Browsing by Author "Hazmoune ,Samira"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Vision-Transformers pour la classification des images histopathologiques du cancer du sein
    (Faculté des Sciences, 2023) Ziat ,Anfal; Boussireb, Abir; Hazmoune ,Samira
    Ce mémoire s’inscrit dans le cadre de la classification des images histopathologiques du cancer du sein, qui revêt une importance cruciale dans le domaine médical. Un diagnostic tardif du cancer du sein peut avoir des conséquences néfastes. Afin d’améliorer le processus de diagnostic, de nombreux chercheurs ont exploité les avantages de l’intelligence artificielle, notamment dans le domaine médical. Les Transformers, en tant qu’architecture spécifique de réseau de neurones utilisée dans le deep learning, se sont révélés particulièrement efficaces pour les tâches impliquant des séquences de données, telles que le traitement du langage naturel (NLP). En raison du succès massif des Transformers dans le domaine du NLP, ils sont adaptés aux tâches de vision par ordinateur. Les Transformers les plus récents utilisés pour la classification d’images comprennent Vision Transformers (ViT), qui est une approche révolutionnaire dans le domaine de classification des images initialement proposée en 2020. Le ViT a démontré sa capacité à capturer les relations à long terme et les dépendances entre les différentes parties d’une image, ce qui est essentiel pour une classification précise. Dans ce mémoire,nous présentons un modèle de transformer basé sur ViT pour la classification des images histopathologiques du cancer du sein. Afin d’améliorer l’accuracy du modèle, une série d’expérimentations sur l’ensemble de données BreakHis a été réalisée pour déterminer les hyper paramètres optimaux de l’architecture ViT. L’accuracy de la classification pour BreakHis était de 97,78%. Les résultats comparatifs avec différentes architectures CNN (Convolutional Neural Networks) et quelques travaux précédents sur la même base de données montrent la supériorité de ViT sur tous les techniques de ma- chine learning et de deep learning classique.