Les réseaux neuronaux convolutifs (CNN) dans les mammographies boostées par l’IA : différentiation entre bénignité et malignité.

Les réseaux neuronaux convolutifs (CNN) dans les mammographies boostées par l’IA : différentiation entre bénignité et malignité.

Les réseaux neuronaux convolutionnels (CNN) ont montré un potentiel significatif dans la différenciation des caractéristiques bénignes et malignes dans les mammographies à travers diverses approches :

Les CNN peuvent apprendre automatiquement et extraire des caractéristiques pertinentes directement à partir des images mammographiques, éliminant ainsi la nécessité d'une ingénierie des caractéristiques réalisée à la main [1,2]. Ces modèles d'apprentissage profond peuvent être entraînés sur de grands ensembles de données de mammographies pour reconnaître les modèles et les caractéristiques associés aux lésions bénignes et malignes. Les techniques d'apprentissage par transfert se sont avérées particulièrement efficaces, permettant aux CNN préformés sur des ensembles de données d'images naturelles à grande échelle d'être affinés pour l'analyse des mammographies, et d'atteindre des scores élevés de précision et d'aire sous la courbe (AUC) [3,2].

Il est intéressant de noter que certaines études ont montré que la combinaison des caractéristiques extraites par le CNN avec les caractéristiques traditionnelles extraites par ordinateur pour les tumeurs peut améliorer de manière significative les performances de classification. Par exemple, des rapports indiquent que les classificateurs d'ensemble utilisant à la fois des caractéristiques CNN et des caractéristiques extraites analytiquement sont plus performants que les classificateurs basés sur l'un ou l'autre type seul, atteignant une SSC de 0,86 contre 0,81 pour les classificateurs individuels [4].

En conclusion, les CNN ont démontré des performances supérieures dans la différenciation des caractéristiques bénignes et malignes dans les mammographies en tirant parti de leur capacité à apprendre des modèles complexes directement à partir des données d'image. L'utilisation de l'apprentissage par transfert, de la fusion des caractéristiques et des méthodes d'ensemble a encore renforcé leur efficacité, faisant des CNN un outil prometteur pour améliorer les systèmes de diagnostic assisté par ordinateur (CADx) dans la détection et la classification du cancer du sein [5].

Références

1. Huynh BQ, Giger ML, Li H. Digital mammographic tumor classification using transfer learning from deep convolutional neural networks. Journal of Medical Imaging. Spie; 2016;3:034501.

2. Liu, Y., Pu, H., & Sun, D. W. (2021). Efficient extraction of deep image features using convolutional neural network (CNN) for applications in detecting and analysing complex food matrices. Trends in Food Science & Technology, 113, 193-204.

3. Tsochatzidis, L., Koutla, P., Costaridou, L., & Pratikakis, I. (2021). Integrating segmentation information into CNN for breast cancer diagnosis of mammographic masses. Computer Methods and Programs in Biomedicine, 200, 105913.

4. Qureshi, S. A., Hussain, L., Sadiq, T., Shah, S. T. H., Mir, A. A., Nadim, M. A., ... & Shah, S. A. H. (2024). Breast Cancer Detection using Mammography: Image Processing to Deep Learning. IEEE Access.

5. Li H, Nailon WH, Chen D, Davies ME, Laurenson DI. Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography. IEEE Transactions on Medical Imaging. Ieee; 2022;41:3–13.