Breast-NET : un modèle DCNN léger pour la détection et le classement du cancer du sein à l’aide d’échantillons histologiques

Le cancer du sein est un cancer fréquent et particulièrement mortel touchant les femmes à l’échelle mondiale. Bien que des techniques non invasives telles que l’échographie et la mammographie soient couramment utilisées pour le diagnostic, l’examen histologique après biopsie reste considéré comme la référence absolue. Toutefois, l’analyse manuelle des tissus pour détecter des anomalies est un processus laborieux, coûteux et nécessitant une expertise préalable. La détection précoce, la sensibilisation du public et l’accès à une infrastructure médicale spécialisée constituent des défis majeurs, particulièrement dans les zones à ressources limitées ou isolées, bien qu’elles soient essentielles pour sauver des vies. Ces dernières années, les approches fondées sur l’apprentissage profond ont montré des résultats prometteurs dans la détection du cancer du sein, grâce aux progrès réalisés en matière de mémoire GPU, de puissance de calcul et à la disponibilité croissante des données numériques. Inspirés par ces avancées, nous proposons un modèle de réseau de neurones convolutifs profonds, nommé Breast-NET, pour la détection et le classement du cancer du sein à partir d’images histologiques. La performance de notre modèle est évaluée sur le jeu de données BreakHis, et nous démontrons sa capacité de généralisation sur les jeux de données IDC (Invasive Ductal Carcinoma) et IDC grading. Une analyse expérimentale et statistique approfondie, complétée par une étude d’ablation, valide l’efficacité de notre modèle. Par ailleurs, nous mettons en évidence l’efficacité de l’apprentissage par transfert en utilisant sept réseaux de neurones convolutifs pré-entraînés pour la détection et le classement du cancer du sein. Les résultats expérimentaux montrent que notre cadre surpasser les approches de pointe en termes de précision, d’occupation mémoire et de complexité computationnelle sur les jeux de données BreakHis, IDC grading et IDC.