Exploring the effectiveness of transformer models in breast cancer classification tasks

Abstract

Early detection remains crucial for limiting breast cancer mortality in women. Screening programs are considered as the best solution, but the growing volume of data and human limitations have driven interest in AI-based support for medical professionals. Deep learning-based Computer-Aided Diagnosis (CAD) systems have seen significant progress, leading to a variety of architectures, such as the recent advancements in Visual Transformers (ViTs). While Convolutional Neural Networks (CNNs) are well-established for medical image analysis, ViTs excel in areas where CNNs struggle. This research investigates the potential of ViTs as a successor to CNNs in breast cancer classification. We achieve this by extensively evaluating the ViT performance to assess the validity of ViTs as a viable tool for breast cancer diagnosis.Early detection remains crucial for limiting breast cancer mortality in women. Screening programs are considered as the best solution, but the growing volume of data and human limitations have driven interest in AI-based support for medical professionals. Deep learning-based Computer-Aided Diagnosis (CAD) systems have seen significant progress, leading to a variety of architectures, such as the recent advancements in Visual Transformers (ViTs). While Convolutional Neural Networks (CNNs) are well-established for medical image analysis, ViTs excel in areas where CNNs struggle. This research investigates the potential of ViTs as a successor to CNNs in breast cancer classification. We achieve this by extensively evaluating the ViT performance to assess the validity of ViTs as a viable tool for breast cancer diagnosis ======================================================================================= La détection précoce reste cruciale pour limiter la mortalité due au cancer du sein chez les femmes. Les programmes de dépistage offrent une solution puissante, mais le volume croissant de données et les limitations humaines ont suscité un intérêt pour le soutien basé sur l’IA pour les professionnels de la santé. Les systèmes de diagnostic assistée par ordinateur (CAD) basés sur l’apprentissage profond ont connu des progrès significatifs, conduisant à une variété d’architectures, y compris les avancées récentes dans les Transformers Visuels (ViTs). Alors que les réseaux de neurones convolutifs (CNN) sont bien établis pour l’analyse d’images médicales, les ViTs excellent dans des domaines où les CNN rencontrent des difficultés. Cette recherche examine le potentiel des ViTs en tant que successeurs des CNN dans la classification du cancer du sein. Nous y parvenons en évaluant de manière approfondie la performance des ViTs pour évaluer la validité des ViTs en tant qu’outil viable pour le diagnostic du cancer du sein