Computer Aided Diagnosis System for Breast Cancer Segmentation using Weakly Supervised Learning and Federated Learning

Abstract

Breast cancer remains a leading cause of mortality among women, and precise lesion segmentation is crucial for early diagnosis and treatment planning. This work introduces a novel CAD system that integrates weakly supervised learning relying solely on bounding-box annotations and federated learning to enable privacy preserving, collaborative model training across multiple institutions. The primary goal is to develop a robust CAD system that processes mammography images, produces accurate breast lesion segmentation using weakly supervised learning, and enables privacy-preserving, multi-site model training through federated learning. To achieve this, we trained a state-of-the-art dual-framework network, which comprises a primary network and an ancillary network that requires only bounding-box annotations rather than full pixel-level masks. The pretrained weights are then shared across clients via FedAvg. The model was trained on the CBIS-DDSM mammography dataset. Under decentralized training, the model achieves a validation Dice score of 0.68 and an IoU of 0.61. The integration of federated learning with weak supervision offers a unique combination of efficiency and privacy. By requiring only bounding-box annotations, it drastically reduces radiologist workload compared to traditional pixel-level segmentation methods, while its federated learning framework enables multiple institutions to collaboratively improve model accuracy without sharing sensitive patient data.***

Le cancer du sein demeure l’une des principales causes de mortalité chez les femmes, et une segmentation précise des lésions est essentielle pour un diagnostic précoce et une planiőcation thérapeutique efficace. Ce travail propose un nouveau système d’aide au diagnostic (CAD) intégrant l’apprentissage faiblement supervisé reposant uniquement sur des annotations sous forme de boîtes englobantes et l’apprentissage fédéré, aőn de permettre un entraînement collaboratif des modèles respectueux de la conődentialité entre plusieurs institutions. L’objectif principal est de développer un système CAD robuste capable de traiter les mammographies, de produire une segmentation précise des lésions mammaires grâce à l’apprentissage faiblement supervisé, et de permettre un entraînement multi-site préservant la vie privée via l’apprentissage fédéré. Pour ce faire, nous avons entraîné un réseau dual de pointe, composé d’un réseau principal et d’un réseau auxiliaire, qui ne requièrent que des annotations par boîtes englobantes plutôt que des masques pixel-niveau complets. Leurs poids pré-entraînés sont ensuite partagés entre les clients grâce à l’algorithme FedAvg. Le modèle a été entraîné sur le jeu de données de mammographies CBIS-DDSM. En condition d’entraînement décentralisé, il atteint un score de Dice de 0,68 et un IoU de 0,61 en validation. L’intégration de l’apprentissage fédéré avec une supervision faible offre une combinaison unique d’efficacité et de respect de la conődentialité. En ne nécessitant que des annotations sous forme de boîtes englobantes, elle réduit considérablement la charge de travail des radiologues par rapport aux méthodes classiques de segmentation pixel-niveau, tandis que son cadre fédéré permet à plusieurs institutions d’améliorer collaborativement la précision du modèle sans partager de données sensibles des patients.