Académique Documents
Professionnel Documents
Culture Documents
développement du modèle
3 Problématique 6 Conclusion
2
Introduction
NTRODUCTION
Statistiques sur le cancer du sein
4
Le cancer du
sein
LE CANCER DU SEIN
INTRODUCTION
INTRODUCTION
Anatomie du sein
Principe
o Les seins sont principalement constitués de tissus adipieux entrecoupés de tissu conjonctif
o Il y a aussi des parties moins visibles :
• lobes
• conduits
• ganglions lymphatiques
6
LE CANCER DU SEIN
INTRODUCTION
INTRODUCTION
Anatomie du sein
Principe
7
LE CANCER DU SEIN
INTRODUCTION
INTRODUCTION
Mammographie
Principe
9
LE CANCER DU SEIN
INTRODUCTION
INTRODUCTION
Anomalies au niveau du sein
Principe
Les deux indicateurs les plus importants qu’on peut mentionner lors d’une mammographie sont :
10
Masse Calcification
Problématique
LE CANCER DU SEIN
INTRODUCTION
INTRODUCTION
Mammographie
Principe
La mammographie est la méthode la plus fiable pour la détection précoce du cancer du sein.
Mais, en raison du nombre élevé de mammographies à lire, le taux de précision a tendance à
diminuer:
• Les radiologues diagnostiquent de manière erronée 10 à 30% des cas malins
• Parmi les cas envoyés pour une biopsie chirurgicale, seuls 10 à 20% sont en fait
malins
• Il a été prouvé que la double lecture des mammographies augmentait la précision,
mais à un coût élevé.
• Sensibilié dépendante de la densité mammaire.
12
Problématique
INTRODUCTION
INTRODUCTION
Pourquoi un DA0 ?
Principe
efficacité élevées
13
F reer T W, Ulisse y MJ, “Computer-aided Detection in Screening Mammography: A Prospective
Study of 12,860 Patients in a Community Breast Center”, Radiology 2000; 2217 (P), 400.
Problématique
INTRODUCTION
INTRODUCTION
Pourquoi un CAD ?
Principe
14
Problématique
INTRODUCTION
INTRODUCTION
L’apprentissage automatique Vs l’apprentissage en profondeur
Principe
15
Problématique
INTRODUCTION
INTRODUCTION
Les réseaux de neurones à convolution
Principe
16
Problématique
INTRODUCTION
INTRODUCTION
Transfer Learning
Principe
17
Problématique
INTRODUCTION
INTRODUCTION
Transfer Learning
Principe
18
Développement
du modèle
Développement du modèle
INTRODUCTION
INTRODUCTION
La DDSM et la CBIS-DDSM
Principe
20
Développement du modèle
INTRODUCTION
INTRODUCTION
Préparation de données
Principe
21
Développement du modèle
INTRODUCTION
INTRODUCTION
Data preprocessing – Otsu Segmentation
Principe
22
Développement du modèle
INTRODUCTION
INTRODUCTION
Labels pour images
Principe
000000.dcm 000001.dcm
P_00016_LEFT_CC_FULL.png P_00016_LEFT_CC_MASK.pn
g
23
Développement du modèle
INTRODUCTION
INTRODUCTION
Extraction de patch
Principe
Les patchs pour les images normales ont été extraits au hasard
dans la zone d'image du sein.
Les patchs pour les images anormales ont été créés par
échantillonnage à partir du centre et autour de la région du ROI
24
Développement du modèle
INTRODUCTION
INTRODUCTION
Augmentation des données
Principe
25
Développement du modèle
INTRODUCTION
INTRODUCTION
Auto-encodeur
Principe
2 Masse bégnine
3 Calcification maligne
4 Masse maligne
26
Développement du modèle
INTRODUCTION
INTRODUCTION
Répartition de donnée du Dataset
Principe
27
Résultats
Résultats
INTRODUCTION
INTRODUCTION
Comparaison de différents modèles
Principe
VGG16 ImageNet 0.90 0.89 0.72 0.91 0.80 0.92 0.57 0.6
ResNet50 ImageNet 0.90 0.94 0.89 0.93 0.78 0.90 0.48 0.49
InceptionResNetV2 (avec ImageNet 0.96 0.96 0.93 0.95 0.877 0.95 0.69 0.71
classe_weight)
Le but est d'identifier les transactions frauduleuses, mais vous n'avez pas beaucoup de ces
échantillons positifs avec lesquels travailler, vous voudriez donc que le classificateur pondère
fortement les quelques exemples disponibles. Vous pouvez le faire en passant des pondérations Keras
pour chaque classe via un paramètre. Cela amènera le modèle à "accorder plus d'attention" aux
exemples d'une classe sous-représentée.
30
Résultats
INTRODUCTION
INTRODUCTION
Classe weight
Principe
Classe weight pour une classification binaire Classe weight pour une classification multiple
Classe Normal Anormal Classe Normale Calcification bégnine Masse bégnine Calcification maligne Masse maligne
31
Résultats
INTRODUCTION
INTRODUCTION
Discussion – Classification binaire
Principe
33
nceptionResNetv2 classification multiple : AUC plot et matrice de confusion et métriques
Résultats
INTRODUCTION
INTRODUCTION
Visionnement des résultats
Principe
34
Conclusion
Conclusion
Ce travail a suggéré d'utiliser le diagnostic assisté par ordinateur systèmes pour aider les radiologues à détecter la présence d’anomalies de façon plus rapides que les
procédures traditionnelles.
Les résultats qu’on a obtenu pour une classification binaire sont prometteurs. Toutefois, pour la classification multiple les résultats était relativement bas, mais
acceptables. Le déséquilibre entre les classes multiples influence sur la capacité du réseau à bien apprendre.
Cependant, nous pouvons profiter de notre réseau en se contentant des probabilités plutôt que des prédictions. Ces probabilités devront fournir des informations
supplémentaires aux radiologues plutôt que de les remplacer. Cela permettra donc aux radiologues de se concentrer sur des scans plus ambigus tout en consacrant moins de
temps aux scans qui sont de très faibles probabilités.
Notre travail n’est pas achevé à ce stade. En dépendance du matériel nécessaire, notre travail futur inclura le travail sur des images de mammographie entières, ce qui
veut dire l’élaboration d’un système qui va prendre en entrée une image de mammographie et l'analysera, en passant d’un classificateur de patch à un classificateur d’image
36 entière.
Merci pour votre attention !