Apprentissage profond pour une classification histopathologique précise dans le cancer du sein

Abstract

Le cancer du sein est le cancer le plus fréquent chez la femme, et la détection précoce via la classification histopathologique joue un rôle crucial en augmentant les chances de guérison complète et permet dans certains cas un traitement moins intrusif. Ces dernières années, l'intégration des techniques d’apprentissage profond (DL) ont montré des résultats prometteurs dans la classification du cancer du sein. Les réseaux neuronaux convolutifs (CNN) sont une architecture d'apprentissage profond largement utilisée pour obtenir une classification précise des images histopathologiques du cancer du sein. Ce projet a combiné cinq modèles d'apprentissage par transfert (Xception, ResNet50, MobileNetV1, InceptionV3 et Inception ResNet-V2), évalués pour la classification binaire à partir de la dataset BreakHis. L'architecture Inception ResNet-V2 a obtenu les meilleurs résultats pour la classification binaire. Nous avons également examiné quatre autres modèles dans notre étude afin de comparer les résultats