david-b59/brain-tumor-classifier

Brain Tumor Classifier : classification d'IRM cérébrales (ResNet-50)

⚠️ Démonstration technique, pas un dispositif médical. Ce modèle ne doit jamais servir à un diagnostic ni à une décision de soin. Il n'a fait l'objet d'aucune validation clinique.

En bref

Ce modèle regarde une IRM du cerveau (une coupe) et indique laquelle de ces 4 catégories elle ressemble le plus : glioma, meningioma, pituitary (tumeur de l'hypophyse) ou notumor (pas de tumeur). Il fournit aussi une carte Grad-CAM qui montre les zones de l'image ayant influencé sa réponse.

Projet réalisé dans le cadre de mon Master Machine Learning Engineering, puis prolongé à titre personnel. Code complet, tests et application web : dépôt GitHub david-b59/deep-learning-projects (dossier brain-tumor-classifier).

Utilisation

from PIL import Image
from brain_mri.predict import Predictor

predictor = Predictor.from_hub("david-b59/brain-tumor-classifier")
resultat = predictor.predict(Image.open("irm.jpg"))
print(resultat.predicted_class, resultat.probabilities)

Le dossier contient model.safetensors (poids), config.json (noms des classes, prétraitement, scores) et cette fiche. Entrée : image redimensionnée en 224 x 224, convertie en RGB, normalisée avec la moyenne et l'écart-type d'ImageNet.

Données

• Source : Brain Tumor MRI Dataset de Masoud Nickparvar (Kaggle), licence CC BY 4.0.
• 7 200 images, 4 classes, dossiers Training et Testing.
• 187 copies identiques ont été retirées (détection par empreinte SHA-256) pour éviter qu'une même image se retrouve à la fois en entraînement et en validation.
• Jeux utilisés : entraînement 4 614, validation 815 (découpage stratifié de Training), test 1 584 (dossier Testing, utilisé une seule fois, à la fin).

Entraînement

• ResNet-50 pré-entraîné sur ImageNet (IMAGENET1K_V1), nouvelle dernière couche à 4 sorties.
• Phase 1 : seule la nouvelle couche est entraînée (3 epochs, lr 1e-3).
• Phase 2 : dégel du dernier bloc layer4 (5 epochs, lr 1e-4). Les couches de normalisation gelées restent en mode évaluation.
• Augmentation légère (retournement, rotation ±10°, luminosité et contraste).
• Optimiseur Adam, réduction du lr sur plateau, arrêt anticipé possible. Meilleur modèle choisi sur la loss de validation (epoch 7 sur 8).
• Entraîné sur CPU (environ 2 h 44).

Résultats

Jeu	Accuracy
Validation (sert à choisir le modèle)	97,7 %
Test (1 584 images, jamais vues)	94,4 %

Par classe, sur le test :

Classe	Précision	Rappel	F1	Images
glioma	0,985	0,837	0,905	386
meningioma	0,917	0,942	0,929	398
notumor	0,901	1,000	0,948	400
pituitary	0,985	0,993	0,989	400

Limites (à lire)

• Les gliomes sont les moins bien reconnus : 16 % ne sont pas retrouvés. 33 sont pris pour des méningiomes et 29 pour « pas de tumeur ». Au total, 44 tumeurs (gliomes et méningiomes) sont classées « notumor » : c'est l'erreur la plus grave dans un contexte réel.
• Le modèle ne regarde pas toujours la tumeur. Les cartes Grad-CAM montrent que, dans plusieurs erreurs, la zone « chaude » est ailleurs (crâne, orbite), et qu'une bonne réponse peut s'appuyer sur le fond de l'image. La carte est grossière (7 x 7 agrandie) : c'est une aide de lecture, pas une preuve.
• Confiance trompeuse : certaines erreurs ont une probabilité de 100 %.
• Écart validation / test (97,7 % contre 94,4 %) : la validation a servi à choisir le modèle, elle est donc un peu optimiste. Le chiffre à retenir est celui du test.
• Doublons : seules les copies identiques ont été détectées. Des quasi-doublons (retournés, recadrés) peuvent subsister entre entraînement et test et rendre le score un peu plus optimiste.
• Une seule source de données, des images 2D déjà extraites, sans informations sur les patients, les machines ni les protocoles. Le modèle n'a pas été testé sur d'autres hôpitaux.
• Aucune validation clinique, aucun avis médical.

Citation et licences

• Données : Masoud Nickparvar, Brain Tumor MRI Dataset, Kaggle, CC BY 4.0.
• Poids de départ : ResNet-50 de torchvision, pré-entraîné sur ImageNet.
• Code et poids de ce projet : licence MIT.