Breast Abnormality Classification in Resource-Constrained Settings Through GAN Generated Synthetic Mammography Patches

Résumé technique : Classification des anomalies mammaires dans des contextes à ressources limitées grâce à la génération de patchs de mammographie synthétiques par GAN

Énoncé du problème
Le développement de modèles d'apprentissage profond (DL) pour l'imagerie médicale, plus précisément pour le diagnostic du cancer du sein par mammographie, est fréquemment entravé par deux contraintes principales : la rareté des données et les limitations de ressources. Les ensembles de données sur le cancer du sein présentent souvent un déséquilibre de classe sévère, les cas anormaux ne représentant qu'environ 0,5 % des examens de dépistage, ce qui entraîne des taux élevés de faux positifs et de faux négatifs lorsque les modèles sont entraînés sur des données insuffisantes. De plus, la protection des informations identifiables des patients (PII) restreint la diffusion de grands ensembles de données publics, tandis que le coût computationnel de l'entraînement de modèles génératifs dépasse souvent les capacités des environnements à ressources limitées.

Méthodologie
Cette étude propose un pipeline pour générer des patchs de mammographie synthétiques à l'aide d'un réseau antagoniste génératif (GAN) à faibles ressources afin d'entraîner des classifieurs binaires pour la détection d'anomalies. Le flux de travail se compose de deux phases :

1. Génération d'images synthétiques (CUT-GAN) :

   • Modèle : L'étude utilise le modèle Contrastive Unpaired Translation GAN (CUT-GAN), choisi pour sa faible consommation de mémoire GPU et sa capacité à générer des images de haute qualité.
   • Source de données : Le jeu de données d'imagerie mammaire d'Emory (EMBED) a fourni 3,4 millions d'images de mammographie. Des patchs ont été extraits des cohortes 1 à 8 pour l'entraînement. Les patchs positifs (BI-RADS 0 avec régions d'intérêt annotées par des radiologues) ont été transformés en patchs anormaux synthétiques, tandis que les patchs négatifs provenaient de régions non annotées ou d'images BI-RADS 1/2.
   • Prétraitement : Pour assurer la stabilité de l'entraînement, les patchs présentant un faible nombre de couleurs de pixels (indiquant un potentiel arrière-plan d'air ou des patchs vides) ont été filtrés.
   • Optimisation des hyperparamètres : Le modèle a été entraîné avec l'optimiseur ADAM avec un taux d'apprentissage de 0,0002, une taille de lot (batch size) de 8 et 400 époques. Cette configuration a été déterminée pour éviter l'échec de l'entraînement, qui se manifestait par des artefacts de bruit ou des patchs vides.
   • Post-traitement : Étant donné que le CUT-GAN génère des images RGB alors que la mammographie est en niveaux de gris, les images synthétiques ont été converties en niveaux de gris. Crucialement, un ajustement de la fenêtre de niveau (window-level) a été appliqué pour faire correspondre les distributions de luminosité et de contraste des images synthétiques aux patchs de mammographie réels. Un test t de Student a confirmé que les distributions synthétiques ajustées étaient statistiquement indiscernables des images réelles (P-value > 0,05).

2. Entraînement et validation du modèle :

   • Classifieur : Des réseaux de neurones résiduels (ResNet50, ResNet101 et ResNet152) pré-entraînés sur ImageNet ont été employés.
   • Architecture : Cinq couches supplémentaires entraînables ont été ajoutées aux poids pré-entraînés gelés. La couche d'entrée traitait des patchs de 256x256 pixels, utilisant une activation ReLU, un pooling moyen (average pooling) et une sortie sigmoïde pour la classification binaire.
   • Validation : Les modèles entraînés sur le jeu de données synthétiques ont été validés par rapport à des patchs de mammographie réels issus des cohortes 9 et 10 d'EMBED (13 220 patchs au total). La performance a été évaluée par bootstrapping sur 500 itérations pour estimer les intervalles de confiance à 95 %.

Résultats clés
L'étude a comparé les modèles entraînés sur des données synthétiques à ceux entraînés sur des données réelles :

• Écart de performance : Les modèles entraînés sur des patchs de mammographie réels ont démontré une performance globale supérieure, atteignant une aire sous la courbe (AUC) d'environ 0,91–0,92. En revanche, les modèles entraînés sur des patchs synthétiques ont obtenu une AUC plus faible, le ResNet152 atteignant 0,751 (0,742–0,759).
• Compromis de métriques : Les modèles entraînés sur des données synthétiques ont présenté une précision (accuracy) (0,61–0,67) et une précision (precision) (0,44–0,50) nettement inférieures à celles des modèles de données réelles. Cependant, ils ont montré un rappel (recall) notablement plus élevé (0,80–0,81 pour ResNet152), suggérant une tendance vers une haute sensibilité mais une faible spécificité (taux de faux positifs plus élevés).
• Efficacité des ressources : Le modèle CUT-GAN a été entraîné avec succès en utilisant seulement 3 Go de mémoire GPU (sur un système ayant une capacité totale de 24 Go), soit une réduction significative par rapport à d'autres modèles génératifs comme les modèles de diffusion qui nécessitent souvent 24 Go ou plus.

Signification et affirmations
Les auteurs affirment que cette recherche démontre la faisabilité de l'utilisation de GAN à faibles ressources pour générer des données médicales synthétiques afin d'entraîner des modèles de DL dans des contextes à ressources limitées. L'étude souligne trois contributions majeures :

1. Préservation de la vie privée : Les patchs synthétiques préservent les caractéristiques structurelles et texturales des données de mammographie réelles sans révéler d'informations identifiables des patients, offrant une alternative sécurisée pour le partage de données et l'entraînement de modèles.
2. Atténuation du déséquilibre des classes : Cette approche fournit un mécanisme pour générer des échantillons synthétiques pour les classes sous-représentées (cas anormaux), répondant ainsi à la rareté des données inhérente au dépistage du cancer du sein.
3. Accessibilité : En utilisant le CUT-GAN, la méthode permet aux chercheurs disposant d'une infrastructure de calcul limitée de tirer parti de l'augmentation de données synthétiques.

L'article conclut que, bien que les modèles entraînés sur des données synthétiques ne rejoignent pas encore la précision de ceux entraînés sur des données réelles, ils présentent un potentiel en tant que substituts aux patchs réels, particulièrement dans les scénarios où la confidentialité ou les contraintes de ressources empêchent l'utilisation de vastes ensembles de données réelles. Les auteurs soulignent que des recherches supplémentaires sont nécessaires pour optimiser les pipelines de génération et améliorer la généralisabilité de ces modèles à travers différents ensembles de données.