Détection assistée par ordinateur pour l’Analyse de mammographies utilisant des techniques d’apprentissage profond
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Sciences
Abstract
Le dépistage du cancer du sein présente des défis importants en raison des taux élevés de
faux positifs et de faux négatifs, limitant l’efficacité des systèmes de diagnostic assisté par
ordinateur (CAD) traditionnels. Pour améliorer la précision et la fiabilité de la détection des
anomalies mammaires, cette étude visait à développer un système CAD avancé basé sur l’apprentissage
profond.
En utilisant une combinaison d’images provenant des ensembles de données DDSM (Digital
Database for Screening Mammography) et CBIS-DDSM (Curated Breast Imaging Subset
of DDSM), nous avons entraîné et testé divers modèles, y compris des algorithmes de machine
learning traditionnels tels que Random Forest, Naive Bayes, Decision Tree et XGBoost,
et MLP, ainsi que des modèles d’apprentissage profond comme DenseNet121, Xception, InceptionResNetV2,
MobileNet. Les performances des modèles ont été évaluées à l’aide de métriques
standard, notamment l’exactitude, la sensibilité, la spécificité, la précision et l’AUC.
Les résultats ont montré que les modèles d’apprentissage profond surpassent largement les
méthodes traditionnelles, avec InceptionResNetV2 atteignant une exactitude de 96,58%, une
sensibilité de 96,5 %, une spécificité de 96,58 % et une AUC de 0,987.
Ces résultats démontrent une amélioration significative des performances et suggèrent que
l’intégration de l’apprentissage profond dans les systèmes CAD peut réduire les erreurs de diagnostic
et augmenter l’efficacité du dépistage du cancer du sein.