Résumé:
La détection du cancer du sein est un sujet de recherche d’actualité, car sa détection
précoce, peut contribuer à augmenter le taux de survie des patients en leur fournissant à temps,
un meilleur traitement. Un système robuste est donc nécessaire pour détecter les pathologies
mammaires, car il est difficile de les identifier à un stade précoce, à partir du processus clinique
normal. Les techniques de vision par ordinateur offrent une nouvelle façon de comprendre les
défis, liés à l'analyse des images médicales. Ce travail présente l’exploration d'images
histologiques mammaires, suivant les réseaux neuronaux convolutifs, pour la distinction des
carcinomes canalaires invasifs et des tissus normaux, en vue d’une aide à l’interprétation. L'idée
du choix des CNN, est leur adaptation au traitement des images ainsi que leurs performances,
relativement aux techniques traditionnelles.
L'ensemble de données utilisé dans le cadre de ce mémoire, présente de nombreux défis,
comme le nombre réduit de cas et surtout des données déséquilibrées ; ce qui signifie qu’elles
nécessitent un prétraitement. Ce travail se concentre alors, sur la réalisation d’un système qui
améliore le score F1 du classificateur CNN suivant un fine-tuning, une extraction des
caractéristiques et la proposition d'un modèle prédictif adapté. Les résultats des
expérimentations, montrent que l’approche proposée ‘HISTOCNN’, aide à améliorer le score
F1, avec une valeur de 87% et la précision avec une estimation de plus de 93%.
Cette étude contribue à la détection du cancer mammaire à un stade précoce, par des
images que les processus cliniques, sont incapables de détecter.
Mots clés : Cancer du Sein, Image Histopathologique, Apprentissage profond, Réseau
Neuronal Convolutif, Diagnostic Assisté par Ordinateur, Aide à l’Interprétation.
