Réseaux de neurones convolutionnels équivariants à la rotation et à la translation : Application à l'analyse d'images histopathologiques

L'invariance de rotation est une propriété souhaitée des modèles d'apprentissage automatique pour l'analyse d'images médicales et en particulier pour les applications en pathologie computationnelle. Nous proposons un cadre permettant d'intégrer la structure géométrique du groupe de mouvements euclidiens spéciaux SE(2) dans les réseaux de neurones convolutifs afin d'obtenir une équivariance à la translation et à la rotation grâce à l'introduction de couches de convolution SE(2)-groupe. Cette structure permet aux modèles d'apprendre des représentations de caractéristiques avec une dimension d'orientation discrétisée, garantissant ainsi que leurs sorties soient invariantes sous un ensemble discret de rotations. Les approches conventionnelles pour l'invariance de rotation reposent principalement sur l'augmentation des données, mais cela ne garantit pas la robustesse de la sortie lorsque l'entrée est rotative. De plus, les CNNs traditionnels formés peuvent nécessiter une augmentation de rotation au moment du test pour atteindre leur pleine capacité. Cette étude se concentre sur les applications d'analyse d'images histopathologiques pour lesquelles il est souhaitable que les informations sur l'orientation globale arbitraire des tissus imager ne soient pas capturées par les modèles d'apprentissage automatique. Le cadre proposé est évalué sur trois tâches différentes d'analyse d'images histopathologiques (détection des mitoses, segmentation des noyaux et classification des tumeurs). Nous présentons une analyse comparative pour chaque problème et montrons qu'une amélioration constante des performances peut être obtenue en utilisant le cadre proposé.