Apprentissage hypercomplexe multi-vue pour le dépistage du cancer du sein

Traditionnellement, les méthodes d'apprentissage profond pour la classification du cancer du sein effectuent une analyse mono-vue. Cependant, les radiologues analysent simultanément les quatre vues qui composent un examen de mammographie, en raison des corrélations contenues dans ces vues, qui fournissent des informations cruciales pour l'identification des tumeurs. À la lumière de ce constat, certaines études ont commencé à proposer des méthodes multi-vues. Néanmoins, dans ces architectures existantes, les vues de mammographie sont traitées comme des images indépendantes par des branches de convolution distinctes, ce qui entraîne la perte des corrélations entre elles. Pour surmonter ces limitations, dans cet article, nous proposons une approche méthodologique pour la classification multi-vue du cancer du sein basée sur des réseaux neuronaux hypercomplexes paramétrés. Grâce aux propriétés de l'algèbre hypercomplexe, nos réseaux sont capables de modéliser et donc d'exploiter les corrélations existantes entre les différentes vues qui composent une mammographie, imitant ainsi le processus de lecture effectué par les cliniciens. Ceci est possible car les réseaux hypercomplexes capturent non seulement les propriétés globales, comme les modèles neuronaux standards, mais aussi les relations locales, c'est-à-dire les corrélations inter-vues, que les réseaux à valeurs réelles ne parviennent pas à modéliser. Nous définissons des architectures conçues pour traiter des examens bi-vues, appelées PHResNets, et des examens quadri-vues, notamment PHYSEnet et PHYBOnet. Par le biais d'une évaluation expérimentale exhaustive réalisée avec des jeux de données publiquement disponibles, nous démontrons que nos modèles proposés surpassent clairement leurs homologues à valeurs réelles et les méthodes de pointe actuelles, prouvant que la classification du cancer du sein bénéficie des architectures multi-vues proposées. Nous évaluons également la généralisabilité de notre méthode au-delà de l'analyse de mammographies en considérant différents bancs d'essai ainsi qu'une tâche plus fine comme la segmentation. Le code complet et les modèles pré-entraînés pour une reproduction complète de nos expériences sont librement accessibles à l'adresse https://github.com/ispamm/PHBreast.