Nous explorons le potentiel des modèles basés sur les CNN pour la détection du cancer de la vésicule biliaire (GBC) à partir d'images d'échographie (USG), étant donné qu'aucune étude antérieure n'est connue dans ce domaine. L'échographie est la modalité diagnostique la plus courante pour les maladies de la vésicule biliaire en raison de son faible coût et de sa facilité d'accès. Cependant, l'analyse des images d'échographie est complexe en raison de leur qualité d'image faible, du bruit et des points de vue variables dus à la nature manuelle du capteur. Notre étude exhaustive des techniques de classification d'images de pointe (SOTA) pour ce problème révèle qu'elles échouent souvent à apprendre les régions pertinentes de la vésicule biliaire en raison des ombres présentes dans les images d'échographie. Les techniques SOTA de détection d'objets atteignent également une précision faible en raison des textures parasites dues au bruit ou aux organes adjacents.Nous proposons GBCNet pour relever ces défis. GBCNet détecte tout d'abord les régions d'intérêt (ROIs) en identifiant la vésicule biliaire (et non le cancer), puis utilise une nouvelle architecture de regroupement multi-échelle et d'ordre supérieur spécialisée dans la classification du GBC. Pour gérer efficacement les textures parasites, nous proposons un programme pédagogique inspiré par l'acuité visuelle humaine, qui réduit les biais texturaux dans GBCNet. Les résultats expérimentaux montrent que GBCNet surpasse significativement les modèles CNN SOTA ainsi que les radiologues experts. Nos innovations techniques sont également génériques pour d'autres tâches d'analyse d'images d'échographie. Par conséquent, comme validation, nous montrons également l'efficacité de GBCNet dans la détection du cancer du sein à partir d'images USG.La page du projet avec le code source, les modèles entraînés et les données est disponible à l'adresse suivante : https://gbc-iitd.github.io/gbcnet