Apprentissage profond pour la détection de cancer de sein

Abstract

Les systèmes de détection automatisée du cancer du sein jouent un rôle essentiel dans le diagnostic précoce et la prise en charge efficace de cette maladie. De nombreux travaux de recherche ont été menés pour concevoir des solutions performantes exploitant les réseaux de neurones convolutifs (CNN) dans le domaine médical. Les performances de ces systèmes dépendent de plusieurs facteurs, notamment la qualité et la représentativité des données utilisées. Ce mémoire propose une solution de détection du cancer du sein fondée sur les réseaux de neurones convolutifs. L’objectif est d’améliorer la précision du diagnostic et de limiter les faux négatifs en tirant parti des capacités des CNN à extraire des caractéristiques pertinentes des images médicales. Les données sont préalablement prétraitées puis introduites dans le réseau CNN afin d’identifier les anomalies caractéristiques du cancer du sein. Pour mettre en oeuvre cette solution, nous abordons les principales étapes de conception d’un modèle de CNN : la collecte et la préparation des données, la conception et l’entraînement du réseau CNN, ainsi que la validation et le test du modèle. Les images médicales sont collectées et prétraitées pour constituer un ensemble de données représentatif. Un réseau CNN est ensuite conçu et entraîné sur cet ensemble afin d’apprendre à reconnaître les motifs associés aux lésions mammaires.