La détection d'anévrismes intracrâniens à partir d'images d'angiographie par résonance magnétique est un problème d'une importance clinique croissante. Au cours des 3 dernières années, l'augmentation des réseaux de neurones convolutifs profonds a suscité une série de méthodes qui ont montré des performances prometteuses. Le problème majeur à résoudre est le très grave déséquilibre de classe. Les auteurs précédents ont concentré leurs efforts sur l'architecture du réseau et la fonction de perte. Cet article aborde les données. Une annotation grossière mais rapide est envisagée : chaque anévrisme est approché par une sphère définie par deux points. Deuxièmement, une approche par petits patches est adoptée afin d'augmenter le nombre d'échantillons. Troisièmement, les échantillons sont générés par une combinaison de sélection de données (les patches négatifs sont centrés à moitié sur les vaisseaux sanguins et à moitié sur le parenchyme) et la synthèse de données (les patches contenant un anévrisme sont dupliqués et déformés par une transformation spline 3D). Cette stratégie est appliquée pour former un modèle U-net 3D, avec une perte d'entropie croisée binaire, sur un ensemble de données de 111 patients (155 anévrismes, taille moyenne 3,86 mm ± 2,39 mm, min 1,23 mm, max 19,63 mm). Une évaluation de validation croisée 5 fois fournit des résultats de pointe (sensibilité 0,72, nombre de faux positifs 0,14, selon les critères de défi ADAM). L'étude rapporte également une comparaison avec la perte focale, et le coefficient Kappa de Cohen s'avère être une meilleure métrique que Dice pour ce problème de détection très déséquilibré.