BreastPipe: From Detection to Decision - A Multi-Stage Deep Learning Approach for Breast Cancer Diagnosis

Abstract

This engineering thesis aims to design, implement, and evaluate a complete deep learningbased system for breast cancer detection using mammography. The primary objective of this project is to develop an integrated pipeline capable of accurately detecting, segmenting, and classifying breast lesions in an automated manner. Instead of focusing solely on a literature review, this work proposes a practical solution named BreastPipe, which brings together state-of-the-art deep learning models into a unified workflow. The system performs lesion detection using YOLO-based architectures, refines the results through IoU-based validation, extracts relevant regions for segmentation with advanced U-Net variants, and classifies the detected lesions using powerful CNN models. In addition to the methodological contributions, the project includes the development of a web-based clinical decision support application, allowing healthcare professionals to upload mammograms, run the pipeline, and visualize detection, segmentation, and classification results interactively. The outcomes of this work aim to enhance the accuracy, reliability, and clinical usability of automated breast cancer detection systems and demonstrate how artificial intelligence can be translated into a practical diagnostic tool to support radiologists in early detection and decision-making.***

Ce mémoire d’ingénierie vise à concevoir, implémenter et évaluer un système complet basé sur l’apprentissage profond pour la détection du cancer du sein à partir de mammographies. L’objectif principal de ce projet est de développer une chaîne de traitement intégrée capable de détecter, segmenter et classifier automatiquement les lésions mammaires avec une grande précision. Plutôt que de se limiter à une revue de la littérature, ce travail propose une solution pratique intitulée BreastPipe, qui intègre des modèles d’apprentissage profond de pointe dans un flux de travail unifié. Le système effectue la détection des lésions à l’aide d’architectures basées sur YOLO, affine les résultats via une validation fondée sur l’IoU, extrait les régions pertinentes pour la segmentation grâce à des variantes avancées de U-Net et classe les lésions détectées à l’aide de puissants modèles CNN. En plus de ses contributions méthodologiques, le projet comprend le développement d’une application web de soutien à la décision clinique, permettant aux professionnels de santé de téléverser des mammographies, d’exécuter le pipeline et de visualiser de manière interactive les résultats de détection, de segmentation et de classification. Les résultats de ce travail visent à améliorer la précision, la fiabilité et l’utilisabilité clinique des systèmes automatisés de détection du cancer du sein et démontrent comment l’intelligence artificielle peut être traduite en un outil diagnostique pratique pour soutenir les radiologues dans le dépistage précoce et la prise de décision.