Réseaux Gated-Dilated pour la Classification des Nodules Pulmonaires dans les Scanners TDM

Différents types de Réseaux Neuronaux Convolutifs (RNC) ont été appliqués pour détecter les nodules pulmonaires cancéreux à partir des scanners par tomographie computée (TC). Cependant, la taille d'un nodule est très variable et peut varier entre 3 et 30 millimètres. Cette grande variation de tailles rend la classification des nodules une tâche difficile et complexe. Dans cette étude, nous proposons une nouvelle architecture de RNC appelée Réseaux Gated-Dilated (RGD) pour classifier les nodules comme malins ou bénins. Contrairement aux études précédentes, le réseau RGD utilise plusieurs convolutions dilatées au lieu de max-poolings pour capturer les variations d'échelle. De plus, le réseau RGD dispose d'un sous-réseau Context-Aware qui analyse les caractéristiques d'entrée et guide ces caractéristiques vers une convolution dilatée appropriée. Nous avons évalué le réseau proposé sur plus de 1 000 scanners TC issus du jeu de données LIDC-IDRI. Notre réseau proposé surpasses les modèles de référence de pointe, tels que Multi-Crop, ResNet et DenseNet, avec un AUC > 0,95. Par rapport aux modèles de référence, le réseau RGD améliore les précisions de classification des nodules de taille moyenne. De plus, nous observons une relation entre la taille du nodule et le signal d'attention généré par le sous-réseau Context-Aware, ce qui valide notre nouvelle architecture de réseau.Note : - "Context-Aware" est traduit par "Context-Aware" car c'est un terme technique couramment utilisé en français dans ce domaine.- "AUC" est conservé tel quel car il s'agit d'un acronyme standard en français également (Area Under the Curve / Surface Sous la Courbe).