Apprentissage prorofond pour la détection et la classaification de défférentes tumeurs des tissus mous.

Abstract

La classification automatique des tumeurs mammaires à partir d'images d'échographie constitue un enjeu important dans le domaine de l'aide au diagnostic médical, car elle permet de faciliter le processus de détection et d'amélioration de la prise en charge des patientes. Cependant, cette tâche est considérée comme complexe en raison de plusieurs facteurs, notamment le bruit inhérent aux images échographiques, leur faible contraste ainsi que la grande variabilité morphologique des lésions. Ces contraintes rendent l'extraction de caractéristiques pertinentes particulièrement difficile et limitent les performances des approches classiques de traitement d'image. Dans ce contexte, ce projet a pour objectif de concevoir et d'optimiser des modèles basés sur l'apprentissage profond afin d'améliorer la précision de la classification des tumeurs mammaires, ce qui pourrait représenter une avancée majeure dans la prise de décision. L’approche proposée repose sur l’utilisation de réseaux de neurones profonds capables d’extraire automatiquement des caractéristiques discriminantes à partir des données brutes, tout en renforçant la robustesse des modèles face aux variations de qualité des images échographiques. Plus spécifiquement, ce travail a pour objectif le développement d'un système automatisé basé sur l'apprentissage par transfert, en tirant parti de réseaux de neurones convolutionnels (CNN), pour la détection et la classification des lésions mammaires en trois catégories : bénignes, malignes et normales. Le projet comporte deux étapes. La première, le prétraitement des images, a pour but d'améliorer la qualité et le contraste de ces dernières. La seconde consiste à concevoir et à entraîner un modèle performant. L’ensemble de cette approche vise à accroître l’efficacité et la fiabilité du diagnostic assisté des lésions mammaires. Mots Clés : Transfert Learning, images échographiques mammaires, réseaux de neurones convolutifs (CNN), classification, prétraitement, amélioration du contraste, VGG16, DenseNet121. G

ABSTRACT The automatic classification of breast tumors based on ultrasound images is a crucial challenge in the field of medical diagnosis support, as it facilitates the detection process and improves patient care. However, this task is considered complex due to several factors, including the inherent noise in ultrasound images, their low contrast, and the high morphological variability of the lesions. These constraints make the extraction of relevant features particularly difficult and limit the performance of traditional image processing approaches. In this context, the goal of this project is to design and optimize deep learning-based models to improve the accuracy of breast tumor classification, which could represent a major advance in the clinical decision. The proposed approach relies on the use of deep neural network capable of automatically extracting discriminative features from raw data, while enhancing the models’ robustness against variations in ultrasound image quality. More specifically, this work aims to develop an automated system based on transfer learning, leveraging convolutional neural networks (CNN), for the detection and classification of breast lesions into three categories: benign, malignant, and normal. The project consists of two stages. The first, image pre-processing, aims to improve image quality and contrast. The second involves designing and training a high-performance model. This comprehensive approach aims to increase the effectiveness and reliability of computer-aided diagnosis of breast lesions. Keywords: Transfer Learning, Brest Ultrasound Images, Convolutional Neural Networks (CNN), Classification, Pre-processing, Contrast Enhancement, VGG16, DenseNet121. H

يُعد التصنيف التلقائي لأورام الثدي استنادًا إلى صور الموجات فوق الصوتية تحديًا مهمًا في مجال المساعدة في التشخيص الطبي، حيث يتيح تسهيل عملية الكشف وتحسين رعاية المرضى. ومع ذلك، تُعتبر هذه المهمة معقدة بسبب عدة عوامل، لا سيما التشويش المتأصل في صور الموجات فوق الصوتية، وتباينها المنخفض، فضلاً عن التباين الشكلي الكبير للآفات. تجعل هذه القيود استخراج الخصائص ذات الصلة أمراً صعباً للغاية وتحد من أداء الأساليب التقليدية لمعالجة الصور. في هذا السياق، يهدف هذا المشروع إلى تصميم وتحسين نماذج قائمة على التعلم العميق من أجل تحسين دقة تصنيف أورام الثدي، مما قد يمثل تقدماً كبيراً في عملية اتخاذ القرارات. يعتمد النهج المقترح على استخدام شبكات عصبية عميقة قادرة على استخراج الخصائص المميزة تلقائيًا من البيانات الأولية، مع تعزيز متانة النماذج في مواجهة التباينات في جودة صور الموجات فوق الصوتية. وبشكل أكثر تحديدًا، يهدف هذا العمل إلى تطوير نظام آلي قائم على التعلم بالنقل، بالاستفادة من الشبكات العصبية الالتفافية، للكشف عن آفات الثدي وتصنيفها إلى ثلاث فئات: حميدة، وخبيثة، وطبيعية. يتألف المشروع من مرحلتين. تهدف المرحلة الأولى، وهي المعالجة المسبقة للصور، إلى تحسين جودة الصور وتباينها. أما المرحلة الثانية فتتمثل في تصميم وتدريب نموذج عالي الأداء. ويهدف هذا النهج في مجمله إلى زيادة فعالية وموثوقية التشخيص المدعوم للآفات الثديية. كلمات مفتاحيه : : التعلم بالنقل، صور الموجات فوق الصوتية للثدي، الشبكات العصبية الالتفافية (CNN) ، التصنيف، المعالجة المسبقة ، تحسين التباين،16 VGG ،21DenseNet 1.