Un seuillage optimal à plusieurs niveaux pour la segmentation d'images en couleur

Un diagnostic pr cis du cancer du sein dans les images histopathologiques est difficile en raison de l'h t rog n it de la croissance des cellules canc reuses ainsi que de la diversit des l sions prolif ratives b nignes des tissus mammaires. Dans ce travail, nous proposons une solution pratique et auto-interpr table de diagnostic invasif du cancer. Avec un minimum d'informations d'annotation, la m thode propos e explore les mod les de contraste entre les images normales et malignes de mani re non supervis e et g n re une carte de probabilit d'anomalies pour v rifier son raisonnement. En particulier, un auto-encodeur enti rement convolutif est utilis pour apprendre les mod les structurels dominants parmi les patchs d'image normaux. Les correctifs qui ne partagent pas les caract ristiques de cette population normale sont d tect s et analys s par une machine vecteurs de support une classe et un r seau neuronal une couche. Nous appliquons la m thode propos e un ensemble public d'images du cancer du sein. Nos r sultats, en consultation avec un pathologiste senior, d montrent que la m thode propos e surpasse les m thodes existantes. La carte de probabilit obtenue pourrait b n ficier la pratique de la pathologie en fournissant des donn es de v rification visualis es et conduire potentiellement une meilleure compr hension des solutions de diagnostic bas es sur les donn es.