Computer Aided Diagnosis System for Breast Cancer Segmentation using Weakly Supervised Learning and Federated Learning

Abstract

Breast cancer remains the most prevalent malignancy among women globally, with early detection through mammographic screening being critical for improving survival outcomes. The accuracy of radiological interpretation and effectiveness of computer-aided diagnosis systems are paramount, requiring precise mass localization to enhance patient prognosis. However, developing robust CAD systems faces signiőcant challenges including the need for extensive pixel-level annotations, inter-institutional data heterogeneity, and privacy constraints that limit collaborative learning across healthcare networks. This dissertation focuses on breast cancer segmentation addressing the fundamental challenge of reducing annotation burden by implementing weakly supervised learning .While implementing deep learning models additional hurdles arise , such as dealing with insufficient data and a limited generalization ability .These challenges can be addressed in this work through the integration of federated learning protocols by enabling collaborative model improvement across multiple healthcare institutions .Federated lerning emerges as a valuable tool to preserve patient privacy while improving model generalization .***

Le cancer du sein demeure la malignité la plus répandue chez les femmes à l’échelle mondiale, et le dépistage précoce par mammographie est essentiel pour améliorer les chances de survie. L’exactitude de l’interprétation radiologique et l’efficacité des systèmes d’aide au diagnostic (CAD) sont primordiales, nécessitant une localisation précise des masses aőn d’optimiser le pronostic des patientes. Toutefois, le développement de systèmes CAD robustes fait face à des déős majeurs, notamment la nécessité d’annotations exhaustives au niveau des pixels, l’hétérogénéité des données entre institutions et les contraintes de conődentialité qui limitent l’apprentissage collaboratif au sein des réseaux de santé. Cette thèse se concentre sur la segmentation du cancer du sein en abordant le déő fondamental de la réduction de la charge d’annotation grâce à l’apprentissage faiblement supervisé. Lors de la mise en oeuvre de modèles d’apprentissage profond, d’autres obstacles apparaissent, tels que l’insuffisance des données et une capacité limitée de généralisation. Ces déős peuvent être surmontés dans ce travail grâce à l’intégration de protocoles d’apprentissage fédéré, permettant l’amélioration collaborative des modèles entre plusieurs institutions de santé. L’apprentissage fédéré s’impose ainsi comme un outil précieux pour préserver la conődentialité des patients tout en améliorant la capacité de généralisation des modèles.