5 .2 Les méthodes d’apprentissage profond pour la dé- dé-tection de la mitose à partir des images histopa
5.2.6 Défis et perspectives
Plusieurs techniques de type DL ont été proposées dans l’état de l’art pour résoudre les problèmes liés à la tâche de détection de la mitose, où différentes bases d’apprentissage ont été publiées (ICPR12, AMIDA13, MITOS-ATYPIA-14, TAUPAC16) pour encourager la recherche dans ce do-maine. Malgré les efforts faits, le nombre limité des figures mitotiques (1552 au maximum) présente l’un des problèmes principales, et cela limite l’efficacité des modèles DL générés à distinguer les mitoses des autres structures. En plus, ces bases d’apprentissage sont collectées à partir d’un maximum de trois centres de pathologie. Par conséquent, cela limite
l’effi-GPU Référence Temps
d’apprentissage
Temps d’inférence
GPU [Cire¸san et al. 2013]
Un jour pour
chaque réseau 8minutes [Li et al. 2018b] - 6.93 s
Sans GPU [Wang et al. 2014] 11.4 h 1.5 min ICPR12
[Wahab et al. 2017] 15h 48s Nvidia GeForce
GTX 750M [Albarqouni et al. 2016] - -Nvidia
Getforce GTX 970 [Wollmann & Rohr 2017b] 2.5 jours 2.5 s
Nvidia GeForce GTX titan X
[Chen et al. 2016b] - 15s
[Li et al. 2018a] - 0.4 s to 0.7 s [Chen et al. 2016a] - 0.5 s 0.3 s TAUPAC16
[Wahab et al. 2017] 30h 1min Nvidia Quadro K4200
graphics processor [Das & Dutta 2019] - 16s 4Nvidia Tesla M40
GPUs
[Wu et al. 2017] - 0.375s [Kausar et al. 2018] - 0.388 s 5NVIDIA tesla K80
GPUs pour l’apprentissage et une seule GPU pour le test
[Rao 2018] 0.5 s
- [Ronneberger et al. 2015] - 5min (WSI) - [Karpathy et al. 2014] - 0.3 s Table 5.7 – La temps de calcul et le matériel utilisé dans les méthodes proposées pour la détection de la mitose.
cacité de ces modèles en généralisation. La solution à ce problème consiste à apprendre tout type de variance. Certains travaux ont suggéré l’utilisa-tion des techniques de normalisal’utilisa-tion des couleurs, tandis que plusieurs d’autres ont ignoré cette étape importante sur des données collectées à partir de plusieurs centres [Wahab et al. 2017, Wollmann & Rohr 2017a].
Le nombre restreint des échantillons d’images dans les bases d’appren-tissage médicales n’est pas lié à leurs disponibilités, mais plutôt à la charge de travail considérable pour leur annotation par les spécialistes en patho-logie. La technique de crowdsourcing est parmi les solutions proposées pour résoudre le problème de manque de données annotées. L’étude pré-sentée par Albarqouni et al [Albarqouni et al. 2016] est parmi les premiers travaux sur l’exploitation du crowdsourcing dans la tâche de détection de la mitose. Malgré l’efficacité de ces techniques dans d’autres domaines, leur utilisation dans le domaine médical est délicate à cause des classes bruitées fournies par les non experts. Dans ce cadre, plus d’efforts doivent être effectués dans la phase de contrôle et de validation des annotations afin d’obtenir des résultats plus robustes.
Les techniques de fine tuning et d’apprentissage transféré ont été pro-posées pour résoudre le problème de sur-apprentissage qui est lié au manque de données annotées. Ces techniques représentent 21% des
ar-ticles sélectionnés. Dans ces travaux, des modèles entrainés sur la base d’apprentissage ImageNet ont été réutilisés et réajustés sur les bases de détection de la mitose. Le succès de ces méthodes est justifié par la simili-tude des caractéristiques de bas niveau (arêtes, angles... etc.). Cependant, dans ce cadre, il n’existe aucun principe théorique et beaucoup de ques-tions se pose concernant la relation entre ces deux domaines hétérogènes. Par conséquent, le partage de modèles entrainés sur des bases du même domaine peut être plus utile en raison de la similarité entre les images histopathologiques par rapport aux autres domaines.
L’apprentissage semi-supervisé présente une autre solution au manque de données annotées. Cette technique permet d’entrainer des modèles sur des données étiquetées et d’autres non étiquetés. Cette spécificité encou-rage l’exploitation de cette technique comme alternative aux méthodes d’apprentissage supervisées dans le cas des quantités limitées de données classifiées. Jusqu’à présent, les travaux de détection de mitose proposés se focalise sur les techniques d’apprentissage supervisées plus que les mé-thodes d’apprentissage semi-supervisées [Akram et al. 2018]. Par consé-quent, l’exploitation de ces méthodes dans les travaux futurs est parmi les perspectives suggérées.
D’autres travaux proposent l’exploitation des réseaux peu profonds pour éviter les problèmes de sur-apprentissage. Ces réseaux sont caracté-risés par un nombre limité de couches. Tandis que peu de recherches ont exploité les architectures profondes basées sur les techniques de réduc-tion de paramètres, comme : incepréduc-tion [Szegedy et al. 2015], MobileNet [Howard et al. 2017, Sandler et al. 2018],et suffleNet [Zhang et al. 2018].
Les résultats obtenus dans l’état de l’art prouvent l’efficacité des mé-thodes proposées, en particulier sur les bases d’apprentissage ICPR12 et MITOS-ATYPIA-14. Dans ces bases, plusieurs échantillons d’images ap-partenant aux bases d’apprentissage et de test ont été collectés à partir de la même source. Ainsi, l’efficacité des modèles générés sur les échantillons provenant de différentes sources n’est pas garantie. L’analyse effectuée par [Veta et al. 2016] prouve le degré élevé de désaccord entre les décisions des pathologistes et les prédictions des méthodes automatiques lorsqu’ils sont évalués sur une nouvelle base d’apprentissage hétérogène. Pour cela, ces modèles doivent être validés sur de nouveaux échantillons de données et testés par les pathologistes.
L’efficacité des résultats des pathologistes était justifiée par leur stra-tégie d’analyse descendante qui permet de préserver plus d’informations contextuelles. Cela est lié à la taille du patch dans les méthodes automati-sées. Comme solution, l’apprentissage à multi-échelle a été exploité pour répondre au manque des informations contextuelles [Wu et al. 2017]. Dans ce cadre, nous avons remarqué que la majorité des travaux proposés en dé-tection de la mitose sont basé sur un apprentissage à une seule échèle, et donc l’exploitation des réseaux multi-échelles comme multi-scale contex-tual networks [Wang et al. 2017b] peut être prometteuse.
Dans la majorité des méthodes DL proposées, les architectures étaient présentées sous forme d’une boîte noire, dans laquelle aucune stratégie claire n’a été définie concernant le choix du nombre des couches et des va-leurs des hyper-paramètres. Le système analytique visuel progressif (Dee-peyes) [Pezzotti et al. 2017] prouve l’importance de la visualisation dans
l’identification des filtres ou des couches inutiles. Par conséquent, cela peut constituer un bon outil d’analyse des futures architectures proposées dans le cadre de détection de mitose.
En conclusion, les travaux présentés dans cette synthèse identifient l’ef-ficacité des méthodes DL dans la détection de la mitose. Néanmoins, ils sont toujours associés à quelques limitations, et cela encourage leur ex-ploitation en tant qu’un second outil d’aide au pathologiste plutôt que leur exploitation directe dans des utilisations cliniques.