Comparaison de modèles semi-supervisés pour la reconnaissance d'images histologiques

Résumé

L’étude d’images histologiques est une tâche particulièrement importante pour le diagnostic du cancer du sein. Cette tâche complexe et fastidieuse pourrait être assistée par l’utilisation de réseaux d’apprentissage profond. En effet, ces réseaux profonds forment l’état de l’art dans la reconnaissance visuelle, notamment sur les bases d’images histologiques. Cependant, ce type de modèle nécessite une grande quantité d’images annotées, qui ne sont pas toujours accessibles en histologie. Ces travaux se sont attachés à évaluer l’impact de l’utilisation de données sans annotations sur les performances des modèles compétitifs actuels. Ce projet vise à étudier le comportement des techniques semi-supervisées Ladder Network, Virtual Adversarial Training, Mean Teacher et Deep Co-training aux variations des données annotées et non annotées. Ces techniques ont été évaluées sur la base BACH et la base TUPAC, composées d’images histologiques pour lutter contre le cancer du sein. Les résultats obtenus montrent que l’apport des données non annotées est particulièrement intéressant lorsque l’on possède une faible quantité de données annotées. De plus, l’ordre de performances des différentes approches dépend de la base de données utilisée. Puis, différentes configurations avec l’approche Deep Co-training ont été étudiées, cette approche étant l’une des techniques les plus compétitives dans ce domaine. Les essais ont montré que l’ajout de modèles supplémentaires permet d’obtenir de meilleures performances bien qu’il faille faire attention aux problèmes de corruption. Augmenter la diversité des modèles permet, jusqu’à une certaine limite, d’améliorer les performances obtenues. Enfin, des données supplémentaires générées par l’approche BadGan ont été utilisées. Cette dernière approche permet d’ajouter une fonction de coût supplémentaire qui se trouve être bénéfique, dans le cas étudié, au prix de l’augmentation de la complexité.

Date	8 oct. 2019
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Éric Granger (Directeur(-trice))