Réseaux de neurones profonds avec structures de pooling basées sur des régions pour la classification d’images mammographiques

Le cancer du sein est l’un des cancers solides les plus fréquemment diagnostiqués. La mammographie constitue la technologie de dépistage la plus couramment utilisée pour détecter ce type de cancer. Les méthodes traditionnelles d’apprentissage automatique basées sur l’analyse d’images mammographiques, notamment pour la classification ou la segmentation, reposent sur des caractéristiques manuelles et nécessitent une quantité importante de données annotées manuellement pour l’entraînement et la validation des modèles. Or, l’étiquetage manuel est coûteux, long et fastidieux, ce qui augmente considérablement les coûts de construction des systèmes. Afin de réduire ces coûts et la charge de travail des radiologues, une méthode de classification d’images mammographiques en boucle complète basée sur les réseaux neuronaux profonds a été proposée pour la construction de classificateurs, permettant une mise en œuvre sans nécessiter de boîtes englobantes (bounding boxes) ni d’étiquettes de masque (mask ground truth) dans les données d’entraînement. La seule étiquette requise par cette méthode est la classification des images mammographiques, qui peut être relativement facilement extraite des rapports diagnostiques. Étant donné que les lésions mammaires occupent généralement une fraction limitée de la surface totale visualisée dans une image mammographique, nous proposons des structures de pooling différentes pour les réseaux de neurones convolutifs (CNN), en remplacement des méthodes de pooling classiques, qui divisent l’image en régions et sélectionnent celles présentant la plus forte probabilité de malignité afin de représenter l’image mammographique dans son ensemble. Ces structures de pooling proposées peuvent être intégrées à la plupart des modèles basés sur les CNN, améliorant significativement leur performance sur les données d’images mammographiques avec une même entrée. Les résultats expérimentaux obtenus sur les jeux de données publics INbreast et CBIS montrent que les structures de pooling proposées se distinguent favorablement par rapport aux meilleurs classificateurs et algorithmes de détection précédents utilisant des annotations de segmentation, notamment en termes de précision et de robustesse sur les données d’images mammographiques.