Les gliomes, une forme de tumeur cérébrale caractérisée par une mortalité élevée, posent des défis diagnostiques importants dans les pays à revenu faible et intermédiaire, en particulier en Afrique subsaharienne. Ce travail présente une nouvelle approche de segmentation des gliomes fondée sur l’apprentissage par transfert, conçue pour surmonter les difficultés rencontrées dans les régions à ressources limitées, où les données d’imagerie par résonance magnétique (IRM) sont souvent rares et de faible qualité. Nous exploitons des modèles pré-entraînés d’apprentissage profond, nnU-Net et MedNeXt, et appliquons une stratégie de fine-tuning stratifié à l’aide des jeux de données BraTS2023-Adult-Glioma et BraTS-Africa. Notre méthode combine une analyse radiomique pour définir des plis d’entraînement stratifiés, l’entraînement sur un grand jeu de données de tumeurs cérébrales, puis le transfert de connaissances vers le contexte africain subsaharien. Une stratégie d’ensemblage de modèles pondérés ainsi qu’un post-traitement adaptatif sont utilisés pour améliorer la précision de la segmentation. L’évaluation de notre méthode sur des cas de validation non vus dans le cadre du défi BraTS-Africa 2024 a permis d’obtenir des scores moyens de Dice par lésion de 0,870, 0,865 et 0,926 pour les régions de tumeur renforcée, du noyau tumoral et de la tumeur complète, respectivement, plaçant notre approche en première position du défi. Cette étude met en évidence la capacité des techniques d’apprentissage automatique intégrées à réduire l’écart entre les capacités d’imagerie médicale des pays à ressources limitées et celles des régions développées. En adaptant nos méthodes aux besoins spécifiques et aux contraintes propres à la population cible, nous visons à renforcer les capacités diagnostiques dans des environnements isolés. Nos résultats soulignent l’importance de stratégies telles que l’intégration locale des données et le raffinement de la stratification pour atténuer les inégalités en santé, garantir l’applicabilité pratique et maximiser l’impact clinique. Une version dockerisée de l’algorithme gagnant du défi BraTS-Africa 2024 est disponible à l’adresse suivante : https://hub.docker.com/r/aparida12/brats-ssa-2024.