Détection automatisée de masses dans les mammographies à l’aide d’un apprentissage profond en cascade et de forêts aléatoires,

La détection des masses à partir des mammographies joue un rôle crucial en tant qu’étape préalable à la segmentation et à la classification des masses. La détection des masses dans les mammographies est considérée comme un problème difficile en raison de la grande variabilité de leur forme, de leur taille, de leurs contours et de leur texture, ainsi que du faible rapport signal sur bruit par rapport au tissu mammaire environnant. Dans cet article, nous proposons une nouvelle approche pour la détection des masses dans les mammographies, basée sur une cascade de classificateurs à base d’apprentissage profond et de forêts aléatoires. Le premier classificateur de la chaîne repose sur un réseau de croyance profond multi-échelle, qui sélectionne les régions suspectes à traiter ultérieurement par une cascade à deux niveaux de réseaux de neurones convolutifs profonds. Les régions qui survivent à cette analyse par apprentissage profond sont ensuite traitées par une cascade à deux niveaux de classificateurs de forêts aléatoires, qui exploitent des caractéristiques morphologiques et texturales extraites à partir des régions sélectionnées au long de la cascade. Enfin, les régions qui survivent à la cascade de forêts aléatoires sont combinées à l’aide d’une analyse par composantes connexes, permettant d’obtenir des résultats de pointe. Nous démontrons également que la cascade proposée d’apprentissage profond et de forêts aléatoires est efficace pour réduire les régions faussement positives, tout en maintenant un taux élevé de détection des vrais positifs. Nous avons testé notre système de détection des masses sur deux jeux de données publics : DDSM-BCRP et INbreast. Le résultat final de détection des masses obtenu par notre approche atteint les meilleurs résultats sur ces jeux de données publics, avec un taux de vrais positifs de 0,96 ± 0,03 à 1,2 faux positifs par image sur INbreast, et un taux de vrais positifs de 0,75 à 4,8 faux positifs par image sur DDSM-BCRP.