💻 computer science

A Novel Open-Set Domain Adaptation Framework for Histopathology Image Classification: A Style-Aware and Density-Guided Approach

Ce document propose SADG, un nouveau cadre d'adaptation de domaine en ensemble ouvert pour la classification d'images d'histopathologie qui traite efficacement tant les décalages de covariables induits par la coloration que les catégories de tissus inconnues en intégrant un module de rectification de style pour la normalisation de l'apparence et un ClusterNet basé sur le GMM avec la théorie des valeurs extrêmes pour la détection de l'inconnu guidée par la densité.

Auteurs originaux : Reyhane Ghaffari, Mohammad Sadegh Helfroush, Kamran Kazemi, Abbas Khosravi

Publié 2026-10-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Reyhane Ghaffari, Mohammad Sadegh Helfroush, Kamran Kazemi, Abbas Khosravi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de la médecine moderne, l'outil le plus critique d'un pathologiste est souvent un microscope. Il examine de fines coupes de tissu, colorées avec des teintures colorées, pour identifier des maladies comme le cancer. Aujourd'hui, les ordinateurs apprennent également à faire ce travail, en utilisant l'intelligence artificielle pour scanner ces images numériques et repérer les anomalies. Cependant, ces programmes informatiques sont confrontés à une réalité tenace : les images qu'ils voient dans le monde réel ne ressemblent que rarement exactement à celles sur lesquelles ils ont été entraînés. Une lame préparée dans un hôpital peut être colorée de manière légèrement différente ou scannée avec une machine différente d'une lame provenant d'un autre hôpital, ce qui provoque des décalages dans les couleurs et les textures. De plus, un ordinateur entraîné à reconnaître cinq types de tissus peut soudainement rencontrer un sixième type qu'il n'a jamais vu auparavant. Si le logiciel ne peut pas gérer ces changements ou reconnaître le nouveau tissu inconnu, il peut commettre des erreurs dangereuses, soit en identifiant mal une maladie, soit en ne signalant pas un nouveau problème.

Des chercheurs de l'Université de technologie de Shiraz et de l'Université de Deakin ont développé une nouvelle approche pour aider ces systèmes informatiques à naviguer dans cette réalité désordonnée. Ils ont créé un cadre appelé SADG, conçu spécifiquement pour la tâche complexe de l'adaptation de domaine à ensemble ouvert (open-set domain adaptation). En termes simples, cela signifie apprendre à un ordinateur à s'adapter à de nouveaux styles visuels tout en apprenant simultanément à repérer des choses qu'il n'a jamais été enseigné à reconnaître. L'équipe a testé leur méthode sur des milliers d'images de tissus colorectaux, un site commun pour le cancer, en utilisant deux grands ensembles de données publics qui représentent différents hôpitaux et conditions de coloration. Leur objectif était de construire un système capable de classer avec précision les types de tissus connus même lorsque les couleurs de l'image changeaient, tout en identifiant correctement lorsqu'un morceau de tissu appartenait à une catégorie totalement absente de ses données d'entraînement.

Le cœur de leur succès réside dans la manière dont ils gèrent les deux problèmes principaux auxquels les ordinateurs sont confrontés : les différences visuelles et les catégories inconnues. Premièrement, ils ont abordé les décalages visuels. Lorsqu'un échantillon de tissu est scanné, les variations d'éclairage, de contraste ou les colorants chimiques utilisés peuvent faire que le même tissu paraisse différent. Les chercheurs ont intégré un module spécial dans leur système qui agit comme un filtre. Il élimine les différences visuelles superficielles causées par le processus de numérisation tout en préservant soigneusement les détails structurels profonds qui comptent réellement pour le diagnostic. Cela permet à l'ordinateur de se concentrer sur la forme et l'arrangement des cellules plutôt que de se laisser troubler par la couleur de la teinture.

