Une approche basée Deep Learning pour la détection du cancer du sein.

Abstract

Le cancer du sein est le cancer le plus répandu chez les femmes dans le monde. La technologie de dépistage la plus courante est la mammographie. Notre projet vise à proposer une approche d'apprentissage en profondeur pour la détection du cancer du sein afin de réduire le coût et la charge de travail des radiologues. Avec les progrès récents dans le domaine de l'apprentissage profond, l'utilisation des réseaux de neurones convolutifs (CNN) en imagerie médicale est devenue très encourageante. Travaillant sur le jeu de données CBIS-DDSM dans nos expériences, nous avons utilisé cinq modèles appronfondus pour une précision acceptable. L'un des modèles est le VGG-16 avec Deep Transfert Learning pour classer les images en masse/calcification, et un autre modèle d’un réseau scratch CNN à deux sorties pour une classificationbénigne/maligne, ces deux derniers réseaux ont été composés pour élaborrer un nouveau réseau à 4 classses de sortie (masse bénigne, masse maligne, calcification bénigne, calcification maligne).Afin d’avoir une classification conjointe avec une segmentation, nous avons utilisé le réseau Deep celui de Mask R-CNN pour une classification avec localisation des masses mamairs. Une image mammographique a été fournie au masque R-CNN, et une boîte de délimitation et une image d'étiquette de la région du cancer du sein ont été obtenues.Suite aux résultats obtenus nous pouvons conclure qu’ils sont encourageants, mais le domaine de la détéction du cancer du sein reste un domaine qui necessite encore beaucoup d’effort de la part de la communauté des chercheurs du domaine