Détection et classification de nodules pulmonaires à partir de scanners thoraciques à l’aide de RetinaNet avec apprentissage par transfert

Le cancer du poumon constitue l'une des causes les plus fréquentes de décès dans le monde, souvent lié à des nodules pulmonaires malins diagnostiqués radiologiquement par les radiologues. Malheureusement, le flux continu d'images médicales dans les hôpitaux pousse les radiologues à privilégier la quantité plutôt que la qualité, ce qui augmente le risque d'interprétation erronée, notamment sur des structures anatomiques ambiguës ressemblant à des nodules pulmonaires — comme les ganglions lymphatiques hypertrophiés — entraînant une baisse de la sensibilité et de la précision du diagnostic des nodules pulmonaires malins, avec pour conséquence un dépistage tardif souvent fatal pour les patients. Pour pallier ce problème, cette étude propose un nouveau modèle de détection et de classification des nodules pulmonaires basé sur un détecteur à une étape, nommé « I3DR-Net ». Ce modèle repose sur la combinaison des poids pré-entraînés sur des images naturelles issus du réseau convolutif 3D gonflé (Inflated 3D ConvNet, I3D) avec un réseau de pyramide de caractéristiques, spécifiquement conçu pour des jeux de données 3D de scanners thoraciques (CT-scan) à multiples échelles. I3DR-Net obtient des résultats remarquables sur la tâche de détection des textures des nodules pulmonaires, avec un mAP de 49,61 % et 22,86 %, ainsi qu’un AUC de 81,84 % et 70,36 % sur les jeux de données publics et privés respectivement. En outre, I3DR-Net surpassé de manière significative les méthodes de pointe précédentes, à savoir Retina U-Net et U-FRCNN, en termes de précision moyenne par classe (mAP), avec une amélioration de 7,9 % et 7,2 % (57,71 % contre 49,8 % et 50,5 %) pour la détection et la classification des nodules malins.