Classification des nodules pulmonaires à l'aide de réseaux profonds locaux-globaux

Objectif : Les nodules pulmonaires présentent des formes et des tailles très variées, ce qui rend leur classification en bénins ou malins un problème complexe. Dans cet article, nous proposons une nouvelle méthode pour prédire la malignité des nodules, capable d'analyser à la fois la forme et la taille du nodule grâce à un extracteur de caractéristiques globales, ainsi que sa densité et sa structure à l'aide d'un extracteur de caractéristiques locales.Méthodes : Nous suggérons d'utiliser des Blocs Résiduels avec une taille de noyau de 3x3 pour l'extraction de caractéristiques locales, et des Blocs Non-Locaux pour extraire les caractéristiques globales. Les Blocs Non-Locaux ont la capacité d'extraire des caractéristiques globales sans utiliser un grand nombre de paramètres. Le concept clé derrière les Blocs Non-Locaux est d'appliquer des multiplications matricielles entre les caractéristiques présentes sur les mêmes cartes de caractéristiques.Résultats : Nous avons formé et validé la méthode proposée sur le jeu de données LIDC-IDRI, qui contient 1 018 scanners par tomographie computée (CT). Nous avons suivi une procédure rigoureuse pour la mise en place expérimentale, notamment une validation croisée en 10 fois, tout en ignorant les nodules annotés par moins de trois radiologues. La méthode proposée a obtenu des résultats de pointe avec un AUC = 95,62 %, surpassant considérablement les autres méthodes de base.Conclusions : Notre réseau profond Local-Global proposé a la capacité d'extraire précisément à la fois des caractéristiques locales et globales. Notre nouvelle méthode surpasse les architectures de pointe actuelles, y compris Densenet et Resnet avec apprentissage par transfert.