Réseau de neurones récurrent à attention pour la détection de lésions intestinales
Résumé
Crohn's disease (CD) is a chronic inflammatory bowel disease , affecting young subjects, causing mucosal damage to the small intestine : erosions, ulcerations, edema and stenosis. The wireless capsule endosopy (WCE) is the best examination for their detection. The WCE generates approximately 50,000 images that are time-consuming for gastroenterologists to analyse. The objective of our work is therefore to develop a tool for the automatic recognition of mucosal lesions of CD in the small intestine. The algorithm is based on a network of convolutional neurons with attention. This was trained on a public database, GIANA, containing images of normal WCEs and with inflammatory and vascular lesions. Another database was used separately , CROHN-IPI, consisting of normal images and MC le-sions annotated by gastroenterologists from Nantes University Hospital. Preliminary results show that the algorithm trained on the 1800 GIANA images, is able to detect with an accuracy of 99,77% the pathological images. Concerning CROHN-IPI, the accuracy obtained on the 2500 images from 39 patients is 80.36%. This difference can be explained by the way the images in the database were selected (images of more obvious lesions in GIANA) or by the under-representation of certain pathologies in CROHN-IPI. In the future, a larger scale WCE annotation application will be developed to enrich CROHN-IPI.
La maladie de Crohn (MC) est une maladie inflammatoire chronique intestinale, atteignant les sujets jeunes, provo-quant des lésions de l'intestin grêle : des érosions, des ul-cérations, de l'oedème et des sténoses. La vidéo-capsule endoscopique (VCE) est le meilleur examen permettant leur détection. La VCE génère environ 50000 images dont l'analyse par les gastro-entérologues est consommatrice de temps. L'objectif de notre travail est donc de dévelop-per un outil permettant la reconnaissance automatique des lésions de MC dans l'intestin grêle. L'algorithme est basé sur un réseau de neurones convolutifs à attention. Celui-ci a été entraîné sur une base de données publique, GIANA, contenant des images de VCE normales et avec des lésions inflammatoires et vasculaires. Une autre base a été utilisée séparément, CROHN-IPI, constituée d'images normales et de lésions de MC annotées par des gastro-entérologues du CHU de Nantes. Les résultats préliminaires montrent que l'algorithme entraîné sur les 1800 images de GIANA, est capable de distinguer avec une précision de 99,77% les images pathologiques des images non pathologiques. Concernant CROHN-IPI, la précision obtenue sur les 2500 images provenant de 39 patients est de 80,36%. Cet écart peut s'expliquer par la façon dont ont été sélectionnées les images de la base (images de lésions plus évidentes dans GIANA) ou encore par la sous-représentation de certaines pathologies dans CROHN-IPI. À l'avenir, une application d'annotation de VCE à plus grande échelle sera dévelop-pée pour enrichir CROHN-IPI. Mots Clef Apprentissage profond, réseau récurrent à attention, mala-die de Crohn, classification d'images médicales.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...