Réseaux Multi-instance Profonds avec Affectation de Labels Épars pour la Classification des Mammographies Complètes

La classification des mammographies est directement liée au diagnostic assisté par ordinateur du cancer du sein. Les méthodes traditionnelles s'appuient sur des régions d'intérêt (ROIs) qui nécessitent des efforts considérables pour être annotées. Inspirés par le succès de l'utilisation de caractéristiques profondes convolutives pour l'analyse d'images naturelles et de l'apprentissage multi-instance (MIL) pour étiqueter un ensemble d'instances/patches, nous proposons des réseaux neuronaux multi-instance profonds formés de bout en bout pour la classification des masses basée sur l'ensemble de la mammographie, sans les ROIs mentionnés précédemment. Nous explorons trois schémas différents pour construire des réseaux neuronaux multi-instance profonds destinés à la classification de mammographies complètes. Les résultats expérimentaux sur le jeu de données INbreast démontrent la robustesse des réseaux proposés par rapport aux travaux antérieurs utilisant des annotations de segmentation et de détection.