Classification de tumeurs mammaires à partir d’images d’histopathologie en utilisant des caractéristiques profondes et une combinaison de méthodes d’optimisation par gradient

Le cancer du sein est le type de cancer le plus fréquent chez les femmes dans le monde. Un diagnostic précoce du cancer du sein permet d’améliorer significativement l’efficacité du traitement. Les systèmes d’aide au diagnostic assisté par ordinateur (CAD) sont largement adoptés dans ce domaine en raison de leur fiabilité, de leur précision et de leur coût abordable. Plusieurs techniques d’imagerie sont utilisées pour le diagnostic du cancer du sein ; l’une des plus précises est la histopathologie, qui est utilisée dans cette étude. L’apprentissage profond par transfert de caractéristiques est au cœur de l’architecture du extracteur de caractéristiques du système CAD proposé. Bien que 16 réseaux pré-entraînés aient été évalués dans cette recherche, notre attention s’est principalement portée sur la phase de classification. L’architecture Inception-ResNet-v2, qui combine les avantages des réseaux résiduels (ResNet) et des réseaux Inception, a démontré la meilleure capacité d’extraction de caractéristiques parmi tous les réseaux CNN testés, en particulier pour les images histopathologiques du cancer du sein. Durant la phase de classification, l’ensemble combinant CatBoost, XGBoost et LightGBM a obtenu la meilleure précision moyenne. La méthode proposée a été évaluée sur le jeu de données BreakHis, qui comprend 7 909 images histopathologiques (2 480 bénignes et 5 429 malignes) à quatre facteurs de grossissement différents. L’accuracy de la méthode proposée (IRv2-CXL), en utilisant 70 % des données de BreakHis comme jeu d’entraînement aux grossissements 40x, 100x, 200x et 400x, atteint respectivement 96,82 %, 95,84 %, 97,01 % et 96,15 %. La plupart des études sur la détection automatisée du cancer du sein se sont concentrées sur l’extraction de caractéristiques, ce qui nous a conduit à privilégier la phase de classification. L’approche IRv2-CXL a obtenu des résultats supérieurs ou comparables à tous les niveaux de grossissement, grâce à la méthode d’agrégation par vote doux (soft voting), qui permet de combiner efficacement les forces des trois algorithmes CatBoost, XGBoost et LightGBM.