SPCXR : Pré-entraînement auto-supervisé à l’aide de radiographies thoraciques vers un modèle fondamental spécifique au domaine

Les radiographies thoraciques (CXRs) constituent une modalité d'imagerie largement utilisée pour le diagnostic et le pronostic des maladies pulmonaires. Les tâches d'analyse d'images varient considérablement, par exemple la détection de pathologies ou la segmentation pulmonaire. De nombreuses études ont été consacrées au développement d'algorithmes d'apprentissage automatique dédiés à des tâches spécifiques. Un exemple récent marquant est la détection de la maladie à coronavirus (Covid-19) à l’aide de données de CXR. Toutefois, les méthodes traditionnelles de conception d’outils diagnostiques fondées sur l’apprentissage supervisé sont entravées par la nécessité d’annotations de données d’entraînement de haute qualité, essentielles pour garantir de meilleurs résultats cliniques. Dans ce travail, nous proposons une solution alternative, un nouveau paradigme auto-supervisé, permettant d’apprendre une représentation générale à partir des CXRs grâce à un cadre auto-supervisé basé sur le masquage par groupes. Le modèle pré-entraîné est ensuite affiné pour des tâches spécifiques au domaine, telles que la détection du Covid-19, la détection de la pneumonie ou le dépistage général de santé. Nous démontrons que la même étape de pré-entraînement peut également être utilisée pour la tâche de segmentation pulmonaire. Notre paradigme proposé montre une performance robuste sur plusieurs tâches en aval, ce qui atteste du succès du pré-entraînement. En outre, la performance des modèles pré-entraînés sur des données présentant un décalage significatif au moment du test souligne l’apprentissage d’une représentation générique plus efficace. Les méthodes sont validées par la détection du Covid-19 sur un ensemble de données pédiatriques à petite échelle unique. L’amélioration de la précision (~25 %) par rapport à une méthode supervisée basée sur un transformateur est significative, renforçant ainsi la validité, la robustesse et la fiabilité de notre cadre proposé ainsi que de notre stratégie de pré-entraînement.