Deep Learning Models for BrainCancer Segmentation and Prognostic Analysis
| dc.contributor.author | DJARI , Hiba | |
| dc.contributor.author | LAMARA , Malak | |
| dc.contributor.author | HAMDI , Skander Supervisor | |
| dc.date.accessioned | 2026-05-24T13:40:41Z | |
| dc.date.issued | 2025 | |
| dc.description | احدث التعلم العميق نقلة نوعية في التشخيص الطبي، لا سيما في علم الأورام، حيث تُشكل البنى الورمية المعقدة تحديات كبيرة في تخطيط العلاج. يُعدّ التجزئة الدقيقة لأورام الدماغ من صور الرنين المغناطيسي خطوة أولى حاسمة، وقد ساهمت التطورات الحديثة في التعلم العميق في تحسين كفاءة وموثوقية هذه العملية بشكل كبير. من خلال دمج مخرجات التجزئة الدقيقة هذه مع البيانات السريرية والوراثية، يُمكن تحسين التحليل التنبؤي بشكل ملحوظ، مما يمهد الطريق لتوقع أدق للأورام ودعم قوي لاتخاذ القرارات السريرية. تهدف هذه الأطروحة إلى تطوير وتقييم منهجية شاملة لتحليل أورام الدماغ، بدءًا من التجزئة وصولًا إلى التنبؤ بالبقاء على قيد الحياة. وتركز على مقارنة بنى التعلم العميق المتقدمة لتجزئة أورام الدماغ، واستكشاف مدى ملاءمة نماذج الرؤية واسعة النطاق والأغراض العامة لهذه المهمة الطبية المتخصصة. يتمثل الهدف النهائي في دمج خصائص التصوير مع البيانات السريرية والوراثية لتقدير احتمالية بقاء المريض على قيد الحياة بدقة وتصنيف مستويات المخاطر، وبالتالي تحسين استراتيجيات العلاج الشخصية. ... يقدم هذا العمل دراسة معمقة لنماذج التعلم العميق، الراسخة منها والحديثة، المستخدمة في تجزئة أورام الدماغ والتنبؤ بمآلها. تتمثل المساهمة الأولى في تحليل مقارن لنماذج التجزئة، بما في ذلك نموذج U-Net القياسي، ونموذج DeepResUNet، ونموذج U-Net القائم على VGG19، إلى جانب النماذج الأساسية مثل نموذج SAM المُعدَّل ونموذج MedSAM الطبي المتخصص. وقد أكدت النتائج فعالية نموذج MedSAM، الذي أظهر أداءً متفوقًا. أما المساهمة الثانية، فتُقدم مسارًا لتحليل التنبؤ بالمآل، يستفيد من الميزات المستخرجة من أقنعة التجزئة. وقد أثبت هذا المسار فعاليته العالية، حيث حقق نموذج آلة المتجهات الداعمة (SVM) نجاحًا ملحوظًا في تحديد المرضى ذوي الخطورة العالية بدقة، بينما أظهر نموذج XGBoost قدرة تنبؤية قوية في تصنيف المرضى ذوي الخطورة المنخفضة. بشكل عام، تُؤكد هذه المساهمات فعالية هذا النهج المتكامل والقوي في تحليل سرطان الدماغ. تؤكد النتائج أن الاستفادة من كل من البنى القائمة على الشبكات العصبية التلافيفية والنماذج الأساسية المُحسَّنة يمكن أن تُسفر عن تحديد دقيق للغاية للأورام. علاوة على ذلك، فإن التكامل الناجح لنتائج التجزئة هذه في مسار تشخيصي يُظهر الدور الحاسم لتحليل الصور الآلي في تعزيز الإدارة السريرية الشخصية والأكثر فعالية لأورام الدماغ. | |
| dc.description.abstract | Deep Learning (DL) has introduced transformative potential in medical diagnostics, particularly in oncology, where complex tumor structures present significant challenges for treatment planning. The accurate segmentation of brain tumors from Magnetic Resonance Imaging (MRI) is a critical first step, and recent advancements in DL have greatly enhanced the efficiency and reliability of this process. By integrating these precise segmentation outputs with clinical and genetic data, prognostic analysis can be substantially improved, paving the way for more accurate tumor prediction and robust clinical decision support. This thesis aims to develop and evaluate a comprehensive pipeline for brain tumor analysis, from segmentationtosurvivalprediction.ItfocusesoncomparingadvancedDLarchitecturesforsegmentingbrain tumorsandexplorestheadaptationoflarge-scale,general-purposevisionmodelsforthisspecializedmedical task.Theultimategoalistofuseimagingfeatureswithclinicalandgeneticdatatoaccuratelyestimatepatient survival probability and stratify risk levels, thereby enhancing personalized treatment strategies. This work offers a thorough exploration of both established and cutting-edge DL models for brain tumor segmentation and prognosis. The first contribution is a comparative analysis of segmentation models, includingastandardU-Net,aDeepResUNet,andaVGG19-basedU-Net,alongsidefoundationalmodelslikea fine-tunedSegmentAnythingModel(SAM)andthespecializedMedicalSegmentAnythingModel(MedSAM). The results underscored the effectiveness of MedSAM, which demonstrated superior performance . The second