École Nationale Supérieure de
Techniques Avancées

Résumé

Les modèles d'apprentissage profond ont permis de réaliser de nombreuses percées dans le domaine de la vision par ordinateur. Armés de réseaux convolutifs, les modèles peuvent classer des images, localiser des objets et générer des images synthétiques. L'entraînement de réseaux efficaces nécessite une grande quantité de données, ce qui est un défi pour les images médicales. De plus, les cas malins représentent une fraction des données collectées. Dans ce travail, nous étudions l'application des Generative Adversarial Networks sur les patchs de mammographie et de tomographie. Nous générons des images labellisées avec haute fidélité à l'aide de Progressive Growing GAN à une résolution de 512x512. Cependant, ils n'étaient pas bénéfiques lorsqu'ils étaient utilisés pour entraîner des réseaux de classification. Le data set d'entraînement de PGGAN contenait 26 000 patchs. Nous avons expérimenté également avec des modèles de traduction d'image à image à plusieurs modalités qui transforment les patchs de mammographie annotés en patchs de tomographie. Les patchs synthétiques sont réalistes et capturent la malignité de l'image source. En affinant un réseau de classification CNN sur les patchs de tomographie générés, nous avons réussi à améliorer ses performances.