Abstract:
Dans le contexte croissant de la médecine numérique et face aux limites du diagnostic histopathologique manuel, ce mémoire s'inscrit dans une démarche d'innovation technologique
visant à automatiser la détection des mitoses dans les images histopathologiques. L'objectif
principal est de concevoir un système d'aide au diagnostic basé sur l'apprentissage profond, en
particulier l'architecture RetinaNet, afin d'améliorer la précision et la reproductibilité de l'identification des figures mitotiques, marqueurs essentiels de la prolifération tumorale.
La méthodologie adoptée repose sur l'utilisation du jeu de données MIDOG 2022, composé
de lames virtuelles annotées issues de différents centres. Les images ont été prétraitées et dé-
coupées en patches, puis utilisées pour entraîner un modèle RetinaNet intégrant la Focal Loss
et les Feature Pyramid Networks (FPN). Une interface utilisateur a également été développée
pour visualiser les résultats.
Les résultats montrent que le modèle proposé atteint des performances satisfaisantes en
termes de précision (mAP, F1-score), tout en conservant une bonne capacité de généralisation.
L'étude met en évidence la capacité du deep learning à traiter des données visuelles complexes
et à offrir une alternative fiable au comptage manuel.
