Le modèle médical de diagnostic automatique et objectif peut être particulièrement précieux pour permettre la détection précoce du cancer, et ainsi réduire le taux de mortalité. Dans cet article, nous proposons un modèle hautement efficace pour la détection multi-niveaux de tissus malins, basé sur un réseau CAC-UNet conçu de manière adversaire. Un modèle au niveau des patchs, intégrant une stratégie de pré-prédiction ainsi qu’un lissage des étiquettes guidé par les zones malignes, est adopté afin d’éliminer les images numériques de grande taille (WSIs) négatives, réduisant ainsi le risque de détection erronée. Pour les patchs clés sélectionnés par un ensemble de modèles multi-approches, un réseau UNet à prise en compte contextuelle et à cohérence d’apparence (CAC-UNet) est spécifiquement conçu pour assurer une segmentation robuste. Dans le CAC-UNet, des discriminateurs conçus en miroir permettent de fusionner de manière transparente les cartes de caractéristiques complètes du réseau principal puissant, sans perte d’information. En outre, un prior de masque est ajouté pour guider la prédiction précise du masque de segmentation via un discriminateur supplémentaire agissant dans l’espace du masque. La méthode proposée obtient les meilleurs résultats lors du défi MICCAI DigestPath2019 sur la tâche de segmentation et de classification des tissus endoscopiques du côlon. Les détails complets d’implémentation ainsi que les modèles entraînés sont disponibles à l’adresse suivante : https://github.com/Raykoooo/CAC-UNet.