Les réseaux neuronaux entraînés avec une étape de détection de camouflage montrent une précision et une sensibilité accrues dans l'identification des tumeurs cérébrales à partir des examens IRM, imitant les radiologues experts.
Étude: Apprentissage profond et apprentissage par transfert pour la détection et la classification des tumeurs cérébrales. Crédit d’image : Elif Bayraktar/Shutterstock.com
Dans une étude récente publiée dans Méthodes et protocoles de biologiedes chercheurs ont examiné l'utilisation de réseaux neuronaux convolutifs (CNN) et l'apprentissage par transfert pour améliorer la détection des tumeurs cérébrales par imagerie par résonance magnétique (IRM).
En utilisant des CNN pré-entraînés à la détection du camouflage animal pour l’apprentissage par transfert, l’étude a examiné si cette étape non conventionnelle pourrait améliorer la précision des CNN dans l’identification des gliomes et améliorer l’aide au diagnostic en imagerie médicale.
Sommaire
Arrière-plan
L’intelligence artificielle (IA) et les modèles d’apprentissage profond, notamment les CNN, ont fait des progrès significatifs dans le domaine de l’imagerie médicale, notamment dans la détection et la classification de modèles complexes dans des tâches telles que la détection de tumeurs. De plus, les CNN excellent dans l’apprentissage et la reconnaissance des caractéristiques des images, ce qui leur permet de catégoriser avec précision les données invisibles.
De plus, l'apprentissage par transfert – un processus dans lequel des modèles pré-entraînés sont adaptés à des tâches nouvelles mais liées – peut améliorer l'efficacité des CNN, en particulier dans les applications basées sur des images où les données peuvent être limitées.
Alors que de nombreux CNN ont été formés sur de vastes ensembles de données pour la détection des tumeurs cérébrales, les similitudes inhérentes entre les tissus normaux et cancéreux continuent de présenter des défis.
À propos de l'étude
La présente étude a utilisé une combinaison de modèles basés sur CNN et de techniques d'apprentissage par transfert pour explorer la classification des tumeurs cérébrales à l'aide d'IRM.
Les chercheurs ont utilisé un ensemble de données principal composé d’images IRM post-contraste pondérées en T1 et T2 montrant trois types de gliomes – astrocytomes, oligodendrogliomes et oligoastrocytomes – ainsi que d’images cérébrales normales.
Les données sur les IRM des gliomes ont été obtenues à partir de sources en ligne, tandis que le système de santé des anciens combattants de Boston a fourni des IRM cérébrales normales. Bien que les chercheurs aient utilisé un prétraitement manuel de l’image, qui impliquait un recadrage et un redimensionnement, aucune normalisation spatiale supplémentaire susceptible d’introduire un biais n’a été effectuée.
L'étude était unique dans son utilisation d'un CNN pré-entraîné à la détection d'animaux camouflés, et les chercheurs ont émis l'hypothèse que la formation du CNN sur les modèles d'animaux camouflés pourrait améliorer la sensibilité du réseau aux caractéristiques subtiles des IRM cérébrales.
Ils pensaient que des parallèles pouvaient être établis entre la discrimination des tissus cancéreux et des cellules des tissus sains entourant la tumeur et la détection des animaux utilisant un camouflage naturel pour se cacher.
Ce modèle pré-entraîné a été utilisé comme base pour l’apprentissage par transfert dans les réseaux neuronaux utilisés dans l’étude, à savoir T1Net et T2Net, pour classer respectivement les IRM pondérées T1 et T2. De plus, pour analyser les performances du CNN au-delà de paramètres tels que la précision, l’étude a utilisé des techniques d’IA explicable (XAI).
L'étude a cartographié les espaces de fonctionnalités à l'aide d'une analyse en composantes principales pour visualiser la distribution des données. Dans le même temps, DeepDreamImage a fourni des interprétations visuelles des modèles internes, et des cartes d'activation de classe pondérées par gradient ou des cartes de saillance Grad-CAM ont mis en évidence les zones critiques dans les examens IRM utilisés par le réseau pour la classification.
Cumulativement, ces méthodes ont permis de mieux comprendre les processus décisionnels du CNN et l’impact de l’apprentissage par transfert de camouflage sur les résultats de classification.
Résultats
L’étude a montré que le transfert des connaissances issues de la détection du camouflage animal améliorait les performances de CNN dans les tâches impliquant la classification des tumeurs cérébrales. Notamment, l'apprentissage par transfert a considérablement amélioré la précision du modèle d'IRM pondéré en T2, atteignant une précision de 92,20 %, ce qui représente une augmentation significative par rapport à la précision de 83,85 % du modèle sans transfert.
Cette amélioration était statistiquement significative avec une valeur p de 0,0035 et a considérablement amélioré la précision de la classification des astrocytomes. Pour les IRM pondérées en T1, le réseau entraîné au transfert a montré une précision de 87,5 %, bien que cette amélioration ne soit pas statistiquement significative.
De plus, les espaces de fonctionnalités générés à partir des deux modèles après l'apprentissage par transfert ont indiqué une capacité de généralisation améliorée, en particulier pour T2Net.
Comparés aux modèles de base, les réseaux entraînés au transfert présentaient une séparation plus nette entre les catégories de tumeurs, le modèle de transfert T2 montrant une distinction améliorée, en particulier pour les astrocytomes.
Les visualisations DeepDreamImage ont fourni des détails supplémentaires, montrant des « empreintes caractéristiques » plus définies et distinctes pour chaque type de gliome dans les réseaux entraînés au transfert par rapport aux modèles de base.
Cette distinction suggère que l’apprentissage par transfert issu de la détection du camouflage aide les réseaux à mieux identifier les caractéristiques clés de la tumeur, potentiellement en généralisant à partir de modèles de camouflage subtils.
De plus, les cartes de saillance GradCAM ont révélé que les réseaux T1 et T2 se concentraient à la fois sur les zones tumorales et les tissus environnants lors de la classification. Ceci était similaire au processus de diagnostic utilisé par les radiologues humains pour examiner la distorsion des tissus adjacents aux tumeurs, indiquant que les réseaux entraînés au transfert pouvaient détecter des caractéristiques plus subtiles et pertinentes dans les analyses IRM.
Conclusions
En résumé, l’étude a indiqué que l’apprentissage par transfert à partir de réseaux pré-entraînés à la détection du camouflage animal améliorait les performances des CNN dans la classification des tumeurs cérébrales dans les IRM, en particulier avec les images pondérées en T2. Cette approche a amélioré la capacité des réseaux à détecter les caractéristiques subtiles des tumeurs et à accroître la précision de la classification.
Ces résultats confirment le potentiel des sources de formation non conventionnelles pour améliorer les performances des réseaux neuronaux dans des tâches d'imagerie médicale complexes, offrant ainsi une direction prometteuse pour les futurs outils de diagnostic assistés par l'IA.
