Segmentation d’images médicales semi-supervisée par curriculum via l’inférence des boîtes englobantes

Résumé

Cette recherche concerne les difficultés que pose la collection d’annotations, complètes et suffisantes, pour entrainer les réseaux de neurones en segmentation sémantique d’images médicales. Nous adoptons l’axe de recherche qui consiste à exploiter les connaissances a priori de l’organe à segmenter, pour contraindre directement les segmentations prédites. Plus précisément, les images non annotées sont exploitées en utilisant des boîtes englobantes prédites par un réseau de neurones auxiliaire. Ces boîtes inférées sont ensuite utilisées pour imposer des contraintes directes sur la taille, la position globale ainsi que la topologie de l’organe, dans les segmentations prédites correspondantes. Nous proposons une première évaluation des performances possibles, en utilisant un réseau de neurones auxiliaire entièrement convolutif pour l’inférence des boîtes englobantes. Les résultats de nos expérimentations sur deux jeux de données de petite taille montrent une augmentation des performances, de 0.3 à 4.4% (mesurée avec l’indice de Sørensen-Dice), par rapport à la supervision totale, lorsqu’on utilise le même nombre d’annotations. Nous recommandons, entre autres, une étude qui remplace le modèle auxiliaire par une architecture de détection classique (RPN, SSD, etc.), afin de mieux cerner l’étendue des performances de cette stratégie.

Date	30 sept. 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	José Dolz (Directeur(-trice)) & Ismail Ben Ayed (Codirecteur(-trice))