Le second défi, peut-être plus difficile, est de traiter les types de tissus inconnus. Les méthodes traditionnelles tentent souvent de forcer chaque nouvelle image dans l'une des catégories connues, ou de regrouper tous les échantillons inconnus dans un seul compartiment vague nommé « autre ». Les chercheurs ont trouvé cette approche défectueuse car les tissus inconnus ne sont pas tous identiques ; ils possèdent leurs propres structures et motifs internes. Au lieu de les forcer dans une seule boîte, le nouveau système cartographie le paysage des données. Il regroupe les images en grappes basées sur leur densité naturelle, créant une carte détaillée de l'endroit où vivent les tissus connus et de l'endroit où existent des lacunes. En comprenant cette carte, le système peut calculer un score pour chaque nouvelle image. Si une image tombe dans une zone dense de tissu connu, elle est classée avec confiance. Si elle atterrit dans une zone clairsemée ou loin de tout groupe connu, le système reconnaît qu'il s'agit de quelque chose de nouveau.

Pour prendre cette décision sans dépendre de seuils arbitraires, l'équipe a utilisé une technique statistique qui examine les bords extrêmes de la distribution des données. Cela permet au système d'estimer la probabilité qu'un échantillon soit inconnu sans avoir besoin d'une règle fixe qui pourrait échouer dans différentes situations. Ils ont également introduit une façon d'apprendre à l'ordinateur à être humble dans ses suppositions. Lorsque le système est incertain, il est encouragé à admettre son incertitude plutôt que de forcer une mauvaise réponse. Inversement, lorsque le système est confiant quant à un type de tissu connu, il est renforcé pour être encore plus certain. Cet équilibre empêche l'ordinateur de classer avec assurance un nouveau tissu inconnu comme étant un tissu familier.

Les résultats de leurs tests ont été frappants. Lorsqu'ils ont appliqué leur méthode aux ensembles de données de tissus colorectaux, le système a systématiquement surpassé les techniques de pointe existantes. Dans un scénario spécifique où l'ordinateur devait s'adapter d'un grand ensemble de données à un plus petit avec des caractéristiques différentes, il a atteint une précision de 98,40 % dans l'identification des tissus connus. Plus important encore, il s'est montré exceptionnellement efficace pour repérer les inconnus, atteignant un score de détection de 97,60 % dans une autre configuration de test. Ces chiffres indiquent que le système a non seulement appris à ignorer les changements visuels distrayants, mais qu'il a également développé un sens aigu de la reconnaissance de ce qu'il rencontre de totalement nouveau.

Les chercheurs ont également exploré comment les différentes parties de leur système ont contribué à ce succès. Ils ont constaté que le retrait du module qui filtre les différences visuelles entraînait une chute significative des performances, prouvant que la gestion des variations de style est essentielle. De même, lorsqu'ils ont retiré le mécanisme qui cartographie la densité des données, le système avait du mal à séparer les connus des inconnus, les confondant souvent. Ils ont découvert que le nombre de grappes utilisées pour cartographier les données importait grandement ; utiliser trop ou trop peu de groupes rendait le système moins efficace. En trouvant le bon équilibre, ils ont veillé à ce que l'ordinateur puisse voir la forêt et les arbres simultanément.

Ce travail suggère que pour que l'intelligence artificielle soit véritablement utile dans les contextes cliniques, elle doit être assez robuste pour gérer la variabilité naturelle des données médicales. Elle ne peut pas être un outil rigide qui ne fonctionne que dans des conditions parfaites et contrôlées. Le cadre SADG démontre qu'en respectant la structure naturelle des données et en apprenant à l'ordinateur à reconnaître ses propres limites, nous pouvons construire des systèmes qui sont à la fois précis et sûrs. Les chercheurs notent que bien que leur méthode soit un pas en avant significatif, l'objectif ultime est de créer des modèles capables de s'adapter encore plus rapidement à de nouveaux domaines avec une supervision minimale. Leurs conclusions offrent une voie prometteuse vers une IA capable d'assister les pathologistes dans le monde réel, où chaque lame est unique et où l'imprévisible est toujours possible.

