Classification Multi-Label des Pathologies Thoraciques sur CheXpert (Small)

📋 Résumé Exécutif

Ce projet implémente un modèle de classification multi-label pour la détection automatique de pathologies thoraciques à partir d'images de radiographies pulmonaires (Chest X-Ray). L'approche se concentre sur la gestion des dépendances hiérarchiques entre les maladies et l'intégration des étiquettes d'incertitude pour améliorer la précision du diagnostic.

📊 Jeu de Données

Le modèle utilise le dataset CheXpert (version small), un sous-ensemble d'environ 11 Go disponible sur Kaggle :

• Pathologies : 14 observations initiales sont considérées (ex: Atélectasie, Cardiomégalie, Consolidation, Œdème, Pneumonie, etc.).
• Modalité : Radiographies en projection frontale.
• Format : Problème multi-étiquette où chaque image peut contenir plusieurs pathologies simultanément.

🧠 Stratégie d'Entraînement

Le processus d'apprentissage adopte une stratégie en deux étapes :

1. Étape 1 – Apprentissage global : Entraînement pendant 2 époques sur l'ensemble des 14 pathologies disponibles pour apprendre des représentations générales des anomalies.
2. Étape 2 – Fine-tuning ciblé : Affinement du modèle (3e époque) sur 5 pathologies prioritaires (Atélectasie, Cardiomégalie, Consolidation, Œdème, Épanchement pleural) sélectionnées pour leur intérêt clinique et leur prévalence.

🛠️ Configuration Technique

• Architecture : Réseau DenseNet-121 pré-entraîné sur ImageNet.
• Gestion des incertitudes : Application de la stratégie U-Ones, transformant les étiquettes incertaines (notées "-1") en "1" (positives) pour réduire les faux négatifs en contexte de dépistage.
• Transformations & Augmentation : Redimensionnement à 224 × 224 pixels. Retournements horizontaux aléatoires (p=0.5) et rotations (±10°). Normalisation basée sur les statistiques d'ImageNet.
• Optimisation : Utilisation de l'optimiseur Adam avec une perte de type Binary Cross-Entropy (BCE).

📈 Résultats de Validation (AUC)

Les performances ont été mesurées par le score AUC (Area Under the Curve) sur le jeu de validation pour les 5 pathologies cibles :

Méthode	Cardiomegaly (AUC)	Edema (AUC)	Consolidation (AUC)	Atelectasis (AUC)	Pleural Effusion (AUC)	Moyenne
U-Ones5	0.74	0.92	0.89	0.83	0.91	0.858
U-Ones14	0.74	0.93	0.89	0.81	0.91	0.856
Pham et al	0.45	0.57	0.62	0.64	0.89	0.640
Notre méthode	0.79	0.92	0.92	0.82	0.91	0.868

Cette approche ("Notre méthode") surpasse les stratégies standards comme U-Ones14 (0.856) et les résultats rapportés par Pham et al. (2021) sur ce même type de données (0.640).

📚 Références

• Irvin et al., CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison, 2019.
• Pham et al., Interpreting chest X-rays via CNNs that exploit hierarchical disease dependencies and uncertainty labels, 2021.