامالدبقية،الأورامالسحائية،الأورامالغديةالنخامية،وعدموجودورم. تظهرالتقييماتعلىمجموعةاختبارموسعةتحتويعلى 1000 عينةلكلفئةفاعليةهذاالنموذجالمركب. وصلالنظامإلىمعدلاتدقةمرتفعة: 98.8% للأورامالدبقية، 98.9% للأورامالسحائية، 99.8% للأورامالغديةالنخامية،و99.1% للحالاتالتيلاتحتويعلىأورام. كماتجاوزتدرجاتالدقة،الاسترجاع،و F1 الـ 99% لجميعالفئات،ممايؤكدالقدراتالقويةللتصنيفللنموذج.

تشيرهذهالنتائجإلىأندمجالمعمارياتالتلافيفيةوالمعتمدةعلىالمحولاتيشكلحلاًقويًاللكشفعنالأورامالدماغية،معجمعدقيقلاستخراجالميزاتالمحليةوفهمسياقيعالمي. تساهمالمنهجيةالمقترحةفيتطويرأدواتالتشخيصالمدعومةبالذكاءالاصطناعي،معآفاقواعدةلتحسيناتخاذالقراراتالسريريةونتائجالمرضى. ------------------------------------------------------------------------------ Ce mémoire présente une méthodologie hybride pour la classification des tumeurs cérébrales, reposant sur la combinaison de deux modèles d’apprentissage profond : ResNet-18, un réseau de neurones convolutionnel doté de capacités d’apprentissage résiduel, et Swin Transformer, un modèle basé sur les transformeurs hiérarchiques conçu pour capturer efficacement les caractéristiques locales et globales des images. L’objectif est de tirer parti des forces complémentaires de ces deux architectures afin d’améliorer la précision et la fiabilité de la détection des tumeurs à partir d’images IRM.

Notre approche consiste à prétraiter le jeu de données par des techniques de normalisation, de redimensionnement et d’augmentation des données afin d’accroître la variabilité et la robustesse. Nous entraînons ensuite les modèles ResNet-18 et Swin Transformer, puis les intégrons dans un cadre unifié capable de classer les tumeurs cérébrales en quatre catégories : gliome, méningiome, tumeur hypophysaire et absence de tumeur. L’évaluation sur un ensemble de test augmenté comprenant 1 000 échantillons par classe démontre l’efficacité de ce modèle combiné. Le système atteint des taux de précision élevés : 98,8 \% pour les gliomes, 98,9 \% pour les méningiomes, 99,8 \% pour les tumeurs hypophysaires et 99,1 \% pour les cas sans tumeur. Les scores de précision, rappel et F1 dépassent également les 99 \% pour toutes les classes, confirmant les solides capacités de classification du modèle.

Ces résultats indiquent que l’intégration d’architectures convolutionnelles et basées sur les transformeurs constitue une solution puissante pour la détection des tumeurs cérébrales, alliant extraction locale fine des caractéristiques et compréhension contextuelle globale. La méthodologie proposée contribue au développement des outils de diagnostic assistés par intelligence artificielle, avec des perspectives prometteuses pour améliorer la prise de décision clinique et les résultats pour les patients.