Un nouveau réseau de neurones convolutionnel hétéromorphe pour l'évaluation automatisée des tumeurs dans les images d'histopathologie du côlon et des poumons

L'évaluation automatisée des tumeurs dans l'analyse d'images médicales rencontre des défis en raison de la ressemblance des tumeurs du côlon et des poumons avec des noyaux non mitotiques et de leurs caractéristiques hétéromorphes. Une évaluation précise de la présence des noyaux tumoraux est cruciale pour déterminer l'agressivité et le grade de la tumeur. Cet article propose une nouvelle méthode appelée ColonNet, un réseau de neurones convolutionnel (CNN) hétéromorphe avec une méthodologie d'incrustation de caractéristiques catégoriquement configurée pour analyser les noyaux mitotiques dans les images d'histopathologie du côlon et des poumons. Le modèle ColonNet se compose de deux étapes : d'abord, identifier les zones potentielles de mitose au sein des zones d'imagerie histopathologique, puis classer ces zones en carcinomes à cellules squameuses, adénocarcinomes (poumon), bénins (poumon), bénins (côlon) et adénocarcinomes (côlon) en fonction des directives du modèle. Nous développons et utilisons nos CNN profonds, chacun capturant des propriétés structurelles, texturales et morphologiques distinctes des noyaux tumoraux, pour construire le CNN profond hétéromorphe. L'exécution du modèle ColonNet proposé est analysée par sa comparaison avec des CNN de pointe. Les résultats démontrent que notre modèle surpasse les autres sur l'ensemble de test, atteignant un score F1 impressionnant de 0,96, une sensibilité et une spécificité de 0,95, et une aire sous la courbe de précision de 0,95. Ces résultats soulignent la performance supérieure de notre modèle hybride, son excellente généralisation et sa précision, mettant en évidence son potentiel en tant qu'outil précieux pour soutenir les pathologistes dans les activités diagnostiques.