Français
English
Breast Cancer Detection
Le projet Breast Cancer Detection repose sur une architecture moderne et modulaire, conçue pour appliquer les techniques de deep learning à l'imagerie médicale. L'application intègre un pipeline complet allant de la préparation des données à la mise en production, avec une attention particulière portée à la reproductibilité et au suivi des expériences.
Architecture
- Modèles : architectures multiples testées (EfficientNet B3, ResNet50, MobileNet V3, U-Net).
- MLflow : suivi des expériences, gestion des versions de modèles et des artefacts.
- DVC : gestion des données et des modèles pour assurer la traçabilité et la reproductibilité.
- Streamlit : interface web professionnelle pour les prédictions.
- FastAPI : serveur REST pour le déploiement et la mise à disposition des modèles.
- Docker : containerisation complète pour faciliter l'orchestration et le déploiement.
L'objectif de ce projet est de développer une solution de deep learning capable d'analyser des images médicales et de prédire la présence de cancer du sein. Ce projet illustre l'application des techniques d'intelligence artificielle au domaine de la santé, avec un focus sur l'imagerie médicale.
La détection précoce du cancer du sein est un enjeu majeur de santé publique. Les images médicales sont complexes, hétérogènes et nécessitent une analyse automatisée fiable pour assister les praticiens. Le défi consiste à entraîner des modèles robustes capables de distinguer les signaux pertinents dans les images, tout en gérant la variabilité des données et en évitant le sur-apprentissage.
La solution s'appuie sur une interface Streamlit qui permet aux utilisateurs de sélectionner le modèle de deep learning qu'ils souhaitent tester (parmi plusieurs architectures comme EfficientNet, ResNet ou MobileNet). Une fois le modèle choisi, l'application offre la possibilité de charger une image médicale et d'obtenir une prédiction immédiate sur la présence ou non de cancer. L'interface ne se limite pas à la prédiction : elle affiche également les métriques de performance (accuracy, recall, AUC), l'historique des expériences suivi via MLflow et DVC. Cette approche intégrée transforme le projet en un véritable outil interactif, combinant prédiction, évaluation et suivi, afin de rendre la détection plus transparente et reproductible.
Caractéristiques principales
- CNN - classification d'images
- TensorFlow - Deep Learning
- Streamlit - interface utilisateur
- MLflow - suivi des expériences
- DVC - gestion des données & modèles
- FastAPI - API REST pour serving