Exploiter les tailles et les résolutions de patch pour l'apprentissage profond multi-échelle dans la classification d'images de mammogrammes

Les progrès récents en apprentissage profond (DL) ont renouvelé l’intérêt porté aux systèmes d’aide au diagnostic ou à la détection assistée par ordinateur (CAD) basés sur le DL pour le dépistage du cancer du sein. Les approches par patch constituent l’une des principales méthodes de pointe pour la classification d’images mammographiques 2D, mais elles sont intrinsèquement limitées par le choix de la taille du patch, car aucune taille unique n’est adaptée à toutes les tailles de lésions. En outre, l’impact de la résolution de l’image d’entrée sur les performances n’est pas encore pleinement compris. Dans ce travail, nous étudions l’effet de la taille du patch et de la résolution d’image sur la performance du classificateur pour les mammographies 2D. Afin d’exploiter les avantages de différentes tailles de patch et de différentes résolutions, nous proposons un classificateur multi-tailles de patch et un classificateur multi-résolutions. Ces nouvelles architectures réalisent une classification multi-échelle en combinant différentes tailles de patch et différentes résolutions d’entrée. L’AUC augmente de 3 % sur le jeu de données public CBIS-DDSM et de 5 % sur un jeu de données interne. Par rapport à un classificateur de référence basé sur une seule taille de patch et une seule résolution, notre classificateur multi-échelle atteint une AUC de 0,809 et 0,722 respectivement sur chaque jeu de données.