Au-delà de l’ajustement fin : Classification des mammographies à haute résolution à l’aide de transformations préservant la fonction
La tâche de classification des mammographies est très complexe en raison de la petite taille des lésions dans les images à haute résolution. Les approches actuelles de pointe pour la classification d'images médicales reposent sur l'utilisation de la méthode de facto pour les ConvNets - le fine-tuning. Cependant, il existe des différences fondamentales entre les images naturelles et les images médicales, qui, selon les preuves existantes dans la littérature, limitent les gains de performance globale lorsqu'elles sont conçues avec des approches algorithmiques. Dans cet article, nous proposons d'aller au-delà du fine-tuning en introduisant un cadre novateur appelé MorphHR, dans lequel nous mettons en évidence un nouveau schéma d'apprentissage par transfert. L'idée derrière ce cadre proposé est d'intégrer des transformations préservant la fonction, pour tout type de neurones d'activation non-linéaires continus, afin de régulariser internement le réseau pour améliorer la classification des mammographies. La solution proposée offre deux avantages majeurs par rapport aux techniques existantes. Premièrement et contrairement au fine-tuning, l'approche proposée permet non seulement de modifier les dernières couches mais aussi plusieurs des premières couches d'un réseau neuronal profond (ConvNet). En faisant cela, nous pouvons concevoir la partie frontale du réseau pour qu'elle soit adaptée à l'apprentissage de caractéristiques spécifiques au domaine. Deuxièmement, le schéma proposé est adaptable au matériel informatique. Ainsi, il est possible d'utiliser des images à haute résolution sur une mémoire GPU standard. Nous montrons que l'utilisation d'images à haute résolution permet d'éviter la perte d'informations pertinentes. Nous démontrons, par le biais d'expériences numériques et visuelles, que l'approche proposée entraîne une amélioration significative de la performance de classification par rapport aux techniques actuelles de pointe, et se compare avantageusement aux experts en radiologie. De plus, dans un souci de généralisation, nous montrons l'efficacité du schéma d'apprentissage proposé sur un autre grand ensemble de données, ChestX-ray14, surpassant ainsi les techniques actuelles de pointe.Note : - "ConvNets" a été traduit par "réseaux neuronal convolutifs" (ConvNets) pour maintenir la terminologie technique.- "fine-tuning" a été traduit par "fine-tuning" car c'est un terme couramment utilisé en français dans le domaine.- "MorphHR" a été conservé tel quel car c'est un nom propre du cadre proposé.- "GPU" a été conservé tel quel car c'est également un acronyme couramment utilisé en français.