Le cancer du sein est le cancer le plus fréquent chez les femmes dans le monde. Selon l’American Cancer Society, environ 1 femme sur 8 aux États-Unis développera un cancer du sein au cours de sa vie. S’il n’est pas possible de prévenir totalement le cancer du sein, diverses organisations médicales conseillent un dépistage régulier pour détecter et traiter les cas à un stade précoce. La densité mammaire, définie comme la proportion de tissu fibro-glandulaire dans le sein, est souvent utilisée pour évaluer le risque de développer un cancer du sein. Bien que diverses méthodes soient disponibles pour estimer cette mesure, des études ont montré que les évaluations subjectives effectuées par des radiologues sur la base d’échelles visuelles analogiques sont plus précises que toute autre méthode.
Comme les évaluations expertes de la densité mammaire jouent un rôle crucial dans l’évaluation du risque de cancer du sein, le développement de cadres d’analyse d’images capables d’estimer automatiquement ce risque, avec la même précision qu’un radiologue expérimenté, est hautement souhaitable. À cette fin, des chercheurs dirigés par le professeur Susan M. Astley de l’Université de Manchester, au Royaume-Uni, ont récemment développé et testé un nouveau modèle basé sur l’apprentissage en profondeur capable d’estimer la densité mammaire avec une grande précision. Leurs conclusions sont publiées dans le Journal d’imagerie médicale.
L’avantage de l’approche basée sur l’apprentissage en profondeur est qu’elle permet l’extraction automatique de caractéristiques à partir des données elles-mêmes. C’est intéressant pour les estimations de la densité mammaire, car nous ne comprenons pas complètement pourquoi les jugements d’experts subjectifs surpassent les autres méthodes. »
Pr Susan M. Astley, Université de Manchester, Royaume-Uni
En règle générale, la formation de modèles d’apprentissage en profondeur pour l’analyse d’images médicales est une tâche difficile en raison des ensembles de données limités. Cependant, les chercheurs ont réussi à trouver une solution à ce problème : au lieu de construire le modèle à partir de zéro, ils ont utilisé deux modèles d’apprentissage en profondeur indépendants initialement formés sur ImageNet, un ensemble de données d’imagerie non médicale contenant plus d’un million d’images. Cette approche, connue sous le nom de « transfer learning », leur a permis de former les modèles plus efficacement avec moins de données d’imagerie médicale.
À l’aide de près de 160 000 images de mammographie numérique plein champ auxquelles des valeurs de densité ont été attribuées sur une échelle visuelle analogique par des experts (radiologues, radiographes praticiens avancés et médecins du sein) de 39 357 femmes, les chercheurs ont développé une procédure pour estimer le score de densité pour chaque image de mammographie. . L’objectif était de prendre une image de mammographie en entrée et de générer un score de densité en sortie.
La procédure impliquait de prétraiter les images pour rendre le processus de formation moins intensif en termes de calcul, d’extraire les caractéristiques des images traitées avec les modèles d’apprentissage en profondeur, de mapper les caractéristiques à un ensemble de scores de densité, puis de combiner les scores à l’aide d’une approche d’ensemble pour produire un résultat final. estimation de la densité.
Avec cette approche, les chercheurs ont développé des modèles très précis pour estimer la densité mammaire et sa corrélation avec le risque de cancer, tout en conservant le temps de calcul et la mémoire. « Les performances du modèle sont comparables à celles d’experts humains dans les limites de l’incertitude », déclare Astley. « De plus, il peut être formé beaucoup plus rapidement et sur de petits ensembles de données ou des sous-ensembles du grand ensemble de données. »
Notamment, le cadre d’apprentissage par transfert profond est utile non seulement pour estimer le risque de cancer du sein en l’absence d’un radiologue, mais également pour former d’autres modèles d’imagerie médicale basés sur ses estimations de la densité du tissu mammaire. Ceci, à son tour, peut permettre d’améliorer les performances dans des tâches telles que la prédiction du risque de cancer ou la segmentation d’images.
