Automated Histopathological Diagnosis Of Childhood Medulloblastoma Using Convolutional Neural Networks

Résumé: La classification automatisée a envahi le monde de la santé, mais certaines mal- adies sont encore diagnostiquées manuellement comme c’est le cas du cancer du médulloblastome (MB) qui est une tumeur maligne à haut risque du système nerveux central (SNC). Cette tumeur a de nombreux types et est diagnostiquée par biopsie en examinant des images histologiques, ce qui demande beaucoup d’effortsetdetemps. Dansnotreprojetdefind’étudesdeMaster, nousproposons d’effectuer une classification automatisée du médulloblastome de l’enfance basée sur les réseaux de neurones convolutifs CNN en exploitant les connaissances ap- prises à travers différentes bases (medical PatchCamelyon (PCam) ou Nature Im- ageNet) avec apprentissage par transfert. Une étude comparative est réalisée en suivant deux stratégies : extraction de caractéristiques du réseau et apprentissage partielduréseau, nousutilisonslesarchitectureslespluscourantesàsavoirVGG- 16, VGG-19, ResNet-50, Inception V3, CancerNet. Les expérimentations réalisées prouvent que la similitude joue un rôle important lorsqu’il s’agit d’approche d’extraction de caractéristiques du réseau ou d’apprentissage partiel du réseau. En effet, lorsqu’il y a une forte similarité entre les deux données, l’extraction de caractéristiques du réseau est la meilleure stratégie, sinon un réglage fin partiel est plus adapté. Dans notre cas d’application, les résultats démontrent que le pro- cessus d’apprentissage partiel du réseau en utilisant Inception V3 pré-entraîné surImageNetaobtenulesmeilleuresperformancesavecuneprécisionde99,16%.

Publié dans la revue: