Soutenance de thèse de Arthur FOAHOM GOUABOU

Le mélanome est un problème majeur de santé publique. Sa détection précoce est le moyen efficace pour réduire son taux de mortalité. Néanmoins, la détection manuelle des mélanomes est un processus chronophage, et le manque de dermatologues rend difficile un dépistage large et régulier de la population. Il est donc souhaitable d’investir des efforts de recherche dans le développement de systèmes automatiques de diagnostic pouvant aider les cliniciens dans cette tâche. Ces dernières années, l’ apprentissage profond a permis de développer de tels systèmes atteignant des performances de diagnostic comparables à celles des dermatologues. Malgré ces résultats prometteurs, des problématiques freinent leur utilisation en contexte clinique réel. Premièrement, les lésions cutanées présentent un degré élevé de similarité, ce qui fait de leur classification automatique une tâche complexe. Deuxièmement, les jeux de données de lésions présentent une distribution asymétrique créant ainsi un biais lors de l’apprentissage des modèles. Troisièmement, le processus d’inférence des réseaux neuronaux est complexe et rend leur processus de décision difficile à comprendre pour les dermatologues. L’ objectif de ce travail est de contribuer à l’expansion des systèmes automatiques de diagnostic en contexte clinique réel. Pour cela, nous avons premièrement proposé une méthode ensembliste capable d’améliorer les performances de diagnostic du Mélanome. La méthode consiste à agréger plusieurs modèles binaires à l’aide d’un graphe acyclique dirigé. Ensuite, nous nous sommes intéressés au déséquilibre des classes et avons proposé une méthode d’apprentissage visant à rendre nos modèles robustes à ce problème. Elle consiste à initialiser l’apprentissage du modèle avec une fonction de coût L f capable de guider le modèle vers une meilleure représentation des caractéristiques. Puis, une variante pondérée de L f est utilisée pour affiner le réseau pré-entraîné et l’aider à mieux discriminer les classes minoritaires parmi les majoritaires. Finalement, préoccupé par la problématique d’explicabilité des réseaux de neurones, nous avons proposé une architecture, inspirée de la théorie des jeux, capable à la fois d’améliorer les performances de détection des systèmes de diagnostic existants et d’apporter plus de clarté dans leur processus de décision. L’architecture est constituée de sept réseaux de neurones convolutifs assimilés à des joueurs. La stratégie des joueurs consiste tout d’abord à regrouper les lésions selon trois niveaux de confiance : élevé, moyen et incertain. Par la suite, un sous-ensemble de joueurs a pour stratégie d’affiner le diagnostic des lésions difficiles ayant obtenues des prédictions avec des niveaux de confiance moyennes ou incertaines.

Melanoma is a major public health problem. Early detection of melanoma is currently the most effective way to reduce its mortality rate. Nevertheless, the manual detection of melanomas is a difficult and time-consuming process; and the lack of dermatologists makes it difficult to carry out a wide and regular screening of the population. Therefore, it is desirable to invest research efforts in the development of computer aided diagnosis systems that can assist clinicians in this task. In recent years, deep learning techniques have made it possible to develop such systems able to reach the diagnostic performance of dermatologists. However, despite these promising results, some issues hinder their use in real clinical settings. First, skin lesions have a high degree of similarity, which makes their automatic classification a complex task. Second, skin lesion datasets have a skewed distribution which creates a bias when training the models. Third, the inference process of convolutional neural networks is complex and makes their decision process difficult to understand for non-experts. The objective of this work is to contribute to the expansion of computer aided diagnosis systems in a real clinical context. To that end, we first propose an ensemble method capable of improving the diagnostic performance of Melanoma. The proposed method consists in aggregating several binary convolutional neural networks using a directed acyclic graph. Secondly, we address the class imbalance problem and propose a learning method called end-to-end decoupled training. This method aims at making convolutional neural networks robust to class imbalance. The method consists in initializing the training of the network with a loss function L f able to guide the model towards a better representation of the features. Then, a weighted variant of L f is used to refine the pre-trained network and help it to better discriminate minority classes from majority classes. Finally, concerned by the problem of explicability of convolutional neural networks, we propose a framework, inspired by game theory, capable of both improving the detection performance of existing diagnostic systems and bringing more clarity to their decision-making process. The proposed framework consists of a multi-class convolutional neural network and six binary convolutional neural networks assimilated to players. The strategy of the players consists first in clustering the lesions, using the introduced method of evaluating the confidence level of a prediction, according to three levels of confidence: high, medium, and uncertain. Subsequently, a subset of players has the strategy to refining the diagnosis of difficult lesions that have obtained predictions with medium or uncertain confidence levels.