WDCCNet : Réseau de neurones à contrainte à double classificateur pondéré pour la classification d’images mammographiques

La détection précoce et le traitement rapide du cancer du sein peuvent sauver des vies. La mammographie constitue l'une des méthodes les plus efficaces pour le dépistage précoce de ce cancer. Une méthode automatisée de classification d'images mammographiques pourrait améliorer l'efficacité du travail des radiologues. Les méthodes actuelles basées sur l'apprentissage profond utilisent généralement la fonction de perte traditionnelle softmax pour optimiser la phase d'extraction de caractéristiques, dont l'objectif est d'apprendre les représentations des images mammographiques. Toutefois, des études antérieures ont montré que la phase d'extraction de caractéristiques ne parvient pas à apprendre des caractéristiques discriminantes à partir de données complexes en utilisant la perte softmax standard. Dans cet article, nous proposons une nouvelle architecture ainsi que des fonctions de perte spécifiques. Plus précisément, nous avons conçu une architecture de réseau à double classificateur, qui restreint la distribution des caractéristiques extraites en modifiant les frontières de décision des classificateurs. Ensuite, nous introduisons une nouvelle fonction de perte, nommée double-classifier constraint loss, visant à contraindre ces frontières de décision afin que la phase d'extraction de caractéristiques puisse apprendre des représentations discriminantes. Par ailleurs, en exploitant l'architecture à deux classificateurs, le réseau neuronal peut détecter efficacement les échantillons difficiles à classer. Pour cela, nous proposons une méthode pondérée à double classificateur, qui incite davantage la phase d'extraction à se concentrer sur l'apprentissage des caractéristiques des échantillons peu classifiables. La méthode proposée peut être facilement intégrée à un réseau de neurones convolutif existant afin d'améliorer les performances de classification des images mammographiques. Nous avons mené des expériences approfondies sur trois jeux de données publics standardisés pour l'évaluation de l'efficacité de notre approche. Les résultats montrent que notre méthode surpasser plusieurs méthodes similaires ainsi que des méthodes de pointe sur les trois bases de données médicales publiques. Le code source et les poids du modèle sont disponibles sur GitHub.