Feed-forward weakly supervised deep learning models for breast cancer diagnosis from histological images

Résumé

Le dépistage du cancer du sein est devenu une priorité afin de réduire le nombre de décès causés par cette maladie et la traiter le plus tôt possible. Le meilleur moyen de confirmer un diagnostic du cancer du sein est l’analyse d’images histologiques. Cependant, l’analyse de ces images requiert du temps et une forte expertise pour produire un diagnostic correct. La recherche en algorithmes de vision par ordinateur a montré un fort potentiel pour assister les médecins afin d’effectuer des diagnostics rapides et précis. Toutefois, ce type d’algorithmes requiert un volume important de données avec des annotations de qualité. Dans ce mémoire, nous proposons d’approcher ce problème par l’apprentissage faiblement supervisé. Dans ce scénario, seuls des annotations faibles tels que des étiquettes au niveau de l’image sont disponibles. Avec ces annotations faibles, nous souhaitons entraîner des modèles pouvant prédire avec précision les étiquettes d’images (classification) et de pixels (segmentation). Comme première contribution, nous avons identifié, analysé et évalué plusieurs méthodes d’apprentissage faiblement supervisé originalement proposées pour des images naturelles afin d’identifier celles qui sont les plus prometteuses pour notre application. Comme seconde contribution, nous avons généralisé une technique initialement proposée pour de la classification binaire pour les cas plus généraux de classification mutli-classes et multi-étiquettes. Nous avons montré que cette technique fonctionne sur des datasets d’images naturelles et ensuite évaluée sur des images histologiques. Comme troisième contribution, nous avons étudié l’impact d’ajouter des contraintes de tailles pour l’entraînement des modèles. Cela correspond à un scénario où un annotateur estimerait seulement la taille des régions cancéreuses dans les images histologiques, réduisant le temps d’annotations requis pour effectuer une segmentation complète. Nous avons proposé une formulation qui permet d’utiliser cette information de taille et montré que cela augmente significativement les performances en segmentation comparé à ce qui peut être obtenu lors d’un entraînement avec des étiquettes au niveau de l’image seulement.

Date	20 févr. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Éric Granger (Directeur(-trice)) & Ismail Ben Ayed (Codirecteur(-trice))