Un microscope à réalité augmentée (ARM) permet d'afficher des informations supplémentaires sur les tissus en cours d'analyse par un pathologiste. Les méthodes d'analyse d'image utilisées par ces microscopes doivent être robustes aux changements de niveau de grossissement pour suivre les déplacements dans les lames de verres. Nous résolvons ce problème en tirant parti des caractéristiques présentes dans certains niveaux de grossissement clefs qui permettent de mieux comprendre d'autres niveaux de grossissement. Nous proposons une méthode temps réel robuste aux changements de niveaux de grossissement en entraînant des réseaux de neurones profonds sur certains niveaux clefs d'images de lames (WSI) et en les testant sur les niveaux d'un microscope. Nous montrons que notre approche surpasse ou équivaut les méthodes naïves sur un jeu de données de cancer du sein pour l'architecture d'apprentissage profond Inception-ResNet-v2.