Segmentation et classification des tumeurs du cancer du sein sur des images échographiques à l’aide de Deep Learning

Abstract

Ce mémoire s'inscrit dans le cadre de l'amélioration du dépistage précoce du cancer du sein en Algérie, un enjeu de santé publique majeur. L'échographie, bien que largement accessible, souffre d'artefacts visuels (bruit de speckle) compliquant l'interprétation clinique. Ce projet propose un système de diagnostic assisté par ordinateur (DAO) de bout en bout, développé pour automatiser la segmentation et la classification des tumeurs mammaires. L'approche intègre un prétraitement robuste incluant l'algorithme CLAHE. Pour la délimitation tumorale, l'architecture Attention U-Net s'est distinguée, atteignant un excellent score Dice de 0,914 après adaptation. Concernant la classification (bénigne, maligne, normale), une évaluation rigoureuse a mis en évidence la supériorité du Vision Transformer (ViT-B/16) sur les réseaux convolutifs (EfficientNet-B4, ResNet-50). Optimisé par AdamW et couplé à une stratégie d'augmentation au test (TTA ×8), le ViT atteint une exactitude de 93,16 % sur la base BUSI. Sa robustesse a été validée face à une rupture de domaine clinique sur la base externe BRUSBRA, maintenant une exactitude de 89,36 % après Fine-Tuning. De plus, une stratégie d'Ensemble Learning a permis d'atteindre un rappel de 100 % sur la classe maligne, éliminant totalement les faux négatifs. L'intégration de l'explicabilité visuelle (Attention Rollout, Grad CAM) et le développement de l'interface graphique « SenoDeep Predict » viennent consolider la transparence et l'applicabilité finale de ce système en milieu hospitalier