Classification histologique du cancer du sein à l’aide de réseaux de neurones résiduels profonds

Dans ce travail, afin d’améliorer les performances des systèmes de diagnostic assisté par ordinateur dans l’analyse des images histopathologiques, nous proposons une méthode combinant un prétraitement d’images suivi d’une approche basée sur l’apprentissage profond pour classifier les images d’histologie du cancer du sein en quatre catégories : (i) tissu normal, (ii) lésion bénigne, (iii) carcinome in situ, et (iv) carcinome invasif. Les images sont prétraitées afin d’assurer une normalisation de l’intensité et de la coloration à l’aide de la méthode d’égalisation d’histogramme. La méthode de transfert d’apprentissage Fine-tuning est appliquée avec le réseau convolutif ResNet152 pour entraîner et classifier les images. Cette approche proposée atteint une précision moyenne de 83 % sur une validation croisée à cinq plis, représentant une amélioration significative par rapport aux états de l’art.