Résumé Technique : Un nouveau cadre d'adaptation de domaine en ensemble ouvert pour la classification d'images histopathologiques

Énoncé du problème
En pathologie computationnelle, les modèles d'apprentissage profond déployés pour la classification d'images histopathologiques sont confrontés à deux défis critiques lors de la transition d'un domaine source étiqueté vers un domaine cible non étiqueté : le décalage de covariable (covariate shift) et le décalage sémantique (semantic shift). Le décalage de covariable provient des variations dans les protocoles de coloration, les dispositifs de numérisation et les conditions d'imagerie, entraînant des disparités d'apparence. Le décalage sémantique survient lorsque le domaine cible contient des catégories de tissus (classes inconnues) absentes de la distribution d'entraînement de la source. Ce scénario est formalisé comme une Adaptation de Domaine en Ensemble Ouvert (OSDA - Open-Set Domain Adaptation).

Les méthodes OSDA existantes échouent souvent en histopathologie pour deux raisons principales :

Simplification excessive des inconnus : De nombreuses approches regroupent tous les échantillons inconnus en une seule catégorie, ignorant la diversité structurelle et sémantique intrinsèque des tissus inconnus. Cela peut conduire à un transfert négatif où les échantillons inconnus ressemblant aux classes connues dégradent la performance de l'adaptation.
Invariance de style inappropriée : Les méthodes développées pour les images naturelles imposent souvent une forte invariance de style. Cependant, en histopathologie, les caractéristiques liées à l'apparence (par exemple, des motifs de coloration spécifiques) peuvent contenir des informations diagnostiques pertinentes qui doivent être préservées plutôt que totalement supprimées.

Méthodologie : Le cadre SADG
Les auteurs proposent SADG (Style-Aware and Density-Guided), un cadre unifié conçu pour traiter conjointement les décalages de covariable et sémantique. L'architecture se compose de deux réseaux principaux : Co-Net (pour la classification) et ClusterNet (pour la modélisation de la densité), intégrés avec un Module de Rectification de Style (SRM).

Module de Rectification de Style (SRM) :
Pour atténuer le décalage de covariable sans rejeter les informations de style diagnostiquement pertinentes, le SRM est inséré dans les couches précoces et intermédiaires du réseau dorsal (ResNet-50). Il utilise la normalisation d'instance (IN) pour supprimer les variations d'apparence spécifiques, suivie d'un mécanisme d'attention par canal qui décompose les caractéristiques résiduelles en composantes pertinentes pour la tâche ( $R^+$ ) et non pertinentes pour la tâche ( $R^-$ ). Ces dernières sont recombinées pour récupérer l'information sémantique supprimée par la normalisation, effectuant ainsi un désenchevêtrement entre le style et la sémantique.
Regroupement guidé par la densité (ClusterNet) :
Contra contrairement aux méthodes qui traitent les inconnus comme un groupe monolithique, SADG modélise la structure de densité intrinsèque du domaine cible à l'aide d'un Modèle de Mélange Gaussien (GMM).

ClusterNet partitionne les caractéristiques cibles en $K$ clusters en utilisant des assignations souples de manière entièrement différentiable.
Prototypes conditionnels de classe : Pour les classes connues partagées, le cadre construit des prototypes ( $\mu_c$ ) et des matrices de covariance ( $\Sigma_c$ ) en agrégeant les caractéristiques cibles pondérées par la confiance du classificateur. Cela garantit que les prototypes reflètent la distribution réelle des classes connues au sein du domaine cible.

Score GEM et Calibrage EVT :
Pour détecter les échantillons inconnus sans seuils fixes, SADG introduit un score de Mesure d'Énergie basée sur le Mélange Gaussien (GEM). Ce score évalue la log-vraisemblance d'un échantillon cible par rapport aux prototypes des classes connues.

Théorie des Valeurs Extrêmes (EVT) : La distribution de queue des scores GEM est modélisée à l'aide de la méthode Peaks-Over-Threshold (POT). Cela permet au système d'estimer dynamiquement la probabilité qu'un échantillon appartienne à une classe inconnue ( $\tau_t$ ), évitant ainsi la rigidité des frontières de décision définies manuellement.

