Résumé:
Cancer du sein reste un réel problème de santé public et un sujet de recherche d’actualité très délicat à aborder, et La recherche dans le domaine de l'imagerie médicale utilisant des approches d'apprentissage profond est devenue progressi-vement contingente. Les découvertes scientifiques révèlent que les performances des méthodes d’apprentissage profond supervisé dépendent fortement de la taille de l'ensemble de formation, que les radiologues experts doivent annoter manuel-lement. Ce dernier est une tâche assez fatigante et chronophage. Par conséquent, la plupart des images biomédicales librement accessibles les ensembles de don-nées sont de petite taille.
Notre projet vise à créer un model utilisant l'apprentissage en profondeur, en particulier dans le domaine des GANs (generative adversarial network), et de fournir la même précision que l'étude de la littérature menée. Notre contribution unique consiste à construire un model GAN à l'aide de techniques d'apprentissage supervisées pour la catégorisation des images histopathologies dans la prédiction du cancer du sein. Afin d'améliorer la précision du modèle et de rendre le modèle approprié pour l'apprentissage supervisé, nous modifierons également certaines limitations architecturales. Nous suggérons plus d'élan, ce qui a stabilisé la majorité de notre processus Apprentissage supervisées
