Apprentissage multi-tâches pour l'évaluation du positionnement des seins en mammographie

Le cancer du sein est un enjeu de santé important au Canada et dans le monde, et son diagnostic précoce est primordial afin de maximiser l’efficacité des traitements. La modalité de dépistage du cancer du sein la plus répandue à ce jour est la mammographie ; cette technique d’imagerie par rayons X permet de visualiser les différents tissus et structures du sein, y compris les masses cancéreuses. L’acquisition des images radiographiques nécessite une forte compression des seins, rendant cet examen inconfortable pour les patient.e.s et très dépendant de leurs morphologies variées. Le positionnement mammaire est donc un grand enjeu en mammographie, un positionnement inadéquat pouvant causer l’exclusion de tissu mammaire et mener à des rappels de patient.e.s ou à des faux négatifs au cancer du sein. Le travail présenté dans ce mémoire s’inscrit dans un projet plus large impliquant d’autres étudiants, et visant au développement d’un système automatique d’évaluation du position-nement mammaire. Plus particulièrement, ce mémoire se penche sur l’étude des liens in-trinsèques existants entre les critères de positionnement mammaire établis, et comment ces liens peuvent être exploités dans le cadre de l’évaluation automatique de ces critères. À cet effet, un jeu de données adapté à l’entraînement de modèles d’apprentissage profond a été créé, puis des modèles de référence ont été implémentés afin d’établir des performances de base pour l’évaluation de différents critères de positionnement. Des modèles d’apprentissage multi-tâches ont ensuite été élaborés dans le but de mettre à profit les interdépendances entre certains critères. Les expérimentations effectuées ont révélé que la combinaison de certains critères permettait une amélioration des performances par rapport aux modèles de référence. Ce travail est le premier à aborder l’interdépendance des critères de positionnement mam-maire dans le cadre de leur évaluation par des modèles d’apprentissage profond, et ouvre de nouvelles perspectives dans ce domaine de recherche. Un objectif complémentaire de ce travail est de déterminer s’il est possible de vérifier le positionnement mammaire sur des images acquises à plus faible doses de rayons X, comme par exemple les images pre-shot de certains systèmes d’acquisition. Pour ce faire, et en l’ab-sence de telles images très basse-dose, une méthode de simulation de réduction de dose a été implémentée et appliquée aux images de notre jeu de données. L’inférence des modèles d’apprentissage profond sur ces images a validé cette hypothèse, ouvrant la voie à la possi-bilité d’une irradiation moins grande des patient.e.s avant l’obtention d’un positionnement mammaire adéquat.