Breast density prediction using deep learning methods

Abstract

Abstract : Predictive medicine is instrumental in assisting doctors to evaluate patients and help them prevent the risk of breast cancer disease where they can make accurate predictions based on breast examination and analysis, allowing for early detection and timely intervention. This depends on multiple factors such as age, lifestyle, family history, and breast density which is the most important factor. This thesis showcases the current state of research on the impact of applying artificial intelligence techniques and deep learning in the detection of breast density. The initial part of our discussion focuses on breast cancer, particularly in the assessment of breast density and the challenges radiologists face in this field. We then delve into the field of deep learning, highlighting the latest studies in this rapidly evolving field, with a specific emphasis on its impact on the medical sector. Although deep learning’s potential to improve medical diagnostics is promising, its reliance on precise and accurate data is vital, as it has a direct impact on patient outcomes. While some countries have already begun to integrate deep learning techniques into their medical practices, there is still much progress to be made. However, early results have been promising, and the potential for continued advancements in this field is optimistic. The second part of this dissertation is dedicated to the latest research in analyzing complex mammogram images using cutting-edge deep-learning techniques, which involves the integration of modern databases and various perspectives from researchers in the field. We review the most recent literature on this subject and explore the diverse theories and approaches adopted by scientists to address the challenges posed by these complex images.***

Resume La medecine predictive aide les medecins a evaluer les patientes et a les encourager a prevenir le risque de cancer du sein en faisant des predictions precises basees sur l’analyse des images medicales , permettant ainsi une d´etection precoce et une intervention opportune. Cela d´epend de nombreux facteurs, tels que lage, le nature du vie, les antecedents familiaux et la densite mammaire, qui est le facteur le plus important.Cette these presente l’etat actuel de la recherche sur l’impact de l’application de techniques d’intelligence artificielle et d’apprentissage profond dans la detection de la densite mammaire.La premiere partie de notre discussion se concentre sur le cancer du sein, en particulier sur l’evaluation de la densite mammaire et les defis auxquels sont confrontes les radiologues dans ce domaine. Nous plongeons ensuite dans le domaine de l’apprentissage profond, mettant en evidence les dernieres etudes dans ce domaine en constante evolution, avec un accent particulier sur son impact sur le secteur medical. Bien que le potentiel de l’apprentissage profond pour am´eliorer le diagnostic m´edical soit prometteur, sa d´ependance `a des donn´ees pr´ecises et exactes est vitale, car elle a un impact direct sur les r´esultats des patients. Bien que certains pays aient d´ej`a commenc´e `a int´egrer des techniques d’apprentissage profond dans leurs pratiques m´edicales, il reste encore beaucoup de progr`es `a faire. Cependant, les premiers r´esultats ont ´et´e prometteurs, et le potentiel de progr`es continus dans ce domaine est optimiste. La deuxi`eme partie de cette th`ese est consacr´ee aux derni`eres recherches sur l’analyse d’images complexes de mammographie en utilisant des techniques d’apprentissage profond de pointe, qui implique l’int´egration de bases de donn´ees modernes et de diverses perspectives des chercheurs dans le domaine. Nous passons en revue la litt´erature la plus r´ecente sur ce sujet et explorons les diverses th´eories et approches adopt´ees par les scientifiques pour relever les d´efis pos´es par ces images complexes.