Anatomy-XNet : Un réseau neuronal convolutif sensible à l'anatomie pour la classification des maladies thoraciques sur les radiographies pulmonaires

La détection des maladies thoraciques à partir de radiographies pulmonaires en utilisant des méthodes d'apprentissage profond a été un domaine de recherche actif au cours de la dernière décennie. La plupart des méthodes précédentes tentent de se concentrer sur les organes malades de l'image en identifiant les régions spatiales responsables des contributions significatives à la prédiction du modèle. En revanche, les radiologues experts localisent d'abord les structures anatomiques saillantes avant de déterminer si ces régions sont anormales. Par conséquent, l'intégration des connaissances anatomiques au sein des modèles d'apprentissage profond pourrait apporter une amélioration substantielle à la classification automatique des maladies. Motivés par cette constatation, nous proposons Anatomy-XNet, un réseau de classification des maladies thoraciques basé sur l'attention et sensible à l'anatomie, qui privilégie les caractéristiques spatiales guidées par les régions anatomiques pré-identifiées. Nous adoptons une méthode d'apprentissage semi-supervisé en utilisant les annotations limitées disponibles au niveau organique pour localiser les régions anatomiques dans des jeux de données à grande échelle où ces annotations organiques font défaut. Le réseau Anatomy-XNet proposé utilise le DenseNet-121 pré-entraîné comme réseau principal, avec deux modules structurés correspondants : l'Attention Sensible à l'Anatomie (A$^3$) et le Pooling Moyenne Pondérée Probabiliste (PWAP), intégrés dans un cadre cohérent pour l'apprentissage de l'attention anatomique. Nous montrons expérimentalement que notre méthode proposée établit un nouveau standard de référence en obtenant des scores AUC de 85,78 %, 92,07 % et 84,04 % sur trois jeux de données CXR à grande échelle publiquement disponibles -- NIH, Stanford CheXpert et MIMIC-CXR, respectivement. Cela non seulement prouve l'efficacité de l'utilisation des connaissances segmentées en anatomie pour améliorer la classification des maladies thoraciques, mais démontre également la généralisabilité du cadre proposé.