Les taux de guérison du cancer du rein varient en fonction du stade et du grade; il est donc essentiel de disposer de procédures de diagnostic précises pour une détection et un diagnostic précoces. Certaines difficultés liées à la segmentation manuelle ont nécessité l'utilisation de modèles d'apprentissage profond pour aider les cliniciens à reconnaître et à segmenter efficacement le cancer. Le réseau neuronal convolutionnel probabiliste (PCNN), en particulier les réseaux neuronaux convolutionnels, a donné d'excellents résultats dans la classification et la segmentation des images. Dans ce projet, le filtrage des images IRM des reins est effectué à l'aide de l'algorithme Bilateral Anisotropic Diffusion Filter. La technique de prétraitement proposée permet d'obtenir un rapport signal/bruit de crête (PSNR) élevé et une erreur quadratique moyenne (MSE) faible. L'amélioration des images IRM des reins est réalisée à l'aide de l'algorithme EP-CLAHE (Edge Preservation-Contrast Limited Adaptive Histogram Equalization). L'algorithme EP-CLAHE est utilisé pour améliorer le contraste et la luminosité. La segmentation des images IRM de reins est effectuée à l'aide de l'algorithme IFFCMC (Improved Fast Fuzzy C Means Clustering). L'algorithme IFFCMC est utilisé pour segmenter les pixels du cancer du rein et supprimer les autres pixels de l'image IRM du rein.