Beta-Rank : une méthode robuste de suppression de filtres convolutifs pour l’analyse médicale d’images déséquilibrées

Étant donné que les réseaux de neurones profonds comportent un grand nombre de paramètres et d’opérations, leur déploiement sur des dispositifs aux ressources computationnelles limitées constitue un défi. Malgré les progrès récents dans le développement de méthodes nouvelles de prunage visant à concevoir des modèles plus efficaces en ressources, il est devenu évident que ces modèles peinent à gérer les jeux de données déséquilibrés et ceux comprenant un nombre limité d’échantillons. Nous proposons une nouvelle méthode de prunage de filtres en tenant compte à la fois de l’entrée et de la sortie des filtres, ainsi que de leurs valeurs, afin d’améliorer la performance sur des données déséquilibrées. Contrairement à l’hypothèse courante selon laquelle l’importance d’un filtre est entièrement capturée par sa valeur, notre approche repose sur l’idée que cette importance se reflète davantage dans les modifications apportées aux données après passage du filtre. Dans cette étude, trois méthodes sont comparées sous les mêmes conditions d’entraînement, à l’exception des valeurs de classement utilisées, et 14 autres méthodes provenant de travaux antérieurs sont également évaluées. Nous démontrons que notre modèle obtient des performances significativement supérieures par rapport aux autres méthodes sur des jeux de données médicales déséquilibrés. Par exemple, en supprimant jusqu’à 58 % des FLOPs pour le jeu de données IDRID et jusqu’à 45 % pour ISIC, notre modèle parvient à atteindre des résultats équivalents (voire supérieurs) à ceux du modèle de référence. Pour évaluer la réduction réelle de FLOPs et de paramètres dans un contexte d’application pratique, nous avons développé une application pour smartphone, dans laquelle nous avons observé une réduction allant jusqu’à 79 % de l’utilisation de mémoire et jusqu’à 72 % du temps de prédiction. Tous les codes et paramètres nécessaires à l’entraînement des différents modèles sont disponibles à l’adresse suivante : https://github.com/mohofar/Beta-Rank