Apprentissage profond, architectures réutilisables et basées sur les problèmes pour la détection de la consolidation sur les images de radiographie pulmonaire

Contexte et objectif : Chez la plupart des patients présentant des symptômes respiratoires, les résultats de la radiographie pulmonaire jouent un rôle clé dans le diagnostic, la gestion et le suivi de la maladie. La consolidation est un terme courant en radiologie, qui indique une augmentation focale de la densité pulmonaire. Lorsque les structures alvéolaires sont remplies de pus, de liquide, de cellules sanguines ou de protéines à la suite d’un processus pathologique pulmonaire, il peut en résulter différents types d’opacité pulmonaire sur la radiographie pulmonaire. Cette étude vise à détecter les consolidations dans les radiographies pulmonaires, avec une certaine précision, en utilisant l’intelligence artificielle et notamment les réseaux neuronaux convolutifs profonds afin d’aider le radiologue pour un meilleur diagnostic.

Méthodes : Les ensembles de données d’images médicales sont généralement relativement petits pour être utilisés pour l’entraînement d’un réseau neuronal convolutif profond (DCNN), donc la technique d’apprentissage par transfert avec des DCNN bien connus pré-entraînés avec l’ensemble de données ImageNet sont utilisés pour améliorer la précision des modèles. L’espace des caractéristiques d’ImageNet est différent de celui des images médicales et, d’autre part, les DCNN connus sont conçus pour obtenir les meilleures performances sur ImageNet. Par conséquent, ils ne peuvent pas montrer leurs meilleures performances sur les images médicales. Pour surmonter ce problème, nous avons conçu une architecture basée sur le problème qui préserve l’information des images pour détecter la consolidation dans l’ensemble de données de radiographie thoracique pédiatrique. Nous avons proposé une approche de prétraitement en trois étapes pour améliorer la généralisation des modèles. Pour démontrer l’exactitude des résultats numériques, un test d’occlusion est appliqué pour visualiser les sorties du modèle et localiser la zone appropriée détectée. Un ensemble de données différent comme validation supplémentaire est utilisé afin d’étudier la généralisation du modèle proposé.

Résultats : La meilleure précision pour détecter la consolidation est de 94,67% obtenue par notre architecture basée sur les problèmes pour le jeu de données understudy qui surpasse les travaux précédents et les autres architectures.

Conclusions : Les modèles conçus peuvent être employés comme outils de diagnostic assisté par ordinateur dans la pratique réelle. Nous avons discuté de manière critique les ensembles de données et les travaux précédents basés sur eux et nous montrons que sans certaines considérations, les résultats de ces derniers peuvent être trompeurs. Nous pensons que les résultats de l’IA ne doivent être interprétés que comme une consolidation focale. La signification clinique de la constatation ne peut pas être interprétée sans l’intégration des données cliniques.