Détection de tumeurs mammaires via les réseaux de neurones convolutifs pour l’aide à la décision

Abstract

Le but de ce mémoire est de développer un système d’aide à la décision, permettant de détecter les tumeurs mammaires, en exploitant les clichés échographiques. Cette réalisation est effectuée par les réseaux de neurones convolutifs par apprentissage par transfert pour la classification d’images de la base mammaire égyptienne en trois classes : ‘’maligne’’, ‘’bégnine’’, et ‘’normale’’. Dans ce cadre, plusieurs modèles ont été retenus, notamment : le DenseNet121, le DenseNet201, le VGG16, le VGG19, le ResNet50 et enfin le ResNet152. Après le partitionnement de la base de données et l’entraînement des modèles cités, l’évaluation des résultats montre que le plus bas taux obtenu pour la précision de l’entrainement, est de 70% pour le modèle ResNet152, contre une précision de 95% pour le modèle VGG16. Pour la validation, le plus bas taux reste toujours pour le ResNet152, quant aux autres modèles, ils ont tous donnés un taux supérieur à 90%. A cet effet, le VGG16 est le modèle le plus approprié aux données étudiées. Mots clés : Clichés échographiques, Réseaux de Neurones convolutifs, Apprentissage par Transfert, VGG16 & VGG19, Resnet50 & REsnet152, Densenet121& Densenet201, Aide à la décision.