ProCAN : Réseau non-local progressif avec attention aux canaux pour la classification des nodules pulmonaires

La classification du cancer du poumon dans les examens par tomodensitométrie (CT) est l'une des tâches les plus cruciales pour la détection précoce de cette maladie. De nombreuses vies peuvent être sauvées si nous sommes capables de classer avec précision les nodules pulmonaires malins/cancéreux. Par conséquent, plusieurs modèles basés sur l'apprentissage profond ont été proposés récemment pour classer les nodules pulmonaires comme étant malins ou bénins. Cependant, la grande variabilité de la taille et l'apparence hétérogène des nodules rendent cette tâche extrêmement difficile. Nous proposons un nouveau réseau Progressif à Croissance progressives et Attention aux canaux Non-Local (ProCAN) pour la classification des nodules pulmonaires. La méthode proposée aborde ce défi sous trois angles différents. Premièrement, nous enrichissons le réseau Non-Local en y ajoutant une capacité d'attention aux canaux. Deuxièmement, nous appliquons les principes de l'apprentissage par curriculum, en commençant par entraîner notre modèle sur des exemples simples avant de passer aux exemples difficiles. Troisièmement, à mesure que la tâche de classification devient plus complexe au cours de l'apprentissage par curriculum, notre modèle est progressivement développé pour augmenter sa capacité à gérer la tâche en cours. Nous avons évalué notre méthode proposée sur deux jeux de données publics différents et comparé ses performances avec celles des méthodes les plus avancées décrites dans la littérature. Les résultats montrent que le modèle ProCAN surpassent les méthodes les plus avancées et atteint un AUC de 98,05 % et une précision de 95,28 % sur le jeu de données LIDC-IDRI. De plus, nous avons mené des études d'ablation approfondies pour analyser la contribution et les effets de chaque nouveau composant de notre méthode proposée.