Stratégie d'entraînement adaptative :
Le cadre emploie une fonction de perte multi-objectif pour guider l'adaptation :

Alignement guidé par la densité ( $L_{align}$ ) : Aligne la sortie du classificateur avec la distribution postérieure induite par la densité dérivée du GMM, garantissant que le classificateur respecte la structure latente des clusters.
Apprentissage de clusters homogènes ( $L_{entH}$ ) : Identifie des clusters sémantiquement homogènes et fiables (basés sur la taille du cluster et l'affinité de classe) pour renforcer la confiance sur les classes connues.
Séparation des inconnus ( $L_{entU}$ ) : Applique la maximisation de l'entropie aux pseudo-inconnus (identifiés via une $\tau_t$ élevée) pour empêcher leur effondrement dans les régions des classes connues.

Contributions clés

Cadre unifié : SADG est le premier cadre traitant conjointement les décalages de covariable et sémantique en pathologie computationnelle dans un contexte OSDA.
Modélisation des inconnus sensible à la densité : En utilisant un ClusterNet basé sur un GMM, la méthode modélise explicitement la structure de densité intrinsèque du domaine cible, évitant l'effondrement de divers échantillons inconnus en une seule catégorie.
Détection sans seuil : L'intégration des scores GEM calibrés via l'EVT fournit un mécanisme robuste et sans seuil pour estimer les probabilités des classes inconnues.
Préservation du style : Le SRM supprime efficacement les disparités induites par l'apparence tout en conservant les informations de style diagnostiquement pertinentes, répondant ainsi à une limitation des méthodes OSDA basées sur les images naturelles.

Résultats expérimentaux
Le cadre a été évalué sur deux ensembles de données d'histopathologie colorectale : Kather-16 (5 000 images, 8 classes) et Kather-19 (100 000 images, 9 classes). Les expériences ont couvert trois configurations d'ensemble ouvert avec des proportions variables d'échantillons inconnus (allant de ~7 % à 75 %).

Performance : SADG surpasse systématiquement les méthodes OSDA de pointe (ex: OSBP, STA, UADAL, ANNA) et les méthodes de reconnaissance en ensemble ouvert (OSR) (ex: GHOST, OpenMax).
- Il a atteint une Précision en ensemble fermé (ACC) moyenne de 91,28 % et une AUC moyenne de 90,27 % sur l'ensemble des tâches.
- Dans le scénario Kather-19 $\to$ Kather-16 Split 2, SADG a atteint 98,40 % d'ACC, surpassant de manière significative la deuxième meilleure méthode.
Études d'ablation :
- Le retrait du SRM a provoqué des chutes significatives de l'ACC et de l'AUC, confirmant sa nécessité pour gérer les variations de coloration.
- Le retrait de l'alignement guidé par la densité ( $L_{align}$ ) ou de la maximisation de l'entropie pour les inconnus ( $L_{entU}$ ) a entraîné une dégradation sévère des performances, soulignant l'importance de préserver la structure de densité cible et de prévenir l'effondrement des inconnus.
- L'estimation de prototype souple (utilisant les poids de confiance du classificateur) s'est avérée plus robuste que les assignations dures, particulièrement à mesure que le ratio d'échantillons inconnus augmentait.
Efficacité : Bien que SADG incurre une complexité de calcul plus élevée que certaines bases en raison de l'entraînement du double réseau et de l'ajustement du GMM, il démontre un compromis favorable, atteignant les métriques de performance les plus élevées avec un surcoût limité.

Signification et revendications
L'article affirme que SADG fournit une solution robuste pour le déploiement clinique réel où les distributions de données dérivent et où les catégories de tissus inconnues sont inévitables. En allant au-delà de l'hypothèse de la "classe inconnue unique" et en préservant les caractéristiques de style diagnostiquement pertinentes, SADG offre une approche plus fiable pour la classification histopathologique en ensemble ouvert. Les auteurs positionnent leur travail comme une étape vers la réduction de la dépendance à l'égard de l'annotation manuelle extensive dans les environnements cliniques, permettant aux modèles de s'adapter à de nouveaux centres et à des types de tissus non vus avec une supervision minimale. Des travaux futurs sont suggérés pour explorer des stratégies de méta-apprentissage pour une adaptation encore plus rapide à de nouveaux domaines.

Résumé Technique : Un nouveau cadre d'adaptation de domaine en ensemble ouvert pour la classification d'images histopathologiques

Articles similaires