contrirbution introduces a prognostic analysis pipeline that leverages features extracted from the segmentation masks. This pipeline proved highly effective, with the Support Vector Machine (SVM) model showing notable success in accurately identifying high-risk patients, while the XGBoost model demonstrated strong predictive power for classifying low-risk patients. Overall, these contributions validate a powerful, integrated approach for brain cancer analysis. The findingsconfirmthatleveragingbothCNN-basedarchitecturesandfine-tunedfoundationalmodels canyield highlyaccuratetumordelineations.Furthermore,thesuccessfulintegrationofthesesegmentationresultsinto aprognosticpipelinedemonstratesthecriticalroleofautomatedimageanalysisinfosteringpersonalizedand more effective clinical management of brain tumors. | |
| dc.description.sponsorship | L'apprentissage profond (DL) offre un potentiel transformateur en diagnostic médical, notamment en oncologie, où la complexité des structures tumorales représente un défi majeur pour la planification des traitements. La segmentation précise des tumeurs cérébrales à partir d'images par résonance magnétique (IRM) constitue une première étape cruciale, et les progrès récents en DL ont considérablement amélioré l'efficacité et la fiabilité de ce processus. L'intégration de ces résultats de segmentation précis aux données cliniques et génétiques permet d'améliorer significativement l'analyse pronostique, ouvrant la voie à une prédiction tumorale plus précise et à une aide à la décision clinique plus robuste. Cette thèse vise à développer et à évaluer un pipeline complet pour l'analyse des tumeurs cérébrales, de la segmentation à la prédiction de la survie. Elle compare des architectures DL avancées pour la segmentation des tumeurs cérébrales et explore l'adaptation de modèles de vision à grande échelle et à usage général à cette tâche médicale spécialisée. L'objectif final est d'utiliser les caractéristiques d'imagerie avec les données cliniques et génétiques pour estimer avec précision la probabilité de survie des patients et stratifier les niveaux de risque, contribuant ainsi à l'amélioration des stratégies de traitement personnalisées. Ce travail propose une exploration approfondie des modèles d'apprentissage profond (DL), tant établis que de pointe, pour la segmentation et le pronostic des tumeurs cérébrales. La première contribution consiste en une analyse comparative de modèles de segmentation, incluant un U-Net standard, un DeepResUNet et un U-Net basé sur VGG19, ainsi que des modèles de base comme un SegmentAnythingModel (SAM) affiné et le modèle spécialisé MedicalSegmentAnythingModel (MedSAM). Les résultats ont souligné l'efficacité de MedSAM, qui a démontré des performances supérieures. La seconde contribution introduit un pipeline d'analyse pronostique exploitant les caractéristiques extraites des masques de segmentation. Ce pipeline s'est avéré très performant : le modèle Support Vector Machine (SVM) a permis d'identifier avec précision les patients à haut risque, tandis que le modèle XGBoost a démontré un fort pouvoir prédictif pour la classification des patients à faible risque. En définitive, ces contributions valident une approche intégrée et puissante pour l'analyse du cancer du cerveau. Ces résultats confirment que l'utilisation conjointe d'architectures basées sur les CNN et de modèles de base finement ajustés permet d'obtenir des délimitations tumorales très précises. De plus, l'intégration réussie de ces résultats de segmentation dans un pipeline pronostique démontre le rôle crucial de l'analyse d'images automatisée pour une prise en charge clinique personnalisée et plus efficace des tumeurs cérébrales. | |
| dc.identifier.other | MAI/0964 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/528 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Deep Learning | |
| dc.subject | Prognostic Analysis | |
| dc.title | Deep Learning Models for BrainCancer Segmentation and Prognostic Analysis | |
| dc.type | Thesis |