L’avènement de l’intelligence artificielle dans l’imagerie médicale a ouvert la voie à des progrès significatifs dans le diagnostic des tumeurs cérébrales. Cette étude présente une nouvelle approche par ensemble qui utilise l’imagerie par résonance magnétique (IRM) pour identifier et catégoriser les cancers cérébraux courants, tels que les adénomes hypophysaires, les méningiomes et les gliomes. Le workflow proposé repose sur une double stratégie : d’une part, il met en œuvre des techniques avancées d’amélioration d’images au stade du prétraitement des données, une décomposition de Tucker à faible rang pour la réduction de dimensionnalité, ainsi que des classificateurs d’apprentissage automatique (ML) afin de détecter et prédire le type de tumeur cérébrale. D’autre part, la homologie persistante (PH), une technique d’analyse topologique des données (TDA), est exploitée pour extraire des zones critiques potentielles dans les examens IRM. Lorsqu’elle est combinée aux sorties des classificateurs ML, cette information complémentaire aide les experts du domaine à identifier des régions d’intérêt susceptibles de contenir des signatures tumorales, améliorant ainsi l’interprétabilité des prédictions issues de l’apprentissage automatique. En comparaison avec les diagnostics entièrement automatisés, cette transparence ajoute un niveau supplémentaire de confiance, essentiel à l’acceptation clinique. La performance du système a été évaluée de manière quantitative sur un jeu de données IRM bien établi, atteignant une précision globale de classification de 97,28 % grâce à un modèle d’arbres extrêmement aléatoires. Les résultats prometteurs démontrent que l’intégration de la TDA, de l’apprentissage automatique et de méthodes d’approximation à faible rang constitue une approche efficace pour l’identification et la catégorisation des tumeurs cérébrales, offrant ainsi une base solide pour des recherches ultérieures et une application clinique.