Brainstorm AI⚕️

31 Mai 2025 : Accès sécurisé à l'application Brainstorm AI

>>> Comme dans toute application de bureau sensible et avec une portée commerciale, il est essentiel de sécuriser l'accès à cette dernière en instaurant un système de double authentification (une première authentification via le compte de la base de donnée Supabase, puis une deuxième authetification avec la clé d'accès client). Voici ci dessous un résumé du processus de connexion sur la page avec sa description schématique.

>>> Afin d'assurer la sécurité de la clé, cette dernière est hachée via l'algorithme 'Scrypt' qui se révèle plus puissant que la méthode SHA-256 classique qui est notamment utilisée pour la blockchain et le bitcoin. Cette clé Alphabético-numérique de 25 caractères s'avère donc très robuste, et permet d'authentifier le client rapidement. Pour les autres aspects cybersécurité, l'application restreint le bruteforce (5 essais maximums), le protocole RLS de la base de donnée interdit toutes les opérations qui sont différentes du 'SELECT' des données de la session (l'utilisateur ne peut lire que ses propres données si il est connecté à la base de données) et enfin les connexions Application <-> Base de données sont sécurisées grâce à la couche SSL/TLS.

16 Mai 2025 : Segmentation de l'image médicale avec le modèle U-Net du Projet de recherche (cf Mines de Saint-Etienne)

>>> L'objectif de cette segmentation de l'image patient est d'offrir une distinction claire entre la tumeur et le reste des tissus grâce au modèle U-Net développé lors du projet de recherche effectué aux Mines de Saint-Etienne (à savoir l'étude de l'activité calcique des neurones pour la caractérisation des maladies neurodégénératives). Ce modèle U-Net est strictement identique dans sa structure, avec 6 couches dans l'encodeur/décodeur (sans compter le Bottleneck). Ce dernier est basé sur 1 million de paramètres. L'idée est donc d'offrir une segmentation plus précise si le praticien le souhaite (la méthode d'Activation mapping, bien que précise et fiable, ne permet pas de faire une segmentation pixel par pixel). Les performances sont très satisfaisantes avec une précision approximative de 95% et une perte de 0,157 sur les données de validation. Via l'application, l'utilisateur doit seulement appuyer sur le bouton "Segmentation U-Net" pour afficher la prédiction du modèle U-Net.

12 Mai 2025 : Entraînement du modèle CNN pour la détection, classification et localisation de tumeurs mammaires

>>> Il s'agit ici d'un nouvel entraînement basé sur le même modèle mais avec un dataset d'entraînement différent, en particulier, il comporte d'autres classes (sans tumeur, benigne, maligne). Les performances sur les données de test sont globalement satisfaisantes, même si inférieures aux performances de la détection des tumeurs cérébrales. Des améliorations sont à faire en particulier au niveau de l'entraînement ainsi que sur la qualité du dataset.

06 Mai 2025 : Evaluation de la taille approximative d'une tumeur (Computer Vision OpenCV)

>>> Une nouvelle fonction a été implémentée dans l'application, à savoir celle permettant de connaître avec une bonne précision la taille de la tumeur (10 à 15% de marge d'erreur en moyenne). Cette fonction utilise la banque de computer vision OpenCV afin de récupérer le contour à la fois du crâne et de la prédiction. En fonction de ces deux paramètres ainsi que le tour de tête du patient, on peut déterminer avec une bonne approximation la taille de cette tumeur afin d'étayer le diagnostic médical. Des améliorations sont en cours, notamment pour essayer de réduire la marge d'erreur entre la taille calculée et la taille réelle de la tumeur.

29 Avril 2025 : Amélioration de la précision de la localisation des petites tumeurs grâce à un entraînement effectué sur plus de 66,000 images

>>> Dans cette nouvelle étape du projet, l'idée était de tirer le meilleur potentiel de la génération de donnée afin de rendre le modèle encore plus robuste. Afin d'obtenir ce dataset d'entraînement de plus de 66,000 images, l'objectif était de générer plus d'images, mais également de le faire avec des gaps plus variés afin d'améliorer la robustesse dans la localisation précise des tumeurs, en particulier les plus petites et les plus inhabituelles par leur forme ou encore leur taille.

12 Avril 2025 : Application de bureau Brainstorm à usage professionnel

>>> L'application de bureau Brainstorm est enfin disponible sur Windows et MacOs! Cette première version adopte un design simpliste et intuitif, avec la possibilité de choisir le modèle d'IA : l'application proposera à l'avenir d'autres modèles de détection pour d'autres types de tumeurs afin d'élargir les utilisations. L'application est disponible en version V1.0 (pour obtenir des renseignements sur son fonctionnement, veuillez me contacter par mail qui se trouve dans l'espace "Contact";)

>>> L'interface comprend un choix de modèle d'IA, un accès au répertoire local pour charger une image, un curseur pour affiner la précision du seuillage automatique des prédictions "Grad-Cam", un bouton pour rafraîchir la page, et bien évidemment, l'affichage du type de tumeur avec l'indice de confiance de la prédiction !

19 Février 2025 : Implémentation du seuillage auto et manuel pour la détection des tumeurs + amélioration du modèle de classification

>>> Le seuillage automatique est une nouvelle fonctionnalité offerte par l'application. Elle permet de cibler directement la zone d'activation qui participe à la prise de décision du modèle. L'application intègre désormais la classification des tumeurs avec un modèle CNN qui possède plus de filtres et donc plus de paramètres. Les performances sont globalement satisfaisantes et en améliorations avec une Accuracy de 97,8 % et une Loss de 0.10. Le modèle est globalement plus robuste, notamment grâce à l'augmentation des données du dataset d'entraînement.

10 Février 2025 : Activation Mapping

>>> Implémentation de la méthode "activation mapping" pour cibler et localiser les zones qui contribuent le plus à la prise de décision du modèle. Voici ci-dessous un exemple du fonctionnement sur deux images médicales de cette méthode de détection

L'intérêt d'utiliser cette méthode réside dans la capacité à obtenir la localisation de la tumeur avec une grande précision via l'application d'un seuillage et d'un filtrage. Néanmoins, comme on peut le constater, le filtrage n'est pas encore optimal (notamment au niveau du crâne). Cela fera l'objet de la prochaine amélioration.

12 Décembre 2024 : Création de la version bêta de l'application Brainstorm

>>> Création d'une première version de l'interface utilisateur avec le modèle CNN développé précédemment. Cette intégration du modèle est modulaire, permettant ainsi de continuer son amélioration en parallèle du développement de l'application et des fonctionalités comme la localisation de la tumeur (cette fonctionnalité sera intégrée prochainement).

Dans cette première version de l'application, l'objectif est d'offrir une interface simple d'utilisation, avec un lien pour charger l'image depuis un répertoire local. Le modèle CNN implémenté dans l'application se charge ainsi à donner une évaluation de la prédiction, et confirme si le patient possède une tumeur ou non.

7 Novembre 2024 : Elaboration d'un modèle capable de détecter la présence d'une tumeur et perfectionnement du modèle

>>> L'application repose sur un modèle CNN conçu pour détecter et avertir le praticien de l'éventuelle présence d'une tumeur chez un patient. Le modèle est entraîné avec plus de 1780 images, et validé avec 1190 images médicales sur 20 epochs. Les performances sont globalement satisfaisantes, avec une accuracy de 99% et une loss de 0.03 ~ 0.04 sur les données de validation, sans overfitting!

2 Novembre 2024 : Elaboration d'un modèle capable de détecter une tumeur et de classifier par type de tumeurs

>>> L'application repose sur un modèle CNN spécialement conçu pour détecter des tumeurs et classer une image médicale d'un patient selon le type de tumeurs (méningiome, gliome, etc...). Le praticien peut donc déterminer avec une plus grande précision de l'éventuelle présence d'une tumeur chez un patient. Le modèle est entraîné avec plus de 1780 images, et validé avec 1190 images médicales sur 30 epochs. Les performances sont globalement satisfaisantes, avec une accuracy de 91% et une loss de ~ 0.27 sur les données de validation, sans overfitting.

L'intérêt de ce modèle réside dans l'utilisation de la fonction "prédiction" pour évaluer si une image médicale comporte une tumeur de type gliome, méningiome, etc ou si le patient n'a aucune tumeur. Voici ci-dessous deux exemples de prédiction basés sur le modèle

20 Mars 2025 : Réalisation d'un U-Net permettant la détection automatique de l'activité calcique des neurones

>>> Dans ce projet, nous cherchons à détecter à l'aide d'un modèle convolutionnel de type U-Net les activités calciques de neurones situés dans la moelle épinière afin d'automatiser cette détection. Ce modèle U-Net est plus évolué que le CNN utilisé pour le projet Brainstorm, puisqu'il comporte trois parties: un encodeur, un bottleneck ainsi qu'un décodeur. L'objectif de ce projet est donc de récupérer les prédictions du modèle et d'y effectuer un post-traitement pour repérer ces neurones en les entourant.

Une étape cruciale du projet consistait à effectuer un "labeling" de qualité pour nos datasets d'entrée. L'objectif consiste, dans un premier temps, à réduire les différents bruits électroniques liés au microscope (ils se remarquent avec l'apparition de points lumineux, assimilables à des neurones). Un prétraitement est donc nécessaire pour obtenir des labels de qualité pour l'entraînement du modèle (on cherche à fabriquer des masques pour les labels). Pour cela, des filtres spécifiques ont été utilisés, dont un filtre gaussian pour appliquer un flou et réduire la taille ainsi que l'intensité des (petits) points lumineux. Une autre technique consistait à appliquer un filtre bilatéral pour également appliquer un flou sur des grandes aires, tout en améliorant les contours délimitant deux espaces (dans notre cas, les neurones et le fond de l'image). Enfin, une dernière étape consiste à appliquer un seuil pour "binariser" le masque en deux labels distincts: "0" pour le fond de l'image et "1" pour les neurones). On obtient au final ce type de label-masque!